University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Khemal-Bencheikh, Yamina |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Clustering des séries temporelles Type de document : texte imprimé Auteurs : Grimes,Welid, Auteur ; Khemal-Bencheikh, Yamina, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (42 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Séries temporelles
Clustering
Clustering croiséIndex. décimale : 510 Mathématique Résumé : Dans ce mémoire, nous avons proposé d’utiliser des méthodes du clustering pour créer des groupes homogènes de séries temporelles. Nous avons montré que les deux approches du clustering, simple et croisé conduisent à une réduction très efficace des données. Elles permettent d’identifier puis d’isoler les groupes d’attributs fortement liés. L’utilisation du clustering croisé fournit une double partition des données, semble le plus pertinent, car il délecte des groupes ignorés par une simple partition sur les variables. De plus il permet d’exclure les blocs intégralement homogènes, ce qui peut se révéler très utile sur des données de taille importante en particulier sur des séries temporelles. Note de contenu :
Sommaire
Table des matières ................................................................................................................ I
Introduction.........................................................................................
................ 1
Chapitre 1 : Clustering des séries temporelles ......................................................... 3
1.1 Introduction ................................................................................................................ 3
1.2 Recherche de similarité dans l’analyse des séries temporelles .................... 3
1.2.1 Mesure de similarité p-normée ........................................................................... 4
1.2.2 La mesure Dynamic Time Warping (DTW) ....................................................... 4
1.2.3 Longest Common Subsequence (LCSS) ............................................................. 6
1.2.4 Distance de Hamming ........................................................................................ 7
1.2.5 Iterative Multiscale Dynamic Time Warping (IMs-DTW) ................................. 7
1.2.6 Synthèse ............................................................................................................ 10
1.3 Le Clustering .......................................................................................................... 10
1.3.1 Clustering hiérarchique .................................................................................... 10
1.3.2 Clustering par partitionnement ......................................................................... 11
1.3.3 Clustering par modélisation ............................................................................. 11
1.4 L’algorithme des K-Medoids ............................................................................. 12
Chapitre 2 : Clustering croisé des séries temporelles ......................................... 17
2.1 Introduction ............................................................................................................ 17
2.2 Le clustering croisé par blocs ........................................................................... 17
2.2.1 Rappels et notations ........................................................................................ 17
2.2.2 Le principe du clustering croisé ..................................................................... 18
2.2.3 L’algorithme ...................................................................................................
2.3 Clustering croisé des séries temporelles ........................................................ 19
2.3.1 Notations ......................................................................................................... 20
2.3.2 Le problème posé ............................................................................................ 21
2.3.3 L’algorithme proposé ........................................................................................ 21
2.3.3.1 Étapes intermédiaires ......................................................................... 21
2.3.3.2 Convergence de l’algorithme ............................................................ 23
Chapitre 3 : Clustering et Clustering Croisé sur des Séries Temporelles réelles .................................................................................................
3.1 Clustering sur les données de précipitations ................................................. 24
3.1.1 Les données .........................................................................................
3.1.2 Langage Python .............................................................................................. 26
3.2 Clustering sur des séries temporelles réelles ................................................ 26
3.2.1 Clustering des évènements (mois) ................................................................... 27
3.2.2 Clustering des Stations ................................................................................... 29
3.3 Clustering croisé sur des séries temporelles réelles ................................... 31
3.4 Conclusion ............................................................................................................. 32
Conclusion ....................................................................................................... 33
Bibliographie .......................................................................................................... 34Côte titre : MAM/0317 En ligne : https://drive.google.com/file/d/1sQWdLE85XK_6dXyUdvN5Qgh-Vj_GeJFT/view?usp=shari [...] Format de la ressource électronique : Clustering des séries temporelles [texte imprimé] / Grimes,Welid, Auteur ; Khemal-Bencheikh, Yamina, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (42 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Séries temporelles
Clustering
Clustering croiséIndex. décimale : 510 Mathématique Résumé : Dans ce mémoire, nous avons proposé d’utiliser des méthodes du clustering pour créer des groupes homogènes de séries temporelles. Nous avons montré que les deux approches du clustering, simple et croisé conduisent à une réduction très efficace des données. Elles permettent d’identifier puis d’isoler les groupes d’attributs fortement liés. L’utilisation du clustering croisé fournit une double partition des données, semble le plus pertinent, car il délecte des groupes ignorés par une simple partition sur les variables. De plus il permet d’exclure les blocs intégralement homogènes, ce qui peut se révéler très utile sur des données de taille importante en particulier sur des séries temporelles. Note de contenu :
Sommaire
Table des matières ................................................................................................................ I
Introduction.........................................................................................
................ 1
Chapitre 1 : Clustering des séries temporelles ......................................................... 3
1.1 Introduction ................................................................................................................ 3
1.2 Recherche de similarité dans l’analyse des séries temporelles .................... 3
1.2.1 Mesure de similarité p-normée ........................................................................... 4
1.2.2 La mesure Dynamic Time Warping (DTW) ....................................................... 4
1.2.3 Longest Common Subsequence (LCSS) ............................................................. 6
1.2.4 Distance de Hamming ........................................................................................ 7
1.2.5 Iterative Multiscale Dynamic Time Warping (IMs-DTW) ................................. 7
1.2.6 Synthèse ............................................................................................................ 10
1.3 Le Clustering .......................................................................................................... 10
1.3.1 Clustering hiérarchique .................................................................................... 10
1.3.2 Clustering par partitionnement ......................................................................... 11
1.3.3 Clustering par modélisation ............................................................................. 11
1.4 L’algorithme des K-Medoids ............................................................................. 12
Chapitre 2 : Clustering croisé des séries temporelles ......................................... 17
2.1 Introduction ............................................................................................................ 17
2.2 Le clustering croisé par blocs ........................................................................... 17
2.2.1 Rappels et notations ........................................................................................ 17
2.2.2 Le principe du clustering croisé ..................................................................... 18
2.2.3 L’algorithme ...................................................................................................
2.3 Clustering croisé des séries temporelles ........................................................ 19
2.3.1 Notations ......................................................................................................... 20
2.3.2 Le problème posé ............................................................................................ 21
2.3.3 L’algorithme proposé ........................................................................................ 21
2.3.3.1 Étapes intermédiaires ......................................................................... 21
2.3.3.2 Convergence de l’algorithme ............................................................ 23
Chapitre 3 : Clustering et Clustering Croisé sur des Séries Temporelles réelles .................................................................................................
3.1 Clustering sur les données de précipitations ................................................. 24
3.1.1 Les données .........................................................................................
3.1.2 Langage Python .............................................................................................. 26
3.2 Clustering sur des séries temporelles réelles ................................................ 26
3.2.1 Clustering des évènements (mois) ................................................................... 27
3.2.2 Clustering des Stations ................................................................................... 29
3.3 Clustering croisé sur des séries temporelles réelles ................................... 31
3.4 Conclusion ............................................................................................................. 32
Conclusion ....................................................................................................... 33
Bibliographie .......................................................................................................... 34Côte titre : MAM/0317 En ligne : https://drive.google.com/file/d/1sQWdLE85XK_6dXyUdvN5Qgh-Vj_GeJFT/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0317 MAM/0317 Mémoire Bibliothéque des sciences Français Disponible
Disponible