Modélisation dynamique, classification et détection de changement dans les panels catégoriels issus d'un réseau d'eau intelligent

Dynamic modelling, clustering and change detection in categorical panel data issued from smart water grids

• Auteur / Autrice : Milad Leyli Abadi
• Direction : Allou Badara Samé, Latifa Oukhellou
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 12/12/2019
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie des Réseaux de Transport Terrestre et Informatique Avancé (Noisy-le-grand, Seine-Saint-Denis) - Génie des Réseaux de Transport Terrestres et Informatique Avancée / IFSTTAR/GRETTIA
• Jury : Président / Présidente : Fabrice Rossi
• Jury : Examinateurs / Examinatrices : Allou Badara Samé, Latifa Oukhellou, Christophe Ambroise, Grégory Nuel, Pierre Mandel
• Jury : Rapporteurs / Rapporteuses : Christophe Ambroise, Grégory Nuel

Mots clés

Mots clés contrôlés

Classification séquentielle

Eau -- Consommation

Markov, Processus de

Informatique

Eau -- Distribution

Mots clés libres

Réseau d'eau intelligent

Séquences catégorielles

Modèles de Markov non homogènes

Prévision

Détection de changements

Modèle de mélange pour la classification

Smart Water Grids

Categorical sequences

Non homogeneous Markov models

Prediction

Change detection

Mixture models for clustering

Résumé

De nos jours, on observe une préoccupation croissante suscitée par les problèmes environnementaux et ceux liés à la gestion des ressources comme l'eau et l'électricité. Dans le cadre d'une collaboration avec Veolia Eau d'Île-de-France et le syndicat des eaux d'Île-de-France, cette thèse se focalise dans un premier temps sur la classification des consommateurs d'eau ayant une dynamique d'habitudes de consommation similaire dans le temps. Dans chaque classe, cette dynamique dépend d'un nombre de facteurs exogènes. Pour modéliser cette densité jointe, nous utilisons un modèle de mélange où chaque composante est un modèle de Markov non homogène. Une fois les paramètres de ce modèle estimés, les futures habitudes de consommation dans chaque classe peuvent être prédites. Dans un second temps, le problème de la détection de changements structurels, communs à un ensemble de consommateurs est également étudié. Pour ce faire, les tests séquentiels d'hypothèses du rapport de vraisemblance sont utilisés. Ces derniers sont fondés sur des modèles de Markov non homogènes pour pouvoir modéliser le comportement dynamique des consommateurs. Un seuil adaptatif est également estimé en utilisant les simulations de type Monte Carlo. Cela permet d'adapter le seuil à différents types de changement et de réduire le taux de fausses alarmes. Les résultats de classification et de détection de changements obtenus sur une base de données réelle issue d'un réseau d'eau se sont révélés pertinents et efficaces. Finalement, une analyse de l'influence des variables exogènes en utilisant les paramètres estimés des modèles proposés permet d'enrichir les interprétations

Nowadays, we observe a growing concern raised by the environmental issues and those related to management of the resources as electricity and water. As part of a collaborative project with Veolia Eau d'Île-de-France and le syndicat des eaux d'Île-de-France, this PhD research addresses initially the clustering of water consumers based on their consumption behavior dynamics over time. These dynamics, in each cluster, depend on a number of exogenous factors. To model this joint density, non-homogeneous Markov models are investigated as the components of a mixture model. Hence, the estimation of the parameters in each cluster allows to predict the future consumption behaviors independently. Afterwards, the problem of online structural change detection in a set of consumption behavior sequences is addressed. To this end, a sequential hypothesis testing of generalized likelihood ratio, based on a non-homogeneous Markov model is proposed. An adaptive threshold is also used which can be adjusted throughout the various types of changes and may reduce the number of false alarms. The results on a real dataset which is issued from a water network allow to highlight the effectiveness of the proposed methods both in terms of clustering and change detection. Finally, the analysis of the estimated parameters of both models allows to study the influence of exogenous factors on clustering and detected changes