Search

Technological advances in terms of data acquisition enable to better monitor dynamic phenomena in various domains including environment. The collected data are more and more complex (spatial, temporal, heterogeneous and multi-scale). The exploitation of this data requires new methods of data analysis and knowledge discovery. In this context, approaches for discovering spatio-temporal patterns are particularly relevant. This paper proposes to make a detailed review of these works. We focus on two examples of patterns : colocation and spatio- sequential patterns. These patterns have been used to study real applications in the field of environment.; Les avancées technologiques en termes d’acquisition de données permettent de mieux surveiller les phénomènes évolutifs dans divers domaines dont l’environnement. Les données collectées sont de plus en plus complexes (spatiales, temporelles, hétérogènes et multi-échelles). L’exploitation de ces données par leurs propriétaires (experts du domaine) nécessite de concevoir de nouvelles méthodes d’analyse de données et de découverte de connaissances. Dans ce contexte, les approches de découverte de motifs spatio-temporels se révèlent particulièrement pertinentes. Ce papier propose de faire une revue détaillée de ces travaux. Nous nous focalisons sur deux exemples de motifs : les colocalisations et les motifs spatio-séquentiels. Ces motifs ont été utilisés pour étudier deux applications réelles dans le domaine de l’environnement.

International audience; Ces dernières années, l'augmentation de la quantité d'informations spatio-temporelles stockées dans les bases de données a fait naître de nouveaux besoins, notamment en matière de gestion des risques naturels, sanitaires ou anthropiques (p. ex. compréhension de la dynamique d'une épidémie de Dengue). Dans cet article, nous définissons un cadre théorique pour l'extraction de motifs spatio-séquentiels, séquences de motifs spatiaux représentant l'évolution dans le temps d'une localisation et de son voisinage. Nous proposons un algorithme d'extraction efficace qui effectue un parcours en profondeur en s'appuyant sur des projections successives de la base de données. Nous introduisons également une mesure d'intérêt adaptée aux aspects spatio-temporels de ces motifs. Les expérimentations réalisées sur des jeux de données réels soulignent la pertinence de l'approche proposée par rapport aux méthodes de la littérature.