L'analyse relationnelle de concepts pour la fouille de données temporelles - Application à l'étude de données hydroécologiques

Cet article presente une methode d'exploration de donnees temporelles, fondee sur l'analyse relationnelle de concepts (ARC) et appliquee a des donnees sequentielles construites a partir d'echantillons physico-chimiques et biologiques preleves dans des cours d'eau. Notre but est de mettre au jour des sous-sequences pertinentes et hierarchisees, associant les deux types de parametres. Pour faciliter la lecture, ces sous-sequences sont representees sous la forme de motifs partiellement ordonnes (po-motifs). Le processus de fouille de donnees se decompose en plusieurs etapes : construction d'un modele temporel ad hoc et mise en oeuvre de l'ARC ; extraction des sous-sequences synthetisees sous la forme de po-motifs ; selection des po-motifs interessants grâce a une mesure exploitant la distribution des extensions de concepts. Le processus a ete teste sur un jeu de donnees reelles et evalue quantitativement et qualitativement.

[1]  Ramakrishnan Srikant,et al.  Mining sequential patterns , 1995, Proceedings of the Eleventh International Conference on Data Engineering.

[2]  Bernhard Ganter,et al.  Formal Concept Analysis: Mathematical Foundations , 1998 .

[3]  K. Wolff.  Temporal Concept Analysis , 2001 .

[4]  Gerd Stumme,et al.  Efficient Data Mining Based on Formal Concept Analysis , 2002, DEXA.

[5]  Gemma C. Garriga,et al.  Summarizing Sequential Data with Closed Partial Orders , 2005, SDM.

[6]  Clémentine Nebut,et al.  Building abstractions in class models: formal concept analysis in a model-driven approach , 2006, MoDELS'06.

[7]  Philip S. Yu,et al.  Discovering Frequent Closed Partial Orders from Strings , 2006, IEEE Transactions on Knowledge and Data Engineering.

[8]  Sébastien Ferré,et al.  The Efficient Computation of Complete and Concise Substring Scales with Suffix Trees , 2007, ICFCA.

[9]  Sergei O. Kuznetsov,et al.  On stability of a formal concept , 2007, Annals of Mathematics and Artificial Intelligence.

[10]  Chava Nachmias,et al.  Social statistics for a diverse society , 2009 .

[11]  Jonas Poelmans,et al.  A method based on temporal concept analysis for detecting and profiling human trafficking suspects , 2010 .

[12]  Camille Roth,et al.  Approaches to the Selection of Relevant Concepts in the Case of Noisy Data , 2010, ICFCA.

[13]  Amedeo Napoli,et al.  Relational concept analysis: mining concept lattices from multi-relational data , 2013, Annals of Mathematics and Artificial Intelligence.

[14]  Maguelonne Teisseire,et al.  Discriminant temporal patterns for linking physico-chemistry and biology in hydro-ecosystem assessment , 2014, Ecol. Informatics.

[15]  Maguelonne Teisseire,et al.  Mining closed partially ordered patterns, a new optimized algorithm , 2015, Knowl. Based Syst..

[16]  Maguelonne Teisseire,et al.  Un système décisionnel pour l'analyse de la qualité des eaux de rivières , 2015, Ingénierie des Systèmes d Inf..

[17]  Xavier Dolques,et al.  Exploration de données temporelles avec des treillis relationnels , 2015 .

[18]  Chedy Raïssi,et al.  On mining complex sequential data by means of FCA and pattern structures , 2015, Int. J. Gen. Syst..