Supervision : Ludovic DENOYER

Co-supervision : LEROY Bertrand

Apprentissage de représentation pour la prédiction et la classification de séries temporelles

Nous nous intéressons dans cette thèse au développement de méthodes qui répondent aux difficultés posées par l’analyse des séries temporelles. Nos contributions se focalisent sur deux tâches : la prédiction de séries temporelles et la classification de séries temporelles. Notre première contribution présente une méthode de prédiction et de complétion de séries temporelles multivariées et relationnelles. Le but est d’être capable de prédire simultanément l’évolution d’un ensemble de séries temporelles reliées entre elles selon un graphe (pouvant représenter la proximité géographique entre plusieurs capteurs par exemple), ainsi que de compléter les valeurs manquantes dans ces séries (pouvant correspondre par exemple à une panne d’un capteur pendant un intervalle de temps donné). On se propose d’utiliser des techniques d’apprentissage de représentation pour prédire l’évolution des séries considérées tout en complétant les valeurs manquantes et prenant en compte les relations qu’il peut exister entre elles. Des extensions de ce modèle sont proposées et décrites : d’abord dans le cadre de la prédiction de séries temporelles hétérogènes puis dans le cas de la prédiction de séries temporelles avec une incertitude exprimée. Un modèle de prédiction de séries spatio-temporelles est ensuite proposé, avec lequel les relations entre les différentes séries peuvent être exprimées de manière plus générale, et où ces dernières peuvent être apprises. Enfin, nous nous intéressons à la classification de séries temporelles. Un modèle d’apprentissage joint de métrique et de classification de séries est proposé et une comparaison expérimentale est menée.

2015-2019 Publications

• 2019
  • E. Delasalles, A. Ziat, L. Denoyer, P. Gallinari : “Spatio-temporal neural networks for space-time data modeling and relation discovery”, Knowledge and Information Systems (KAIS), vol. 61 (3), pp. 1241-1267, (Springer) (2019)
• 2017
  • A. Ziat : “Apprentissage de représentation pour la prédiction et la classification de séries temporelles”, thesis, defence 10/16/2017, supervision Denoyer, Ludovic, co-supervision : Leroy, Bertrand (2017)
  • A. Ziat, E. Delasalles, L. Denoyer, P. Gallinari : “Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery”, 2017 IEEE International Conference on Data Mining (ICDM), 2017 IEEE International Conference on Data Mining (ICDM), La Nouvelle Orléans, LA, United States, pp. 705-714, (IEEE) (2017)
• 2016
  • A. Ziat, B. Leroy, N. Baskiotis, L. Denoyer : “Joint prediction of road-traffic and parking occupancy over a city with representation learning”, 19^th IEEE International Conference on Intelligent Transportation Systems, Rio de Janeiro, Brazil (2016)
  • A. Ziat, G. Contardo, N. Baskiotis, L. Denoyer : “Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series”, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning - ESANN, Unknown, (2016)
• 2015
  • A. Ziat, G. Contardo, N. Baskiotis, L. Denoyer : “Car-traffic forecasting: A representation learning approach”, Workshop MUD, Mining Urban Data 201, Unknown, (2015)