Alignement temporel généralisé pour la classification non supervisée de séries temporelles

Generalized k-means-based clustering for temporal data under time warp

• Auteur / Autrice : Saeid Soheily-Khah
• Direction : Ahlame Douzal-Chouakria, Éric Gaussier
• Type : Thèse de doctorat
• Discipline(s) : Informatique et mathématiques appliquées
• Date : Soutenance le 07/10/2016
• Etablissement(s) : Université Grenoble Alpes (ComUE)
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de Grenoble
• Jury : Président / Présidente : Pierre-François Marteau
• Jury : Examinateurs / Examinatrices : José Antonio Vilar Fernández
• Jury : Rapporteurs / Rapporteuses : Mohamed Nadif, Paul Honeine

Mots clés

Mots clés contrôlés

Classification

Séries chronologiques

Mots clés libres

Alignement temporel

Classification non supervisée

Séries temporelles

Dtw

Alignement temporel dynamique

Temporal alignment

Clustering

Time series

Dtw

Dynamic time warping

Résumé

L’alignement de multiples séries temporelles est un problème important non résolu dans de nombreuses disciplines scientifiques. Les principaux défis pour l’alignement temporel de multiples séries comprennent la détermination et la modélisation des caractéristiques communes et différentielles de classes de séries. Cette thèse est motivée par des travaux récents portant sur l'extension de la DTW pour l’alignement de séries multiples issues d’applications diverses incluant la reconnaissance vocale, l'analyse de données micro-array, la segmentation ou l’analyse de mouvements humain. Ces travaux fondés sur l’extension de la DTW souffrent cependant de plusieurs limites : 1) Ils se limitent au problème de l'alignement par pair de séries 2) Ils impliquent uniformément les descripteurs des séries 3) Les alignements opérés sont globaux. L'objectif de cette thèse est d'explorer de nouvelles approches d’alignement temporel pour la classification non supervisée de séries. Ce travail comprend d'abord le problème de l'extraction de prototypes, puis de l'alignement de séries multiples multidimensionnelles.

Temporal alignment of multiple time series is an important unresolved problem in many scientific disciplines. Major challenges for an accurate temporal alignment include determining and modeling the common and differential characteristics of classes of time series. This thesis is motivated by recent works in extending Dynamic time warping for aligning multiple time series from several applications including speech recognition, curve matching, micro-array data analysis, temporal segmentation or human motion. However these DTW-based works suffer of several limitations: 1) They address the problem of aligning two time series regardless of the remaining time series, 2) They involve uniformly the features of the multiple time series, 3) The time series are aligned globally by including the whole observations. The aim of this thesis is to explore a generalized dynamic time warping for time series clustering. This work includes first the problem of prototype extraction, then the alignment of multiple and multidimensional time series.