Apprentissage de scénarios à partir de séries temporelles multivariées

Apprentissage relationnel de motifs temporels

Résumé. Nous présentons deux expériences d’apprentissage relationnel de motifs temporels comportant des contraintes numériques des chroniques à partir de séries temporelles. La première concerne l’apprentissage d’arythmies cardiaques à partir d’électrocardiogrammes. La deuxième réalise l’apprentissage de règles prédisant la dégradation de la qualité de service dans un réseau de télécommunicatio...

Apprentissage non supervisé de séries temporelles à l'aide des k-means et d'une nouvelle méthode d'agrégation de séries

Résumé. L’utilisation d’un algorithme d’apprentissage non supervisé de type k-Means sur un jeu de séries temporelles amène à se poser deux questions : Celle du choix d’une mesure de similarité et celle du choix d’une méthode effectuant l’agrégation de plusieurs séries afin d’en estimer le centre (i.e. calculer les k moyennes). Afin de répondre à la première question, nous présentons dans cet ar...

Construction de descripteurs à partir du coclustering pour la classification supervisée de séries temporelles

Résumé. Nous présentons un processus de construction de descripteurs pour la classification supervisée de séries temporelles. Ce processus est libre de tout paramétrage utilisateur et se décompose en trois étapes : (i) à partir des données originales, nous générons de multiples nouvelles représentations simples ; (ii) sur chacune de ces représentations, nous appliquons un algorithme de cocluste...

Analyse des dynamiques spatio-temporelles à partir de séries temporelles d’images satellitaires

Une approche de classification non supervisée basée sur la détection de singularités et la corrélation de séries temporelles pour la recherche d'états : application à un bioprocédé fed-batch

Résumé. Nous proposons dans cet article une méthode de clustering qui combine l’analyse dynamique et l’analyse statistique pour caractériser des états. Il s’agit d’une méthode de fouille de données qui travaille sur des ensembles de séries temporelles pour détecter des états; ces états représentent les informations les plus significatives du système. L’objectif de cette méthode non supervisée e...