Gotowa bibliografia na temat „Classement des séries temporelles”
Utwórz poprawne odniesienie w stylach APA, MLA, Chicago, Harvard i wielu innych
Spis treści
Zobacz listy aktualnych artykułów, książek, rozpraw, streszczeń i innych źródeł naukowych na temat „Classement des séries temporelles”.
Przycisk „Dodaj do bibliografii” jest dostępny obok każdej pracy w bibliografii. Użyj go – a my automatycznie utworzymy odniesienie bibliograficzne do wybranej pracy w stylu cytowania, którego potrzebujesz: APA, MLA, Harvard, Chicago, Vancouver itp.
Możesz również pobrać pełny tekst publikacji naukowej w formacie „.pdf” i przeczytać adnotację do pracy online, jeśli odpowiednie parametry są dostępne w metadanych.
Artykuły w czasopismach na temat "Classement des séries temporelles"
1
García-Perez, Miguel A. "La décennie 1989-1999 dans la psychologie espagnole : analyse de la recherche en statistiques, méthodologie et théorie psychométrique". Bulletin de psychologie 56, nr 464 (2003): 167–78. http://dx.doi.org/10.3406/bupsy.2003.15211.
Pełny tekst źródłaStreszczenie:
Cet article analyse les recherches publiées dans la décennie 1989-1998 par des professeurs de faculté des secteurs des méthodes statistiques, de la méthodologie de la recherche et de la théorie psychométrique. Une recherche dans les bases de données et une correspondance directe avec les professeurs de faculté des départements de méthodologie de l’Espagne ont fourni une liste de 193 articles publiés dans ces larges secteurs par 82 professeurs de faculté. Ceux-ci et d’autres professeurs de faculté ont, en réalité, publié 931 articles dans la décennie analysée, mais 738 d’entre eux portaient sur des thèmes qui n’entraient pas dans le cadre de cette recension. Le classement et l’analyse de ces 193 articles ont fait ressortir les thèmes qui ont suscité le plus grand intérêt (psychophysique, théorie de la réponse à l’item, analyse de la variance, analyse séquentielle et méta-analyse), ainsi que d’autres thèmes qui ont reçu moins d’attention (échelonnement, analyse factorielle, séries temporelles et modèles structuraux). Un nombre important d’articles a traité également de diverses questions méthodologiques (logiciels, algorithmes, instrumentation et techniques). Une part substantielle de ce compte rendu est consacrée à la description des questions abordées dans ces 193 articles - dont la majorité est écrite en langue espagnole et publiée dans des revues espagnoles - et quelques références représentatives sont données.
2
Bonneuil, Noël. "Traitement des données manquantes dans les séries issues des registres paroissiaux". Population Vol. 53, nr 1 (1.01.1998): 249–70. http://dx.doi.org/10.3917/popu.p1998.53n1-2.0270.
Pełny tekst źródłaStreszczenie:
Résumé BONNEUIL (Noël). - Traitement des données manquantes dans les séries issues des registres paroissiaux L'enquête Biraben 1 500- 1 700 des registres paroissiaux est constituée de séries comportant des données manquantes. Pour compléter ces lacunes, il est préférable actuellement de recourir aux modèles ARIMA de l'économétrie des séries temporelles. On peut ainsi sélectionner quelles séries parmi les co-séries disponibles sont corrélées avec la série à compléter, identifier un modèle, le valider, et projeter pour combler peu à peu la période lacunaire. Des essais effectués sur des séries connues de l'enquête permettent déjuger des possibilités de cette méthode sur ce type de données temporelles. Des exemples sont donnés.
3
Nijman i Palm. "Séries temporelles incomplètes en modélisation macroéconomique". Cahiers du Séminaire d'Économétrie, nr 27 (1985): 141. http://dx.doi.org/10.2307/20075587.
Pełny tekst źródła
4
Lafrance, Bruno, Xavier Lenot, Caroline Ruffel, Patrick Cao i Thierry Rabaute. "Outils de prétraitements des images optiques Kalideos". Revue Française de Photogrammétrie et de Télédétection, nr 197 (21.04.2014): 10–16. http://dx.doi.org/10.52638/rfpt.2012.78.
Pełny tekst źródłaStreszczenie:
La communauté scientifique a besoin de disposer de séries temporelles d'observations récurrentes, couvrant des sites d'intérêt pour le suivi de l'évolution des surfaces terrestres (études agronomiques par assimilation de données, suivi de traits de côte, glissements de terrain, surveillance des volcans, cartographie littorale, etc.). L'analyse de ces séries temporelles demande à avoir des images superposables entre elles qui renseignent sur la réflectance des sites (grandeur physique indépendante du capteur).Dans l'objectif de rendre accessibles de telles données physiques et de garantir une homogénéité des traitements de séries temporelles d'images, le CNES a mis en place le programme Kalideos. Dans ce cadre, CS SI a développé et opère les chaines de traitement des images.Cet article présente les traitements appliqués aux images optiques des bases Kalideos (capteurs Spot et Formosat). Ces traitements permettent de convertir les produits de niveau 1A en ortho-images, donnant la réflectance mesurée au sommet de l'atmosphère et celle estimée au niveau de la surface après correction des effets atmosphériques.
5
Teixeira, A. "Les séries chronologiques ou séries temporelles : présentation et principes d’analyse". Revue des Maladies Respiratoires 22, nr 3 (czerwiec 2005): 493–95. http://dx.doi.org/10.1016/s0761-8425(05)85582-2.
Pełny tekst źródła
6
Inglada, Jordi. "Lettre : Utilisation conjointe de séries temporelles d'images optiques et radar pour le suivi des surfaces agricoles". Revue Française de Photogrammétrie et de Télédétection, nr 219-220 (19.01.2020): 71–72. http://dx.doi.org/10.52638/rfpt.2019.468.
Pełny tekst źródła
7
Jayet, Pierre-Alain. "Quelques notions sur l'analyse spectrale des séries temporelles". Histoire & Mesure 6, nr 1 (1991): 7–29. http://dx.doi.org/10.3406/hism.1991.1381.
Pełny tekst źródła
8
Renaut, Didier. "Les séries temporelles de produits satellitaires passées au crible". La Météorologie 8, nr 88 (2015): 4. http://dx.doi.org/10.4267/2042/56354.
Pełny tekst źródła
9
Perrenoud, Alfred, i Frédéric Sardet. "Les causes de décès aux XVIF et XVIIF siècles à Genève : nosologie et pathocénose". Gesnerus 48, nr 3-4 (25.11.1991): 269–86. http://dx.doi.org/10.1163/22977953-0480304004.
Pełny tekst źródłaStreszczenie:
Sur la base d'une série temporelle exhaustive des décès urbains genevois (1740— 1759), les auteurs ont procédé à une analyse typologique des causes dè décès consignés sur les registres par le Chirurgien visiteur des marts. Ce premier classement nosologique s’inscrit dans une analyse de longue durée de la mortality. 11 doit permettre I’étude de la pathocenose historiqUe et done potentiellement dormer des indices sur les causes du dédin de la mortality au XVIIIe siècle, Le travail a consisté â verifier si la source disponible, rnalgré la difficulty d'une analyse retrospective, pouvait ètre utile a cette problematique. Les causes de décès sont analysées par âge, sexe, saisonnalité. Les elements empiriques sont confroutes aux definitions théoriques du XVIIP siècle et sont repertories selon vingt rubriques anatomiques issues cle la classification internationale des maladies. Les résultats, qui pourront ëtre étendus ä Vensemble du siècle, sont encourage ants, sauf pour les nouveau-nés, soil 15 % des décès, et mërne si dix causes de dëcès regroup ent a elles seules 69 % de la mortalité urbaine.
10
Dronne, Yves, i Christophe Tavéra. "Substitution dans l'alimentation animale : l'apport des modèles de séries temporelles". Cahiers d'Economie et sociologie rurales 23, nr 1 (1992): 63–86. http://dx.doi.org/10.3406/reae.1992.1306.
Pełny tekst źródłaRozprawy doktorskie na temat "Classement des séries temporelles"
1
Al, Saleh Mohammed. "SPADAR : Situation-aware and proactive analytics for dynamic adaptation in real time". Electronic Thesis or Diss., université Paris-Saclay, 2022. http://www.theses.fr/2022UPASG060.
Pełny tekst źródłaStreszczenie:
Bien que le niveau de rayonnement soit une préoccupation sérieuse qui nécessite une surveillance continue, de nombreux systèmes existants sont conçus pour effectuer cette tâche. Radiation Early Warning System (REWS) est l'un de ces systèmes qui surveille le niveau de rayonnement gamma dans l'air. Un tel système nécessite une intervention manuelle élevée, dépend totalement de l'analyse d'experts et présente des lacunes qui peuvent parfois être risquées. Dans cette thèse, l'approche RIMI (Refining Incoming Monitored Incidents) sera introduite, qui vise à améliorer ce système pour gagner en autonome tout en laissant la décision finale aux experts. Une nouvelle méthode est présentée qui aidera à changer ce système pour devenir plus intelligent tout en apprenant des incidents passés de chaque système spécifiqueAlthough radiation level is a serious concern that requires continuous monitoring, many existing systems are designed to perform this task. Radiation Early Warning System (REWS) is one of these systems which monitors the gamma radiation level in the air. Such a system requires high manual intervention, depends totally on experts' analysis, and has some shortcomings that can be risky sometimes. In this thesis, the RIMI (Refining Incoming Monitored Incidents) approach will be introduced, which aims to improve this system while becoming more autonomous while keeping the final decision to the experts. A new method is presented which will help in changing this system to become more intelligent while learning from past incidents of each specific system
2
Gagnon, Jean-François. "Prévision humaine de séries temporelles". Doctoral thesis, Université Laval, 2014. http://hdl.handle.net/20.500.11794/25243.
Pełny tekst źródłaStreszczenie:
La fonction cognitive de prévision est à la base du processus de décision dans plusieurs domaines de travail tels que les finances, la gestion des inventaires et la médecine. Les individus en charge de prendre des décisions quant à l’évolution de situations dynamiques complexes commettent régulièrement des erreurs, généralement attribuées à l’utilisation de stratégies décisionnelles simplificatrices : les heuristiques. Ces heuristiques sont décrites comme irrationnelles puisqu’elles ne tiennent pas compte de l’ensemble des informations disponibles pour porter un jugement sur l’évolution future d’une situation. À l’inverse, la classe de modèle du jugement linéaire constituerait la norme rationnelle dans ce contexte. Les modèles de jugement linéaire stipulent qu’un jugement optimal rationnel intègre et pondère linéairement l’ensemble des indices disponibles pour la prévision d’un critère au sein d’une seule représentation. Plus le jugement d’une personne s’écarterait du jugement linéaire, plus il serait irrationnel. La thèse remet cet énoncé en question et tente de valider une vision plus adaptative de la rationalité dans un contexte de prévision de situations dynamiques complexes. La rationalité dite écologique considère que la norme rationnelle ne doit pas être absolue, mais plutôt définie en fonction des contraintes environnementales. Selon cette vision de la rationalité, il est possible que dans un environnement favorable, une heuristique donnée soit plus performante que l’application d’une règle de jugement linéaire. Les individus sélectionneraient ainsi la stratégie la plus adaptée au contexte à partir d’un bassin de stratégies disponibles en mémoire à long terme. Or, à l’aide de simulations, la présente thèse démontre qu’il est possible que des heuristiques simplificatrices performent mieux que le jugement linéaire et que cette modulation dépend en partie des contraintes environnementales. La thèse suggère ensuite que les individus appliquent différentes stratégies en fonction des contraintes environnementales et que la stratégie appliquée est généralement adaptée à la nature de la situation. Finalement, la thèse indique que certaines limites cognitives ont également un impact sur la sélection de stratégies de prévision. Dans l’ensemble, ce patron de résultats appuie une vision écologique de la rationalité, mais souligne également que les limites cognitives fondamentales des individus contraignent le bassin de stratégies disponibles.
3
Hmamouche, Youssef. "Prédiction des séries temporelles larges". Thesis, Aix-Marseille, 2018. http://www.theses.fr/2018AIXM0480.
Pełny tekst źródłaStreszczenie:
De nos jours, les systèmes modernes sont censés stocker et traiter des séries temporelles massives. Comme le nombre de variables observées augmente très rapidement, leur prédiction devient de plus en plus compliquée, et l’utilisation de toutes les variables pose des problèmes pour les modèles classiques.Les modèles de prédiction sans facteurs externes sont parmi les premiers modèles de prédiction. En vue d’améliorer la précision des prédictions, l’utilisation de multiples variables est devenue commune. Ainsi, les modèles qui tiennent en compte des facteurs externes, ou bien les modèles multivariés, apparaissent, et deviennent de plus en plus utilisés car ils prennent en compte plus d’informations.Avec l’augmentation des données liées entre eux, l’application des modèles multivariés devient aussi discutable. Le challenge dans cette situation est de trouver les facteurs les plus pertinents parmi l’ensemble des données disponibles par rapport à une variable cible.Dans cette thèse, nous étudions ce problème en présentant une analyse détaillée des approches proposées dans la littérature. Nous abordons le problème de réduction et de prédiction des données massives. Nous discutons également ces approches dans le contexte du Big Data.Ensuite, nous présentons une méthodologie complète pour la prédiction des séries temporelles larges. Nous étendons également cette méthodologie aux données très larges via le calcul distribué et le parallélisme avec une implémentation du processus de prédiction proposé dans l’environnement Hadoop/SparkNowadays, storage and data processing systems are supposed to store and process large time series. As the number of variables observed increases very rapidly, their prediction becomes more and more complicated, and the use of all the variables poses problems for classical prediction models.Univariate prediction models are among the first models of prediction. To improve these models, the use of multiple variables has become common. Thus, multivariate models and become more and more used because they consider more information.With the increase of data related to each other, the application of multivariate models is also questionable. Because the use of all existing information does not necessarily lead to the best predictions. Therefore, the challenge in this situation is to find the most relevant factors among all available data relative to a target variable.In this thesis, we study this problem by presenting a detailed analysis of the proposed approaches in the literature. We address the problem of prediction and size reduction of massive data. We also discuss these approaches in the context of Big Data.The proposed approaches show promising and very competitive results compared to well-known algorithms, and lead to an improvement in the accuracy of the predictions on the data used.Then, we present our contributions, and propose a complete methodology for the prediction of wide time series. We also extend this methodology to big data via distributed computing and parallelism with an implementation of the prediction process proposed in the Hadoop / Spark environment
4
Hmamouche, Youssef. "Prédiction des séries temporelles larges". Electronic Thesis or Diss., Aix-Marseille, 2018. http://www.theses.fr/2018AIXM0480.
Pełny tekst źródłaStreszczenie:
De nos jours, les systèmes modernes sont censés stocker et traiter des séries temporelles massives. Comme le nombre de variables observées augmente très rapidement, leur prédiction devient de plus en plus compliquée, et l’utilisation de toutes les variables pose des problèmes pour les modèles classiques.Les modèles de prédiction sans facteurs externes sont parmi les premiers modèles de prédiction. En vue d’améliorer la précision des prédictions, l’utilisation de multiples variables est devenue commune. Ainsi, les modèles qui tiennent en compte des facteurs externes, ou bien les modèles multivariés, apparaissent, et deviennent de plus en plus utilisés car ils prennent en compte plus d’informations.Avec l’augmentation des données liées entre eux, l’application des modèles multivariés devient aussi discutable. Le challenge dans cette situation est de trouver les facteurs les plus pertinents parmi l’ensemble des données disponibles par rapport à une variable cible.Dans cette thèse, nous étudions ce problème en présentant une analyse détaillée des approches proposées dans la littérature. Nous abordons le problème de réduction et de prédiction des données massives. Nous discutons également ces approches dans le contexte du Big Data.Ensuite, nous présentons une méthodologie complète pour la prédiction des séries temporelles larges. Nous étendons également cette méthodologie aux données très larges via le calcul distribué et le parallélisme avec une implémentation du processus de prédiction proposé dans l’environnement Hadoop/SparkNowadays, storage and data processing systems are supposed to store and process large time series. As the number of variables observed increases very rapidly, their prediction becomes more and more complicated, and the use of all the variables poses problems for classical prediction models.Univariate prediction models are among the first models of prediction. To improve these models, the use of multiple variables has become common. Thus, multivariate models and become more and more used because they consider more information.With the increase of data related to each other, the application of multivariate models is also questionable. Because the use of all existing information does not necessarily lead to the best predictions. Therefore, the challenge in this situation is to find the most relevant factors among all available data relative to a target variable.In this thesis, we study this problem by presenting a detailed analysis of the proposed approaches in the literature. We address the problem of prediction and size reduction of massive data. We also discuss these approaches in the context of Big Data.The proposed approaches show promising and very competitive results compared to well-known algorithms, and lead to an improvement in the accuracy of the predictions on the data used.Then, we present our contributions, and propose a complete methodology for the prediction of wide time series. We also extend this methodology to big data via distributed computing and parallelism with an implementation of the prediction process proposed in the Hadoop / Spark environment
5
Hugueney, Bernard. "Représentations symboliques de longues séries temporelles". Paris 6, 2003. http://www.theses.fr/2003PA066161.
Pełny tekst źródła
6
Nowakowski, Samuel. "Détection de défauts dans les séries temporelles". Nancy 1, 1989. http://www.theses.fr/1989NAN10074.
Pełny tekst źródłaStreszczenie:
Utilisation des calculs de distances pour résoudre des problèmes rencontrés pour les tests de détection de changements tels que le test du rapport de vraisemblance généralisé. Expérimentation de la méthode de la variable instrumentale
7
Haykal, Vanessa. "Modélisation des séries temporelles par apprentissage profond". Thesis, Tours, 2019. http://www.theses.fr/2019TOUR4019.
Pełny tekst źródłaStreszczenie:
La prévision des séries temporelles est un problème qui est traité depuis de nombreuses années. Dans cette thèse, on s’est intéressé aux méthodes issues de l’apprentissage profond. Il est bien connu que si les relations entre les données sont temporelles, il est difficile de les analyser et de les prévoir avec précision en raison des tendances non linéaires et du bruit présent, spécifiquement pour les séries financières et électriques. A partir de ce contexte, nous proposons une nouvelle architecture de réduction de bruit qui modélise des séries d’erreurs récursives pour améliorer les prévisions. L’apprentissage hybride fusionne simultanément un réseau de neurones convolutifs (CNN) et un réseau récurrent à mémoire long et court termes (LSTM). Ce modèle se distingue par sa capacité à capturer globalement différentes propriétés telles que les caractéristiques locales du signal, d’apprendre les dépendances non linéaires à long terme et de s’adapter également à une résistance élevée au bruit. La seconde contribution concerne les limitations des approches globales en raison des changements de régimes dynamiques dans le signal. Nous présentons donc une modification locale non-supervisée de notre architecture précédente afin d’ajuster les résultats en pilotant le modèle par un modèle de Markov caché (HMM). Enfin, on s’est également intéressé aux techniques de multi-résolutions pour améliorer les performances des couches convolutives, notamment par la méthode de décomposition en mode variationnel (VMD)Time series prediction is a problem that has been addressed for many years. In this thesis, we have been interested in methods resulting from deep learning. It is well known that if the relationships between the data are temporal, it is difficult to analyze and predict accurately due to non-linear trends and the existence of noise specifically in the financial and electrical series. From this context, we propose a new hybrid noise reduction architecture that models the recursive error series to improve predictions. The learning process fusessimultaneouslyaconvolutionalneuralnetwork(CNN)andarecurrentlongshort-term memory network (LSTM). This model is distinguished by its ability to capture globally a variety of hybrid properties, where it is able to extract local signal features, to learn long-term and non-linear dependencies, and to have a high noise resistance. The second contribution concerns the limitations of the global approaches because of the dynamic switching regimes in the signal. We present a local unsupervised modification with our previous architecture in order to adjust the results by adapting the Hidden Markov Model (HMM). Finally, we were also interested in multi-resolution techniques to improve the performance of the convolutional layers, notably by using the variational mode decomposition method (VMD)
8
Jabbari, Ali. "Encodage visuel composite pour les séries temporelles". Thesis, Université Grenoble Alpes (ComUE), 2018. http://www.theses.fr/2018GREAM035/document.
Pełny tekst źródłaStreszczenie:
Les séries temporelles sont l'un des types de données les plus courants dans divers domaines scientifiques, industriels et financiers. Selon le contexte, l'analyse des séries temporelles est effectuée à diverses fins: prévision, estimation, classification et détection des tendances et des événements. Grâce aux capacités exceptionnelles de la perception visuelle humaine, la visualisation reste l'un des outils les plus puissants pour l'analyse de données, en particulier pour les données temporelles. Avec la croissance de volume et de la complexité des jeux de données, de nouvelles techniques de visualisation sont clairement nécessaires pour améliorer l'analyse des données. Elles visent à faciliter l'analyse visuelle dans le cas où des situations ou des tâches sont bien spécifiées, ou à favoriser l'analyse exploratoire non guidée.La visualisation est basée sur le "mapping visuel", un processus qui consiste à associer les valeurs de données aux canaux visuels comme la position, la taille et la couleur des éléments graphiques. A cet égard, la forme la plus connue de visualisation des séries temporelles, c'est-à-dire les graphiques linéaires ("line charts" en anglais), consiste en une mise en correspondance des valeurs de données avec la position verticale de la ligne. Cependant, un seul mapping visuel ne convient pas à toutes les situations et objectifs analytiques.Notre but est d'introduire des alternatives au mapping visuel conventionnel et de trouver des situations dans lesquelles, la nouvelle approche compense la simplicité et la familiarité des techniques existantes. Nous présentons une revue de l'état de l'art sur la visualisation des séries chronologiques, puis nous nous concentrons sur les approches existantes du mapping visuel.Ensuite, nous présentons nos contributions. Notre première contribution est une étude systématique d'un «mapping visuelle composite» qui consiste à utiliser des combinaisons de canaux visuels pour communiquer différentes facettes d'une série temporelle. Au moyen de plusieurs expériences avec des utilisateurs, nous comparons les nouveaux mappings visuels à une technique de référence existante et nous mesurons la vitesse et la précision des utilisateurs dans différentes tâches analytiques. Nos résultats montrent que les nouvelles conceptions visuelles conduisent à des performances analytiques proches de celles des techniques existantes sans être inutilement complexes ou nécessiter un entraînement. De plus, certains mappings proposés surpassent les techniques existantes dans les situations de contraintes spatiales. L'efficacité spatiale est d'une grande importance pour la visualisation simultanée de grands volumes de données ou de visualisation sur de petits écrans. Les deux scénarios font partie des défis actuels de la visualisation de l'informationTime series are one of the most common types of recorded data in various scientific, industrial, and financial domains. Depending on the context, time series analysis are used for a variety of purposes: forecasting, estimation, classification, and trend and event detection. Thanks to the outstanding capabilities of human visual perception, visualization remains one of the most powerful tools for data analysis, particularly for time series. With the increase in data sets' volume and complexity, new visualization techniques are clearly needed to improve data analysis. They aim to facilitate visual analysis in specified situations, tasks, or for unguided exploratory analysis.Visualization is based upon visual mapping, which consists in association of data values to visual channels, e.g. position, size, and color of the graphical elements. In this regard, the most familiar form of time series visualization, i.e. line charts, consists in a mapping of data values to the vertical position of the line. However, a single visual mapping is not suitable for all situations and analytical objectives.Our goal is to introduce alternatives to the conventional visual mapping and find situations in which, the new approach compensate for the simplicity and familiarity of the existing techniques. We present a review of the existing literature on time series visualization and then, we focus on the existing approaches to visual mapping.Next, we present our contributions. Our first contribution is a systematic study of a "composite" visual mapping which consists in using combinations of visual channels to communicate different facets of a time series. By means of several user studies, we compare our new visual mappings with an existing reference technique and we measure users' speed and accuracy in different analytical tasks. Our results show that the new visual designs lead to analytical performances close to those of the existing techniques without being unnecessarily complex or requiring training. Also, some of the proposed mappings outperform the existing techniques in space constraint situations. Space efficiency is of great importance to simultaneous visualization of large volumes of data or visualization on small screens. Both scenarios are among the current challenges in information visualization
9
Assaad, Charles. "Découvertes de relations causales entre séries temporelles". Electronic Thesis or Diss., Université Grenoble Alpes, 2021. http://www.theses.fr/2021GRALM019.
Pełny tekst źródłaStreszczenie:
Cette thèse a pour but d'expliquer les concepts et principes centraux de la causalité. Nous nous intéresserons particulièrement à la découverte causale à partir de séries temporelles, domaine émergent aujourd’hui avec, notamment, les données industrielles de capteurs. Dans les deux premiers chapitres, nous présentons les concepts puis les algorithmes existants dans ce domaine. Ensuite, nous présentons une nouvelle approche qui infère un graphe récapitulatif du système causal sous-jacent aux séries temporelles tout en assouplissant le cadre idéalisé de fréquences d'échantillonnage égaux, tout en discutant ses hypothèses et sa validité. La principale nouveauté dans cette méthode réside dans l'introduction de la mesure d'information mutuelle temporelle causale qui permet de détecter l'indépendance et l'indépendance conditionnelle entre deux séries temporelles, et l’établissement d'un lien apparent entre l'entropie et le principe d'augmentation de la probabilité d'un effet sachant sa cause, lien qui peut être utilisé pour construire de nouvelles règles pour l'orientation de la direction de la causalité. De plus, à travers le développement de la première méthode, nous proposons plusieurs extensions qui permettent de gérer les causes communes cachées, de déduire un graphe causal temporel à partir d'un graphe récapitulatif et de pouvoir s’adapter aux données ordonnées (pas nécessairement temporelles). Puis, nous nous concentrons sur la découverte de relations causales à partir d'une distribution statistique qui n'est pas entièrement fidèle au graphe causal réel et sur la distinction entre une cause commune et une cause intermédiaire même, en absence d'indicateur de temps. L'aspect clé de notre réponse à ce problème est le recours au principe du bruit additif pour déduire un supergraphe dirigé contenant le graphe causal. Pour converger vers le graphe causal, nous utilisons une nouvelle mesure appelée l'entropie de causalité temporelle qui élague pour chaque nœud du supergraphe dirigé, les parents qui en sont conditionnellement indépendants. En outre, nous explorons des extensions complémentaires de notre deuxième méthode qui impliquent une stratégie par paires et une stratégie multitâche. Nous effectuons une comparaison expérimentale approfondie des algorithmes proposés sur des ensembles de données à la fois synthétiques et réels et nous montrons leurs performances pratiques prometteuses: gain en complexité temporelle tout en préservant la précisionThis thesis aims to give a broad coverage of central concepts and principles of causation and in particular the ones involved in the emerging approaches to causal discovery from time series.After reviewing concepts and algorithms, we first present a new approach that infer a summary graph of the causal system underlying the observational time series while relaxing the idealized setting of equal sampling rates and discuss the assumptions underlying its validity. The gist of our proposal lies in the introduction of the causal temporal mutual information measure that can detect the independence and the conditional independence between two time series, and in making an apparent connection between entropy and the probability raising principle that can be used for building new rules for the orientation of the direction of causation. Moreover, through the development of this base method, we propose several extensions, namely to handle hidden confounders, to infer a window causal graph given a summary graph, and to consider sequences instead of time series.Secondly, we focus on the discovery of causal relations from a statistical distribution that is not entirely faithful to the real causal graph and on distinguishing a common cause from an intermediate cause even in the absence of a time indicator. The key aspect of our answer to this problem is the reliance on the additive noise principle to infer a directed supergraph that contains the causal graph. To converge toward the causal graph, we use in a second step a new measure called the temporal causation entropy that prunes for each node of the directed supergraph, the parents that are conditionally independent of their child. Furthermore, we explore complementary extensions of our second base method that involve a pairwise strategy which reduces through multitask learning and a denoising technique, the number of functions that need to be estimated. We perform an extensive experimental comparison of the proposed algorithms on both synthetic and real datasets and demonstrate their promising practical performance: gaining in time complexity while preserving accuracy
10
Frambourg, Cédric. "Apprentissage d'appariements pour la discrimination de séries temporelles". Phd thesis, Université de Grenoble, 2013. http://tel.archives-ouvertes.fr/tel-00948989.
Pełny tekst źródłaStreszczenie:
Il n'est pas rare dans les applications que les profils globaux des séries temporelles soient dissimilaires au sein d'une même classe ou, inversement, exhibent des dynamiques similaires pour des classes différentes. L'objectif de ce travail consiste à discriminer de telles structures de séries temporelles complexes. Nous proposons une nouvelle approche d'apprentissage d'appariements discriminants visant à connecter les séries temporelles selon les caractéristiques partagées dans les classes et différentielles entre les classes. Cette approche est fondée sur un critère de variance/covariance pour la pénalisation des liens entre les observations en fonction de la variabilité intra et inter classes induite. Pour ce faire, l'expression de la variance/covariance classique est étendue à un ensemble de séries temporelles, puis à des classes de séries. Nous montrons ensuite comment les appariements appris peuvent être utilisés pour la définition d'une métrique locale, pondérée, restreignant la comparaison de séries à leurs attributs discriminants. Les expérimentations menées soulignent la capacité des appariements appris à révéler des signatures fines discriminantes et montrent l'efficacité de la métrique apprise pour la classification de séries temporelles complexes.
Książki na temat "Classement des séries temporelles"
1
Aragon, Yves. Séries temporelles avec R. Paris: Springer Paris, 2011. http://dx.doi.org/10.1007/978-2-8178-0208-4.
Pełny tekst źródła
2
Gourieroux, Christian. Séries temporelles et modèles dynamiques. Paris: Economica, 1990.
Znajdź pełny tekst źródła
3
Thionbiano, Taladidia. ECONOMÉTRIE DES SÉRIES TEMPORELLES - Cours et exercices. Paris: Editions L'Harmattan, 2008.
Znajdź pełny tekst źródła
4
Meuriot, Véronique. Une histoire des concepts des séries temporelles. Louvain-la-Neuve: Harmattan-Academia, 2012.
Znajdź pełny tekst źródła
5
service), SpringerLink (Online, red. Séries temporelles avec R: Méthodes et cas. Paris: Springer Paris, 2011.
Znajdź pełny tekst źródła
6
Pawłowski, Adam. Séries temporelles en linguistique: Avec application à l'attribution de textes, Romain Gary et Emile Ajar. Paris: H. Champion, 1998.
Znajdź pełny tekst źródła
7
Applied econometric time series. Wyd. 2. Hoboken, NJ: Wiley, 2003.
Znajdź pełny tekst źródła
8
Enders, Walter. Applied econometric time series. New York: John Wiley, 1995.
Znajdź pełny tekst źródła
9
Time series models for business and economic forecasting. Cambridge, UK: Cambridge University Press, 1998.
Znajdź pełny tekst źródła
10
Aragon, Yves. Séries temporelles avec R. EDP Sciences, 2020. http://dx.doi.org/10.1051/978-2-7598-1994-2.
Pełny tekst źródłaCzęści książek na temat "Classement des séries temporelles"
1
Aragon, Yves. "Séries temporelles non stationnaires". W Pratique R, 97–120. Paris: Springer Paris, 2011. http://dx.doi.org/10.1007/978-2-8178-0208-4_5.
Pełny tekst źródła
2
Aragon, Yves. "R pour les séries temporelles". W Pratique R, 21–38. Paris: Springer Paris, 2011. http://dx.doi.org/10.1007/978-2-8178-0208-4_2.
Pełny tekst źródła
3
Aragon, Yves. "Démarche de base en séries temporelles". W Pratique R, 1–20. Paris: Springer Paris, 2011. http://dx.doi.org/10.1007/978-2-8178-0208-4_1.
Pełny tekst źródła
4
Aragon, Yves. "Modèles de base en séries temporelles". W Pratique R, 57–95. Paris: Springer Paris, 2011. http://dx.doi.org/10.1007/978-2-8178-0208-4_4.
Pełny tekst źródła
5
"Bibliographie". W Analyse des séries temporelles, 345–52. Dunod, 2016. http://dx.doi.org/10.3917/dunod.bourb.2016.01.0345.
Pełny tekst źródła
6
"Chapitre 2 R pour les séries temporelles". W Séries temporelles avec R, 21–38. EDP Sciences, 2020. http://dx.doi.org/10.1051/978-2-7598-1994-2-005.
Pełny tekst źródła
7
"Chapitre 6 Lissage exponentiel". W Séries temporelles avec R, 123–34. EDP Sciences, 2020. http://dx.doi.org/10.1051/978-2-7598-1994-2-009.
Pełny tekst źródła
8
"AVANT-PROPOS". W Séries temporelles avec R, xi—xvi. EDP Sciences, 2020. http://dx.doi.org/10.1051/978-2-7598-1994-2-003.
Pełny tekst źródła
9
"Chapitre 8 Trafic mensuel de l’aéroport de Toulouse-Blagnac". W Séries temporelles avec R, 149–72. EDP Sciences, 2020. http://dx.doi.org/10.1051/978-2-7598-1994-2-011.
Pełny tekst źródła
10
"Index". W Séries temporelles avec R, 261–64. EDP Sciences, 2020. http://dx.doi.org/10.1051/978-2-7598-1994-2-017.
Pełny tekst źródłaStreszczenia konferencji na temat "Classement des séries temporelles"
1
LAFON, Virginie, Arthur ROBINET, Tatiana DONNAY, David DOXARAN, Bertrand LUBAC, Eric MANEUX, Aldo SOTTOLICHIO i Olivier HAGOLLE. "RIVERCOLOR : chaîne de traitement des séries temporelles LANDSAT, SPOT et MODIS dédiée à la cartographie des matières en suspension en zone estuarienne". W Journées Nationales Génie Côtier - Génie Civil. Editions Paralia, 2014. http://dx.doi.org/10.5150/jngcgc.2014.067.
Pełny tekst źródłaRaporty organizacyjne na temat "Classement des séries temporelles"
1
Perreault, L., A. Nicault, É. Boucher, D. Arseneault i F. Gennaretti. Analyse des changements de régimes dans les séries temporelles issues de la dendrochronologie. Natural Resources Canada/CMSS/Information Management, 2021. http://dx.doi.org/10.4095/328084.
Pełny tekst źródła
2
Nicault, A., L. Cournoyer, T. Labarre i Y. Bégin. Analyse des relations entre le climat et les séries temporelles de densité de cerne. Natural Resources Canada/CMSS/Information Management, 2021. http://dx.doi.org/10.4095/328074.
Pełny tekst źródła