Une méthode rapide de détection de ruptures : Dérivée filtrée + p-value

Pierre R. Bertrand (Université de Clermont-Ferrand 2)
vendredi 14 décembre 2012

Résumé : Dans de nombreuses applications, on modélise les données par une série temporelle avec un nombre fini de paramètres structurels constants par morceaux. Ces paramètres changent brutalement, et il est pertinent de détecter les instants de ruptures. Le progrès technologique a entrainé l’accès à des flux de données longitudinales de grande (ou très grande) taille. Par exemple, on peut actuellement enregistrer tous les battements de coeur lors d’un marathon ou pendant 24 heures. Ceci conduit alors à des tailles de données n=40.000 ou n=100.000. Ce phénomène de grand jeu de données ou "Data deluge" est général depuis le début du 21ème siècle. Ceci a conduit à revisiter le problème de détection de ruptures a posteriori en prenant compte la complexité des algorithmes en fonction de la taille du jeu de données. Avant le "déluge de données", la méthode la plus utilisée pour la détection de ruptures était la méthode des moindres carrés pénalisés (PLS= Penalized Least Squares). Sa complexité en temps de calcul et en mémoire utilisée est en O(n^2). Nous proposons une nouvelle méthode de complexité O(n), à la fois en temps de calcul et en mémoire. Cette méthode est la combinaison de deux étapes : une étape 1, basée sur les moyennes mobiles, qui détecte les ruptures potentielles ainsi que de nombreuses fausses alarmes, une étape 2 qui élimine la majorité des fausses alarmes. Nous procédons à des comparaisons numériques avec la méthode PLS et donnons quelques exemples d’applications à des données réelles (rythme cardiaque).


Cet exposé se tiendra en salle C20-13, 20ème étage, Université Paris 1, Centre Pierre Mendès-France, 90 rue de Tolbiac, 75013 Paris (métro : Olympiades).


Agenda

<<

2017

>>

<<

Avril

>>

Aujourd'hui

LuMaMeJeVeSaDi
272829303112
3456789
10111213141516
17181920212223
24252627282930

Annonces

ESANN 2016 : European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning


STATLEARN 2016


ICOR 2016