Literatura académica sobre el tema "Série temporelle en flux"

Les échanges en surface dans le Modèle de Chimie Transport (MCT) multi-échelles MOCAGE de Météo-France comprennent à la fois les flux d'émissions et de dépôt sec d'espèces gazeuses. Une interface 2D a été développée entre MOCAGE et le modèle de prévisions météorologiques opérationnel français ARPEGE dans le but de calculer des flux à la surface réalistes Pour les émissions, un inventaire global est employé pour le moment; cet inventaire a été construit essentiellement à partir des inventaires des programmes IGAC/GEIA (International Global Atmospheric Chemistry / Global Emission Inventory Activity) et EDGAR (Emission Database for Global Atmospheric Research qui ont des résolutions temporelles annuelles, sai-sonnières ou mensuelles et une résolution spatiale de un degré. Le dépôt sec d'espèces gazeuses, y compris l'ozone, le dioxyde de soufre, les composés azotés, les composés organiques à longue et à courte durée de vie, a été paramétrisé selon [Wesely, 1989]. Le modèle calcule la vitesse de dépôt à partir de valeurs de trois résistances en série, les résistances aérodynamique, laminaire et de la surface. Ces résistances sont calculées en utilisant les champs de surface d'ARPEGE. Les champs liés à la végétation, tels l'indice foliaire, sont prescrits avec une résolution de un degré sur le globe et de cinq minutes sur l'Europe. Un certain nombre de modifications a été apporté à la paramétrisation de [Wesely, 1989], par exemple pour la formulation de la résistance stomatale et celle de la résistance de surface sur les surfaces mouillées. Les valeurs calculées de vitesse de dépôt ont été comparées à des observations et leurs distributions spatiales et temporelles ont été analysées sur deux saisons opposées (hiver et été, sur les différents domaines de MOCAGE, de résolution allant de 2 degrés pour le globe à 0.25 degrés pour la France.

En Côte d’Ivoire, les produits pétroliers convoyés et distribués aux populations dans la région du Haut-Sassandra sont issus des entités portuaires d’Abidjan. Depuis ces dernières décennies, les Technologies de l’Information et de la Communication (TIC) régulent les flux pétroliers acheminés aux usagers. Néanmoins, les actes traditionnels dans la satisfaction des utilisateurs des produits carburants peinent à connaitre une réelle amélioration. Cette étude se propose de montrer l’impact des TIC dans le processus d’acheminement de ces frets pétroliers d’Abidjan vers le Haut-Sassandra. Suite à la recherche documentaire, l’enquête de terrain est axée sur une série d’entretien avec des marketeurs, des pompistes, des transporteurs de camions citernes et des automobilistes. Ainsi, dans le processus de diffusion des produits carburants dans le Haut-Sassandra, les TIC permettent la disparition des barrières physiques et spatio-temporelles. Excepté le contact permanent entre les acteurs du réseau de distribution, la téléphonie mobile et le GPS sont indéniables pour anticiper d’éventuelles pénuries à la station-service. Cette présence régulière de produits carburants dans la région du Haut-Sassandra accroit ainsi les profits pécuniaires de ces promoteurs. Mais, malgré l’avènement des TIC dans le paysage ivoirien, les structures étatiques peinent à suivre et contrôler en temps réel les trafics pétroliers des entités vers les régions nationales. In Côte d'Ivoire, the petroleum products transported and distributed to the populations in the Haut-Sassandra region come from the port entities of Abidjan. For the past few decades, Information and Communication Technologies (ICT) have been regulating the flow of oil products to users. Nevertheless, the traditional acts in the satisfaction of users of fuel products are struggling to make a real improvement. This study proposes to show the impact of ICT in the process of routing these oil freights from Abidjan to the Haut-Sassandra. Following the documentary research, the field survey is centered on a series of interviews with marketers, pumpers, tanker transporters and motorists. Thus, in the process of disseminating fuel products in the Haut-Sassandra, ICTs allow physical and spatio-temporal barriers to disappear. Apart from the permanent contact between the actors of the distribution network, mobile telephony and GPS are undeniable for anticipating possible shortages at the service station. This regular presence of fuel products in the Haut-Sassandra region thus increases the financial profits of these promoters. However, despite the advent of ICTs in the Ivorian landscape, state structures are struggling to monitor and control in real time oil traffic from the entities to the national regions.

Résumé Cet article examine la question des choix de traduction à effectuer dans le passage du français à l'anglais lorsque l'on se trouve en présence de récits ayant recours à l'alternance temporelle entre temps du passé et présent dit « de narration ». Quelques exemples empruntés à la presse et à la fiction en français, puis en anglais, montreront que le phénomène de l'alternance temporelle se rencontre dans les deux langues, mais qu'il n'obéit pas aux mêmes contraintes. Une analyse du mode de construction du récit au présent fondée sur le concept de repérage emprunté à la théorie d'Antoine Culioli permet de dégager un certain nombre de critères destinés à guider les choix de traduction.L'étude d'une dernière série d'extraits dont la langue de départ est le français vise àappliquer les hypothèses théoriques avancées à la pédagogie de la traduction, en vue de proposer quelques conseils susceptibles d'être donnés à des étudiants.

RÉSUMÉ Les méthodes basées sur les probabilités de survie sont fréquemment utilisées pour estimer l'ampleur de la migration nette selon l'âge, pour une période donnée, et les biais introduits par ces diverses méthodes ont été discutés par plusieurs auteurs. Cette note de recherche montre que les résultats obtenus à cet égard par Wunsch et Termote (et repris par Courgeau) sous l'hypothèse d'une répartition temporelle uniforme des flux de migration valent en réalité pour une autre hypothèse.

Les caractéristiques pluviométriques et leurs influences sur la production des herbages ont été étudiées à partir de 15 années d'observation (1974-1988) autour du forage de Wiidu Thiengoli situé dans le Nord Sénégal. Les résultats font apparaître une très forte variabilité temporelle des précipitations et de la production. Un modèle simple de simulation de cette production en fonction de la pluviosité a été élaboré. Les charges fréquentielles établies à partir de cette formulation et de la série chronologique des pluies obtenues à Wiidu Thiengoli, comparées aux charges actuelles, font apparaître un déficit en disponible fourrager d'autant plus important que la période est sèche. Ce type de situation représente une menace pour les groupes pastoraux exploitant ce forage car la végétation naturelle constitue la quasi-totalité de l'alimentation des troupeaux dans ces systèmes de production.

La scolarité en lycée est marquée par des choix successifs, d’options et de filières, de la classe de troisième à la classe terminale. Cet article analyse sur une base empirique la détermination progressive de ces choix, c’est-à-dire leur genèse temporelle et les facteurs scolaires et sociaux qui y paraissent associés. De fait, ces choix scolaires semblent moins obéir à une logique pédagogique qu’à un souci d’optimiser sa carrière scolaire. Dans un espace de filières hiérarchisées, où la quête de la distinction et l’utilitarisme dominent, la validité de la notion de projet apparaît problématique.

La photographie stéréoscopique animée ne saurait se réduire à une forme archaïque et inaboutie de « pré-cinéma » : tel est le postulat de cet article, qui étudie les expériences fondatrices et les premiers dispositifs de photographie stéréoscopique animée dans leur contexte historique, celui de la photographie des années 1850-1860. Expliquant tout d’abord comment s’est opéré le passage originel de la photographie stéréoscopique à la photographie animée, et comment l’apport d’une nouvelle dimension spatiale a pu engendrer l’apparition d’une dimension temporelle — et par là même d’une forme de mouvement, si minimale fût-elle —, l’auteure tente de mettre en lumière, à travers une série d’exemples, l’intérêt que présente l’étude de cette forme photographique marginale, qui se caractérise par des prises de vue image par image en nombre restreint destinées à composer artificiellement un mouvement séquentiel et à être animées selon des techniques spécifiques.

Le projet de recherche ADAM a été une coopération scientifique entre la France et la Roumanie dédiée à l'Assimilation de Données spatiales par Agro-Modélisation, dont le promoteur et commanditaire a été le Centre National d'Études Spatiales. Le papier présente les principales approches utilisées et les résultats novateurs obtenus dans ADAM: constitution de la première base de données de télédétection de référence, production d'une série temporelle d'images Spot XS de haute qualité, méthode de suivi de l'humidité surfacique du sol au long du cycle cultural à partir d'imagesradar, définition de la fréquence optimale de revisite pour l'agriculture à l'échelle de la parcelle, développement d'une stratégie performante d'assimilation variationnelle de données spatiales dans les modèles de fonctionnement du couvert végétal, calcul du modèle adjoint d'un modèle complexe de fonctionnement par différentiation automatique, améliorationde la modélisation du transfert radiatif par la prise en compte de l'agrégation des feuilles dans le couvert (modèle CLAMP).

Un homme de 72 ans s’est présenté avec des symptômes de perte de champ visuel inférieur unilatéral, mais on a découvert qu’il souffrait d’une neuropathie optique bilatérale. Les caractéristiques cliniques, la survenue progressive accompagnée de très légers symptômes et la relation temporelle avec la prise d’amiodarone nous ont amenés à poser le diagnostic de neuropathie associée à l’amiodarone. Les analyses complémentaires en série ont donné un aperçu de l’évolution naturelle de cette entité. Ce patient a développé la couche de fibres nerveuses rétiniennes la plus importante dans le quadrant inférieur. Ceci peut être corrélé avec des axones de diamètre anatomiquement plus important, soutenant une publication antérieure qui suggérait que les axones des nerfs optiques de plus grand diamètre sont plus sensibles à la lipidose induite par l’amiodarone. Bien que rare, la neuropathie optique associée à l’amiodarone peut se développer et causer une perte permanente de la fonction visuelle.

Depuis l'avènement de l'IoT (Internet of Things), nous assistons à une augmentation sans précédent du volume des données générées par des capteurs. Pour l'imputation des données manquantes d'un capteur f, nous proposons le modèle ISTM (Incremental Space-Time Model), qui utilise la régression linéaire multiple incrémentale adaptée aux données en flux non-stationnaires. ISTM met à jour son modèle en sélectionnant : 1) les données des capteurs voisins géographiquement du capteur f, et 2) les données les plus récentes retournées par f. Pour mesurer la confiance, nous proposons un modèle générique de prédiction DTOM (Data Trustworthiness Online Model) qui s'appuie sur des méthodes ensemblistes de régression en ligne comme AddExp et BNNRW . DTOM permet de prédire des valeurs de confiance en temps réel et comporte trois phases : 1) une phase d'initialisation du modèle, 2) une phase d'estimation du score de confiance, et 3) une phase de mise à jour heuristique du régresseur. Enfin, nous nous intéressons à la prédiction dans une STS avec des sorties multiples en présence de déséquilibre, c'est à dire lorsqu'il y a plus d'instances dans un intervalle de valeurs que dans un autre. Nous proposons MORSTS, une méthode de régression ensembliste en ligne, avec les caractéristiques suivantes : 1) les sous-modèles sont à sorties multiples, 2) l'utilisation de la stratégie sensible aux coûts c'est à dire que l'instance incorrectement prédite a un poids plus élevé, et 3) le contrôle du sur-apprentissage des sous-modèles naissants par la méthode de validation croisée k-fold. Des expérimentations avec des données réelles ont été effectuées et comparées avec des techniques connues
Since the advent of the IoT (Internet of Things), we have witnessed an unprecedented growth in the amount of data generated by sensors. To exploit this data, we first need to model it, and then we need to develop analytical algorithms to process it. For the imputation of missing data from a sensor f, we propose ISTM (Incremental Space-Time Model), an incremental multiple linear regression model adapted to non-stationary data streams. ISTM updates its model by selecting: 1) data from sensors located in the neighborhood of f, and 2) the near-past most recent data gathered from f. To evaluate data trustworthiness, we propose DTOM (Data Trustworthiness Online Model), a prediction model that relies on online regression ensemble methods such as AddExp (Additive Expert) and BNNRW (Bagging NNRW) for assigning a trust score in real time. DTOM consists: 1) an initialization phase, 2) an estimation phase, and 3) a heuristic update phase. Finally, we are interested predicting multiple outputs STS in presence of imbalanced data, i.e. when there are more instances in one value interval than in another. We propose MORSTS, an online regression ensemble method, with specific features: 1) the sub-models are multiple output, 2) adoption of a cost sensitive strategy i.e. the incorrectly predicted instance has a higher weight, and 3) management of over-fitting by means of k-fold cross-validation. Experimentation with with real data has been conducted and the results were compared with reknown techniques

Les grands bassins versants d'échelle continentale, comme le Mississippi, intègrent la réponse hydrologique aux changements climatiques et environnementaux (fluctuations du climat, précipitations, débits, flux sédimentaires) à de larges échelles spatiales et temporelles, mais également les modifications du milieu physique d'origine anthropique (changements d’occupation des sols, aménagements. . . ), ce qui rend parfois difficile l'identification des liens entre la variabilité hydrologique et la variabilité climatique. Les principaux objectifs de ce travail sont de déterminer et de quantifier les relations entre la variabilité hydrologique et les fluctuations du climat (précipitations régionalisées, indices climatiques) à l'échelle du bassin versant du Mississippi et de ses principaux sous-bassins ; via l'utilisation de méthodes d'analyses spectrales adaptées à l'étude des processus instationnaires (analyse en ondelettes continues, analyse de la cohérence par ondelettes). La variabilité hydrologique du Mississippi et de ses principaux affluents est structurée par plusieurs modes de variabilité, s'exprimant de l'échelle annuelle aux échelles inter-annuelle (2-4 ans, 3-6 ans, 5-8 ans), décennale (8-16 ans, 12-16 ans) et à plus long terme (22 ans, 22-26 ans). Ces modes de variabilité sont fortement similaires à ceux observés dans les précipitations (avec une cohérence moyenne de 77% à 89% selon les sous-bassins), et opèrent aux mêmes échelles de temps que la variabilité des principales fluctuations du climat affectant la région (ENSO, PDO, AMO, NAO, NAM et PNA), préalablement identifiés et synthétisés par une méthodologie similaire. La variabilité des débits du bassin versant du Mississippi se trouve influencée par un ensemble de téléconnections (cohérence de 63% à 66% en moyenne avec l'ensemble des indices climatiques), opérant toutefois à différentes échelles spatiales et temporelles, et qui évoluent au cours du temps (relations à divers degrés suivant les différentes échelles de temps, le mode de variabilité du climat mis en jeu et le sous-bassin versant considéré). De plus, la variabilité hydrologique du Mississippi et de ses principaux affluents s'inscrit plus largement dans le cadre d'une rupture majeure du système climatique et des systèmes hydrologiques à l'échelle globale observée vers 1970, qui se traduit notamment par une augmentation et une plus forte variabilité des débits, ainsi que des changements de la composition spectrale des paramètres hydrologiques et climatiques. En ce sens, la construction d'un indice "hydro-climatique unifié" à été proposée en reprenant l'ensemble des caractéristiques globales du système climatique et celles plus spécifiques à l'échelle régionale (échelle des sous bassins versants). Enfin, même si la majorité des paramètres hydrologiques se trouve apparemment très fortement liée par les paramètres climatiques, d'autres facteurs, comme les modifications du milieu physique (occupation des sols, aménagements. . . ), peuvent avoir une influence non-négligeable sur l’évolution de certains paramètres hydrologiques (hauts et bas débits), mais qui serait beaucoup plus localisée dans le temps et l'espace (i. E. , elle ne serait pas associée à l'existence d'oscillations dans l'hydrologie). A l'exception des flux hydrosédimentaires, marqués par de profonds changements qui ont pu être reliés aux aménagements du bassin versant et quantifiés par une méthodologie de modélisation spectrale (diminution des flux de sédiments en suspension exportés à l'exutoire d’environ 2,25. 108 t. An-1 sur la période 1950-1975), ces influences apparaissent spatialement localisées, et restent difficiles à caractériser. Outre leurs faibles contributions, ceci provient également du fait que ces modifications du milieu physique agissent simultanément avec d'autres facteurs pouvant modifier la réponse hydrologique, comme les changements observés dans le climat, qui reste le facteur principal des changements observés
Great River watersheds, as the Mississippi River in North America, integrate climate and environmental changes (climate fluctuations, precipitations, streamflow, sediment loads) at near-continent scale, as well as anthropogenic changes in physical environment (land uses, river management. . . ) in their hydrologic response, which makes sometimes difficult the identification of linkages between hydrological and climate variability. The main objectives of this work is to determine and quantify the relationships between hydrological variability and climate fluctuations (regionalized precipitations, climate indices) of the Mississippi River and its main tributaries, using spectral approaches adapted to (the study of non-stationary processes (continuous wavelet transform, wavelet coherence). Hydrological variability of the Mississippi River and its main tributaries is structured by several scales of variability, from annual to inter-annual (2-4y, 3-6y, 5-8y), decadal (8-16y, 12-16y) and multi-decadal scales (22y, 22-26y). These modes of streamflow variability are very similar to those observed in regionalized precipitations (mean coherency is estimated from 77% to 89% according to the sub-watershed), and operates at same time-scales variability of the main climate fluctuations affecting this region (ENSO, PDO, AMO, NAO, NAM et PNA), preliminary identified and synthesized using an similar methodology. Streamflow variability of the Mississippi River watershed appears influenced by several teleconnections (mean coherency of 63% to 66% with all climate indices), which operate at different spatial and temporal scales and change across time. Furthermore and not surprisingly, the hydrological variability of the Mississippi River and its main tributaries appears to be closely linked to a major shift in the climate system – as well as many other hydrosystems around the world – observed at global scale around 1970. This change would result in an increase in both streamflow mean and variance, as highlighted by changes in the spectral content of climate and hydrological parameters. In this way, a so-called "hydro-climatic" index was proposed in order to resume all those characteristics of the climate system that would imprint the typical scales of variability detected in the hydrological processes analyzed according to each sub-watershed. Finally, even if the majority of hydrological parameters appears strongly affected by climate parameters, others factors such as changes in physical environment (land use, river management. . . ) could also significantly influence hydrological parameters (e. G. Low and high streamflow). We could detect such human-induced changes in the variability of suspended sediment loads and show that it involved a decrease in suspended sediment loads up to 2,25. 108 metric t. Y-1 between 1950 and 1975 using a spectral modelling approach. However, the influence of these physical environmental changes in hydrology would be associated to trends or to very localized changes in space and time, rather than associated to the existence of oscillations in hydrological parameters as we could detect them. We then conclude that, despite the potential strong influence of environmental changes, climate fluctuations remain the main factor involved in the observed hydrological changes

Les premiers systèmes de détection d'intrusions étaient utilisés pour déceler les violations de la politique de sécurité. Aujourd'hui, il en est toujours de même. Néanmoins, les usages complémentaires et alternatifs sont de plus en plus courants. Par exemple, certaines sondes réseau permettent la supervision des protocoles de gestion et le contrôle du trafic, c'est-à-dire du fonctionnement normal du système. Un défaut habituel des outils de détection d'intrusions est leur tendance à générer un grand nombre d'alertes. C'est particulièrement le cas dans le cadre de ces usages complémentaires et alternatifs : cette thèse porte sur l'analyse et le traitement de ce type d'alertes. Des flux d'alertes provenant de systèmes d'information réels sont analysés pour démontrer qu'une partie significative des alertes peut être liée à l'utilisation normale du système d'information ; les flux d'alertes reflètent ainsi des comportements fortement réguliers. Sur la base de ces observations, nous proposons trois méthodes de traitement, qui s'appuient sur des techniques d'analyse de séries temporelles. Il s'agit, d'une part, des moyennes glissantes pondérées exponentiellement et, d'autre part, de deux modèles autorégressifs, l'un stationnaire l'autre non-stationnaire. Avec ces techniques, nous modélisons d'abord le comportement normal d'un flux d'alertes, puis nous éliminons par filtrage les alertes liées à l'utilisation normale du système surveillé. Notre objectif est de réduire la charge de travail de l'opérateur de sécurité et de lui fournir des informations visibles grâce à l'analyse des flux, ce que ne permet pas l'analyse des alertes individuellement. Les résultats expérimentaux exposés dans cette thèse montrent que cet objectif est atteint
The first intrusion detection systems were used to detect the breaches of the security policy. This remains their main use today, but complementary and alternative usages are more and more common. For example, some network-based sensors can be used to monitor network management and control traffic, i. E. , normal system functioning. Typically, intrusion detection systems generate large numbers of alerts. This is especially the case with these complementary usages: this thesis focuses on analyzing and processing this type of alerts. Real world alert flows are analyzed to demonstrate that a significant proportion of the alerts can be caused by normal system use. For this reason, some alert flows contain strong regular behaviors. This being established, we propose three different alert flow processing methods. The methods build on techniques from time series analysis, namely exponentially weighted moving averages, and both stationary and non-stationary autoregressive modeling. With these techniques, we first model the normal behavior of alert flows, and then filter out alerts related to the normal use of the monitored system. Our goal is to reduce the workload of the security operator, and to provide him information that is not available by analyzing alerts individually. Experimental results show that this goal is reached

L'intérêt envers la neuroscience informatique pour les applications d'intelligence arti- cielle est motivé par plusieurs raisons. Parmi elles se retrouve la rapidité avec laquelle le domaine evolue, promettant de nouvelles capacités pour l'ingénieur. Dans cette thèse, une méthode exploitant les récents avancements en neuroscience informatique est présentée: la machine à état liquide (\liquid state machine"). Une machine à état liquide est un modèle de calcul de données inspiré de la biologie qui permet l'apprentissage sur des ux de données. Le modèle représente un outil prometteur de reconnaissance de formes temporelles. Déjà, il a démontré de bons résultats dans plusieurs applications. En particulier, la reconnaissance de formes temporelles est un problème d'intérêt dans les applications militaires de surveillance telle que la reconnaissance automatique de cibles. Jusqu'à maintenant, la plupart des machines à état liquide crées pour des problèmes de reconnaissance de formes sont demeurées semblables au modèle original. D'un point de vue ingénierie, une question se dégage: comment les machines à état liquide peuvent-elles être adaptées pour améliorer leur aptitude à solutionner des problèmes de reconnaissance de formes temporelles ? Des solutions sont proposées. La première solution suggèrée se concentre sur l'échantillonnage de l'état du liquide. À ce sujet, une méthode qui exploite les composantes fréquentielles du potentiel sur les neurones est définie. La combinaison de différents types de vecteurs d'état du liquide est aussi discutée. Deuxièmement, une méthode pour entrâner le liquide est développée. La méthode utilise la plasticité synaptique à modulation temporelle relative pour modeler le liquide. Une nouvelle approche conditionnée par classe de données est proposée, où différents réseaux de neurones sont entraînés exclusivement sur des classes particuli ères de données. Concernant cette nouvelle approche ainsi que celle concernant l'échantillonnage du liquide, des tests comparatifs ont été effectués avec l'aide de jeux de données simulées et réelles. Les tests permettent de constater que les méthodes présentées surpassent les méthodes conventionnelles de machine à état liquide en termes de taux de reconnaissance. Les résultats sont encore plus encourageants par le fait qu'ils ont été obtenus sans l'optimisation de plusieurs paramètres internes pour les differents jeux de données testés. Finalement, des métriques de l'état du liquide ont été investiguées pour la prédiction de la performance d'une machine à état liquide.
There are a number of reasons that motivate the interest in computational neuroscience for engineering applications of artificial intelligence. Among them is the speed at which the domain is growing and evolving, promising further capabilities for artificial intelligent systems. In this thesis, a method that exploits the recent advances in computational neuroscience is presented: the liquid state machine. A liquid state machine is a biologically inspired computational model that aims at learning on input stimuli. The model constitutes a promising temporal pattern recognition tool and has shown to perform very well in many applications. In particular, temporal pattern recognition is a problem of interest in military surveillance applications such as automatic target recognition. Until now, most of the liquid state machine implementations for spatiotemporal pattern recognition have remained fairly similar to the original model. From an engineering perspective, a challenge is to adapt liquid state machines to increase their ability for solving practical temporal pattern recognition problems. Solutions are proposed. The first one concentrates on the sampling of the liquid state. In this subject, a method that exploits frequency features of neurons is defined. The combination of different liquid state vectors is also discussed. Secondly, a method for training the liquid is developed. The method implements synaptic spike-timing dependent plasticity to shape the liquid. A new class-conditional approach is proposed, where different networks of neurons are trained exclusively on particular classes of input data. For the suggested liquid sampling methods and the liquid training method, comparative tests were conducted with both simulated and real data sets from different application areas. The tests reveal that the methods outperform the conventional liquid state machine approach. The methods are even more promising in that the results are obtained without optimization of many internal parameters for the different data sets. Finally, measures of the liquid state are investigated for predicting the performance of the liquid state machine.

Chaque année, lors de la période hivernale, les hôpitaux sont profondément impactés par l'arrivée des virus hivernaux. Ces virus hivernaux, la grippe et le VRS sont difficiles à anticiper. En effet, ces phénomènes épidémiques ne sont pas parfaitement périodiques et ont un impact principalement sur le temps de séjour des patients plutôt que sur le nombre d'arrivée. Il n'est donc pas possible d'anticiper ces épidémies en analysant directement le nombre de patients arrivant au service des urgences par jour. A posteriori, pour avoir une image de l'épidémie, des tests PCR sont réalisés sur les patients de l'hôpital. De plus, un patient arrivant aux urgences est immédiatement classé selon ses symptômes. On propose alors de réunir les tests PCR positifs et le nombre d'arrivée par symptôme via du clustering de série temporelle. Cela met en lumière les symptômes liés aux virus. Ainsi, pour analyser l'arrivée probable d'une épidémie, on peut utiliser le nombre d'arrivée pour les symptômes marqueurs des virus plutôt que le nombre d'arrivée totale au service des urgences. Pour réaliser ce clustering, nous proposons une méthode innovante reposant sur une représentation géométrique des séries temporelles. En particulier, on met en lumière l'efficacité d'utiliser la géométrie de Riemman appliquée à la variété de la Grassmann (via une représentation sur la variété de la Stiefel) pour analyser les séries temporelles
Every year, during the winter period, hospitals are deeply impacted by the arrival of winter viruses. These winter viruses, influenza and RSV, are difficult to anticipate. Indeed, these epidemic phenomena are not perfectly periodic and have an impact mainly on the length of stay of patients rather than on the number of arrivals. It is therefore not possible to anticipate these epidemics by directly analyzing the number of patients arriving in the emergency department per day. A posteriori, in order to have an image of the epidemic, PCR tests are carried out on the hospital's patients. In addition, a patient arriving at the emergency department is immediately classified according to his symptoms. We then propose to gather the positive PCR tests and the number of arrivals per symptom via time series clustering. This highlights the symptoms related to viruses. Thus, to anticipate an arrival of an epidemic in a near future, we can use the number of arrivals for the virus marker symptoms rather than the total number of arrivals at the emergency department. To achieve this clustering, we propose an innovative method based on a geometric representation of time series. In particular, we highlight the efficiency of using the Riemmannian geometry applied to the Grassmann manifold (via a representation on the Stiefel manifold) to analyze time series

Les séries temporelles sont un type de données endémique dans de nombreux domaines d'applications, telles que l'analyse financière, le diagnostic médical, la surveillance de l'environnement ou encore l'astronomie. Du fait de leur structure complexe, les séries temporelles amènent à de nouveaux défis dans le traitement et l'extraction de connaissances de ces données. La représentation des séries temporelles joue un rôle déterminant dans les méthodes d'apprentissage et les tâches de fouille de données. Cependant, peu de méthodes tiennent compte des interdépendances entre séries temporelles différentes. De plus, la fouille de séries temporelles nécessite de considérer non seulement les caractéristiques des séries temporelles en termes de complexité des données, mais également les contextes particuliers des applications et la tâche de fouille de données à effectuer. Cela nous permet de construire des représentations spécifiques à la tâche.Dans cette thèse, nous étudions différentes représentations de séries temporelles capables de s'adapter à diverses tâches de fouille de séries temporelles, tout en capturant les relations entre elles. Nous nous concentrons spécifiquement sur la modélisation des interdépendances entre séries temporelles lors de la construction des représentations, qui peuvent être la dépendance temporelle au sein de chaque source de données ou la dépendance inter-variable entre des sources de données différentes. En conséquence, nous étudions les séries temporelles collectées dans diverses applications sous différentes formes. Tout d'abord, pour tenir compte de la dépendance temporelle entre les observations, nous apprenons la représentation de série temporelle dans un contexte de flux dynamique, où la série temporelle est générée en continu à partir de la source de données. Quant à la dépendance inter-variable, nous étudions les séries temporelles multivariées (MTS) avec des données collectées à partir de plusieurs sources. Enfin, nous étudions le MTS dans le contexte de la ville intelligente, où chaque source de données est associée à une localisation spatiale. Par conséquent, le MTS devient une série temporelle géo-localisée (GTS), pour laquelle la modélisation de la dépendance inter-variable requière la prise en compte de l'information spatiale sous-jacente. De ce fait, pour chaque type de séries temporelles collectées dans des contextes différents, nous proposons une méthode de représentation adaptée aux dépendances temporelles et/ou inter-variables.Outre la complexité des données provenant des interdépendances des séries temporelles, nous étudions diverses tâches d'apprentissage automatique sur des séries temporelles afin de valider les représentations apprises. Les tâches d'apprentissage étudiées dans cette thèse consistent en la classification de séries temporelles, l'apprentissage semi-supervisé de séries temporelles et la prévision de séries temporelles. Nous montrons comment les représentations apprises sont exploitées dans ces différentes tâches et pour des applications distinctes.Plus précisément, nos principales contributions sont les suivantes. En premier lieu, nous proposons un modèle d'apprentissage dynamique de la représentation des séries temporelles dans le contexte du flux de données, où nous considérons à la fois les caractéristiques des séries temporelles et les défis des flux de données. Nous affirmons et démontrons que le motif de Shapelet, basé sur la forme, est la meilleure représentation dans le contexte dynamique. Par ailleurs, nous proposons un modèle semi-supervisé pour l'apprentissage de représentation dans les MTS. Ce modèle considère la dépendance inter-variable dans l'hypothèse réaliste où les annotations de données sont limitées. Enfin, nous proposons un modèle d'apprentissage de représentation de GTS dans le contexte de la ville intelligente. Nous étudions spécifiquement la tâche de prévision du trafic routier avec un focus sur le traitement intégré des valeurs manquantes
Time series is a common data type that has been applied to enormous real-life applications, such as financial analysis, medical diagnosis, environmental monitoring, astronomical discovery, etc. Due to its complex structure, time series raises several challenges in their data processing and mining. The representation of time series plays a key role in data mining tasks and machine learning algorithms for time series. Yet, a few methods consider the interrelation that may exist between different time series when building the representation. Moreover, the time series mining requires considering not only the time series' characteristics in terms of data complexity but also the concrete application scenarios where the data mining task is performed to build task-specific representations.In this thesis, we will study different time series representation approaches that can be used in various time series mining tasks, while capturing the relationships among them. We focus specifically on modeling the interrelations between different time series when building the representations, which can be the temporal relationship within each data source or the inter-variable relationship between various data sources. Accordingly, we study the time series collected from various application contexts under different forms. First, considering the temporal relationship between the observations, we learn the time series in a dynamic streaming context, i.e., time series stream, for which the time series data is continuously generated from the data source. Second, for the inter-variable relationship, we study the multivariate time series (MTS) with data collected from multiple data sources. Finally, we study the MTS in the Smart City context, when each data source is given a spatial position. The MTS then becomes a geo-located time series (GTS), for which the inter-variable relationship requires more modeling efforts with the external spatial information. Therefore, for each type of time series data collected from distinct contexts, the interrelations between the time series observations are emphasized differently, on the temporal or (and) variable axis.Apart from the data complexity from the interrelations, we study various machine learning tasks on time series in order to validate the learned representations. The high-level learning tasks studied in this thesis consist of time series classification, semi-supervised time series learning, and time series forecasting. We show how the learned representations connect with different time series learning tasks under distinct application contexts. More importantly, we conduct the interdisciplinary study on time series by leveraging real-life challenges in machine learning tasks, which allows for improving the learning model's performance and applying more complex time series scenarios.Concretely, for these time series learning tasks, our main research contributions are the following: (i) we propose a dynamic time series representation learning model in the streaming context, which considers both the characteristics of time series and the challenges in data streams. We claim and demonstrate that the Shapelet, a shape-based time series feature, is the best representation in such a dynamic context; (ii) we propose a semi-supervised model for representation learning in multivariate time series (MTS). The inter-variable relationship over multiple data sources is modeled in a real-life context, where the data annotations are limited; (iii) we design a geo-located time series (GTS) representation learning model for Smart City applications. We study specifically the traffic forecasting task, with a focus on the missing-value treatment within the forecasting algorithm

La Directive Cadre sur l'Eau exige le retour au bon état des cours d'eau en Europe. Ces cours d'eau reçoivent en effet différentes pollutions liées aux différentes activités économiques des populations installées le long de leurs rives. On s'intéresse souvent de façon isolée à des types particuliers de pollution: pollution agricole dues aux pesticides, engrais et résidus d'élevage en milieu rural, pollution spécifique d'une industrie (sidérurgie, papeterie, etc.), pollution domestique plus ou moins bien traitée, etc. Or dans de nombreux cas, on a affaire à un mélange de polluants. Dans le cas de la Moselle, la pollution générée par les activités humaines dans la partie française du bassin versant de la Moselle impacte la qualité des eaux de surface en aval, et donc celle du Rhin. Notre but est de contribuer à caractériser l’état de certains affluents de la Moselle (Madon, Meurthe, Vologne et Fensch) en fonction de leurs pressions anthropiques et de proposer une stratégie pour calculer les flux des polluants le long de ces cours d’eau. Dans ce contexte des compagnes de prélèvement avec un pas spatial fin. Outre les paramètres habituels de caractérisation de l’état des masses d’eau (conductivité, pH, carbone organique dissous, azote ammoniacal, nitrates, etc.) une attention particulière a été portée aux propriétés optiques (absorbance UV-visible, fluorescence synchrone) de la matière organique dissoute afin de mieux comprendre son origine. Les spectres de fluorescence synchrone ont été étudiés par déconvolution ou par analyse en composantes principales. En outre une méthode a été développée, basée sur la spectroscopie de fluorescence synchrone, pour détecter la présence des azurants optiques. Enfin une méthodologie a été mise au point appliquée au Madon pour calculer les flux journaliers moyens de pollution à chaque station d'échantillonnage pour chaque période d'échantillonnage à partir de données géographiques. Cette méthode permet ensuite d’évaluer les flux de pollution
The Water Framework Directive demands a return to good condition for rivers in Europe. These rivers receive different types of pollution related to various economic activities of populations installed along their banks. We are often interested in an isolated manner to particular types of pollution: pollution due to agricultural pesticides, fertilizers and livestock waste in rural areas, pollution due to a specific industry (steel, paper mill, etc.), more or less well treated domestic pollution, etc. But in many cases, we are dealing with a mixture of pollutants. In the case of the Moselle, the pollution generated by human activities in the French part of the Moselle watershed impacts surface water quality downstream and therefore the Rhine. Our goal is to characterize the state of some tributaries of the Moselle (Madon, Meurthe, Vologne and Fensch) versus anthropogenic pressures and propose a strategy to calculate the flow of pollutants along these rivers. In this context, sampling campaigns with a dense spatial stations have been organized. In addition to the usual parameters characterizing water quality (conductivity, pH, dissolved organic carbon, ammonia nitrogen, nitrate, etc.) a particular attention has been given to optical properties (UV-visible absorbance, synchronous fluorescence) of dissolved organic matter in order to understand its origin. Synchronous fluorescence spectra were studied by deconvolution or by principal components analysis. A method has been developed, based on the synchronous fluorescence spectroscopy, to detect the presence of optical brighteners. Finally, a methodology has been developed in Madon watershed in order to calculate the mean daily pollution flux at each sampling station for each sampling period from geographic data

Dans cette thèse, nous proposons des méthodes de calcul approchées d'un score d'anomalie, pouvant être mises en oeuvre sur des flux de données pour détecter des portions anormales. La difficulté du problème est de deux ordres. D'une part, la haute dimensionnalité des objets manipulés pour décrire les séries temporelles extraites d'un flux brut, et d'autre part la nécessité de limiter le coût de détection afin de pouvoir la réaliser en continu au fil du flux. Concernant le premier aspect du problème, notre étude bibliographique a permis de sélectionner un score de détection d'anomalies proposé récemment, le score CFOF, qui est le seul pour lequel il existe des garanties formelles quant à son adéquation pour les données en haute dimensionnalité. Nos contributions ont alors porté sur la proposition de deux méthodes d'approximation du score CFOF pour permettre son usage en continu sur des flux. La première est une approche combinant élagage et approximation lors du parcours des voisinages dans l'espace de description des objets. Notre second apport est une approximation par agrégation de scores obtenus sur des sous-espaces, qui complète la première contribution et se combine avec elle. Nous avons montré sur une collection de jeux de données, utilisés comme cadre d'évaluation de référence dans le domaine, que nos méthodes permettaient des gains importants en temps de calcul, tout en fournissant des approximations qui préservent la qualité des détections. Enfin, nous présentons également l'application de ces approches au sein du système d'information de la SNCF dans lequel de nombreux flux sont collectés en temps réel, transformés et rediffusés. Dans ce contexte, nous avons étendu la supervision de bout-en-bout existante par la mise en oeuvre d'un outil d'aide à la détection d'anomalies sur le flux de messages entrant d'une des principales plateformes de traitement
In this thesis, we propose methods to approximate an anomaly score in order to detect abnormal parts in data streams. Two main problems are considered in this context. Firstly, the handling of the high dimensionality of the objects describing the time series extracted from the raw streams, and secondly, the low computation cost required to perform the analysis on-the-fly. To tackle the curse of dimensionality, we have selected the CFOF anomaly score, that has been proposed recently and proven to be robust to the increase of the dimensionality. Our main contribution is then the proposition of two methods to quickly approximate the CFOF score of new objects in a stream. The first one is based on safe pruning and approximation during the exploration of object neighbourhood. The second one is an approximation obtained by the aggregation of scores computed in several subspaces. Both contributions complete each other and can be combined. We show on a reference benchmark that our proposals result in important reduction of the execution times, while providing approximations that preserve the quality of anomaly detection. Then, we present our application of these approaches within the SNCF information system. In this context, we have extended the existing monitoring modules by a new tool to help to detect abnormal behaviours in the real stream of messages within the SNCF communication system