Apprentissage d’une représentation contrainte explicative pour les séries temporelles
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : El Amouri, Hussein
Date de soutenance : 22-09-2023

Directeur(s) de thèse : Gançarski, Pierre - Mallet, Clément

Président : Wemmert, Cédric
Rapporteur(s) : Tavenard, Romain - Amer-Yehia, Seham
Membre(s) du jury : Lampert, Thomas - Dao, Thi Bich Hanh

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Learning Shapelets, Clustering sur contraint, Séries temporelles, Explication du clustering, Transformation de séries temporelles.
Mots-clés :
  • Séries chronologiques
  • Apprentissage automatique
Résumé : Le regroupement de séries temporelles est une tâche complexe qui nécessitedes mesures de similarité sur mesure pour analyser et interpréter efficacementles données. De plus, les sorties des algorithmes peuvent être difficiles àinterpréter. Pour remédier à cela, les experts peuvent fournir des connaissancespréalables en utilisant des contraintes au niveau des instances, qui guidentl'algorithme et alignent les résultats sur les besoins de l'expert. Cependant,incorporer cela dans le processus de regroupement introduit le défi d'évaluerl'informativité et la cohérence des contraintes. De plus, l'intégration detechniques d'explication avec le paradigme de regroupement contraint resteune question ouverte. Dans ce travail, nous développons d'abord unereprésentation basée sur des contraintes pour les séries temporelles quiexploite les propriétés de mesure élastique, en particulier la Dynamic TimeWarping (DTW), en utilisant des shapelets et la transformation des shapelets.Notre approche vise à apprendre un espace métrique où les propriétés descontraintes peuvent être calculées, et la distance entre les objets approxime lamesure de similarité DTW (Dynamic Time Warping). Deuxièmement, nousdéveloppons différentes approches pour fournir des explications pour lesrésultats du regroupement de séries temporelles en utilisant desreprésentations de shapelets. Ainsi, la nouvelle représentation améliore lesperformances du regroupement tout en facilitant l'explication des résultats.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAD026
Type de ressource : Thèse