Search

Les travaux présentés concernent l’extraction de connaissances dans les données à des fins de description et d’inférence. Comment décrire des Séries Temporelles d’Images Satellitaire (STIS) en mode non supervisé ? Comment prévoir des événements tels que des pannes dans des systèmes complexes ? Des réponses originales s’appuyant sur des techniques de fouille de données extrayant des motifs locaux, les motifs séquentiels, sont développées. Ainsi, de nouveaux motifs, les motifs Séquentiels Fréquents Groupés (motifs SFG), sont-ils proposés afin d’extraire d’une STIS des groupes de pixels faisant sens spatialement et temporellement. Une technique originale permettant de pousser les contraintes associées à ces motifs au sein du processus d’extraction est également détaillée. Des expériences sur des données optiques et radar, à des résolutions différentes, confirment leur potentiel. Un classement de ces motifs basé sur l’information mutuelle et la swap-randomization est par ailleurs proposé afin de mettre en avant les motifs ayant peu de chances d’apparaître dans un jeu de données aléatoires où les fréquences sont conservées, exprimant des changements et progressant dans l’espace. Quant à la prévision d’événements, une approche de type leave-one-out est proposée pour sélectionner des motifs séquentiels, les FLM-règles, génériques et déclenchant le moins possible de fausses alarmes. Une méthode de prévision au plus tôt tirant parti de ces motifs est également avancée et validée sur des données réelles provenant de systèmes mécaniques complexes. Les expériences menées montrent qu’il est possible de prévoir des défaillances pour lesquelles l’expertise technique est insuffisante. Cette méthode de prévision est aujourd’hui brevetée.