ESI Talents

Sujet de Stage N°: 305

Sujet de Stage
Validation

Sujet de stage N° 305

Type*

Specialites*

Organisme*

Coencadrants*

Promoteur*

HAMDAD Leila

Email promoteur*

Tel promoteur

Intitule*

Estimateur de densité à noyau spatiotemporelle : algorithmes de classification et applications

Resume*

Ces dernières décennies ont vu une explosion du volume des données spatiales et spatio-temporelles. Cela est dû aux différentes avancées technologiques et au développement d'outils d'acquisition automatique de données (capteurs, GPS, images satellites, objets connectés ...). L’analyse des données spatio-temporelle est de grande importance dans plusieurs domaines (VTC, IoT, épidémiologie, agriculture, hydrologie …). C'est un processus qui permet d'extraire des connaissances et des modèles utiles à partir de grands volumes de données spatiales/spatio-temporelles.
L’Estimateur de densité à noyau  (Kernel density estimation) est l’une des méthodes les plus répandues pour l’estimation de la distribution de données dans un contexte spatiale ou spatio-temporelle. Cette technique a été appliquée dans divers domaines d’applications . Elle est la base de beaucoup d'algorithmes de Machine Learning supervisée et non supervisée, tels que la classification/régression, le clustering et la  détection d’anomalies.
Cependant, la qualité de cet estimateur dépend du choix optimal d'un paramètre important qui est la fenêtre de lissage (appelé bandwidth). Plusieurs travaux dans la littérature se sont intéressés à cette problématique. Dans ce PFE, nous nous intéressons à  l'étude et l’utilisation de la fonction K de Ripley (global ou local) et des méthodes de simulation comme la méthode de Monte Carlo pour résoudre le problème du choix des paramètres optimaux de l’estimateur de densité à noyau, dans le cas spatial et spatio-temporelle. 
Cette approche peut être utilisée pour l’analyse des patterns de données spatiotemporelles, et adaptée pour la détection de hotspots (en accidentologie, criminologie, propagation d’épidémies ou pickups de VTCs) ainsi que la classification supervisée de données spatiales ou spatiotemporelles. 
Les résultats obtenus seront comparées à des travaux similaires dans la littérature.

Objectifs*

I Conception d’un estimateur de densité à noyau adaptative,   utilisant la fonction K de Ripley et simulation de Monte Carlo pour le choix du bandwidth. 
II - Application de l’approche pour l’analyse de patterm et adaptation de la méthode pour la détection de hotspots et classification supervisée (spatial et saptio-temporelle) tel que SKDA.
III- Comparaison avec d'autres méthodes similaires.

Resultats attendus*

I – Etude bibliographie sur les estimateurs de densité à noyaux, dans le cas spatial et spatio-temporel ainsi que sur les méthodes d'estimation de la fenêtre de lissage (Bandwidth), et leurs champs d’applications. 
II- Concevoir un estimateur de densité à noyau adaptative,   utilisant la fonction K de Ripley et simulation de Monte Carlo pour le choix du bandwidth.
III- - Application de l’approche pour l’analyse de patterm et adaptation pour la détection de hotspots et classification supervisée (spatial et saptio-temporelle) 
IV- Réalisation et tests des différentes approches

Antecedents

Moyens informatiques

Echeancier*

Etape 1
Etat de l’art sur les estimateurs de densité à noyau(KDE), dans le cas spatial et spatio-temporel et le problème de sélection du bandwidth
2 mois
Etape 2
Conception de l’approche 
3 mois
Etape 3
Réalisation et tests sur des jeux de données issues de différents domaines d’application 
3 mois
Etape 4
Finalisation de la rédaction du mémoire
1 mois

Bibliographie

Hohl, A., & Chen, P. (2019, November). Spatiotemporal simulation: local Ripley's K function parameterizes adaptive kernel density estimation. In Proceedings of the 2nd ACM SIGSPATIAL International Workshop on GeoSpatial Simulation (pp. 16-23).
Hohl, A., Zheng, M., Tang, W., Delmelle, E., & Casas, I. (2017). Spatiotemporal point pattern analysis using Ripley’s K function. Geospatial Data Science: Techniques and Applications. Taylor & Francis.
Dabo-Niang, S., Hamdad, L., Ternynck, C., & Yao, A. F. (2014). A kernel spatial density estimation allowing for the analysis of spatial clustering. Application to Monsoon Asia Drought Atlas data. Stochastic environmental research and risk assessment, 28(8), 2075-2099.
Boumeddane, S., Hamdad, L., Dabo-Niang, S., & Haddadou, H. (2019). Spatial Kernel Discriminant Analysis: Applied for Hyperspectral Image Classification. In ICAART (2) (pp. 184-191).

Statut validation*

Reponse aux experts

Reserve pour*

Projet recherche

Notification

Avis sur le Sujet de Stage

Intitule	Organisme	Debut	Fin	Avis	Commentaire
Estimateur de densité à noyau spatiotemporelle : algorithmes de classification et applications	LCSI : Laboratoire de la Communication dans les Systèmes Informatiques	09/15/2020	09/30/2020	Avis favorable	—
Estimateur de densité à noyau spatiotemporelle : algorithmes de classification et applications	LCSI : Laboratoire de la Communication dans les Systèmes Informatiques	09/15/2020	09/30/2020	Avis favorable	—
Estimateur de densité à noyau spatiotemporelle : algorithmes de classification et applications	LCSI : Laboratoire de la Communication dans les Systèmes Informatiques	09/15/2020	09/21/2020	Avis favorable	—