Logiciel

  • QTempIntMiner


    • À partir des traces de fonctionnement d'un système, ce logiciel de structuration et d'analyse des données séquentielles extrait des suites d’événements. Appelés motifs, ceux-ci permettent de mieux comprendre les comportements du système observé.
      L'avantage de cette approche est la prise en compte d'informations quantitatives temporelles, fondamentales dans de nombreux contextes. Les motifs extraits permettent de discriminer des comportements non-seulement par la séquences des événements mais également les dates et durées de ces événements.
      Les motifs extraits servent à construire des modèles pour le diagnostic, la surveillance automatique ou la prédiction d'évolution : analyse de traces de fonctionnement de systemes naturels ou artificiels(réseaux de capteurs, logs, etc.), analyse de parcours clients, analyse de comportement web, caractérisation de signaux biomédicaux, etc.

    • http://www.irisa.fr/dream/QTempIntMiner/
  • DCM


    • DCM extrait des chroniques fréquentes dans des bases de séquences temporelles et, plus particulièrement,
      permet d’extraire des chroniques fréquentes et discriminantes. Une chronique est un motif temporel
      représentable sous forme de graphes pour lesquels les nœuds sont des occurrences d’événements discrets et les
      arêtes sont annotés par un intervalle temporel contraignant les nœuds. Une chronique permet par exemple de
      représenter qu’un événement B se produit fréquemment entre X et Y jours après l’événement A. Une chronique
      discriminante est intéressante puisqu’elle apparaît plus régulièrement dans une base de séquences (ie. Un cas
      donné) que dans une autre (un autre cas).

    • https://gitlab.inria.fr/ydauxais/DCM
  • OCL


    • Implémentation de l'article proposé par M. Boley et al, intitulé “One click mining: interactive local pattern discovery through implicit preference and performance learning,” in Acm sigkdd workshop on interactive data exploration and analytics (idea), 2013, pp. 27-35. Nouveauté : traitement de séries temporelles.

    • https://github.com/Gremarti/OneClickLearning
  • EcoMata


    • The EcoMata toolbox provides means for qualitative modeling and exploration of ecosystems in order to aid the design of environmental guidelines. We have proposed a new qualitative approach for ecosystem modeling based on the timed automata (TA) formalism combined to a high-level query language for exploring scenarios.

    • https://team.inria.fr/dream/fr/ecomata/
  • Relevant Interval Rules Miner


    • This algorithm extracts relevant rules from a dataset of labeled numerical attributes (tabular datasets).
      A rule is an interval-based pattern associated to a predicted label.
      The tools extracts a subset of rules based on the accuracy and relevancy criteria where most of the algorithms are simply based on accuracy. This enables to extract less rules but that capture the data behaviors.


  • NTGSP


    • The NTGSP algorithm is a sequential pattern mining algorithm. It analyses a large database of temporal sequences, i.e., events with timestamps, by extracting its regularities (the patterns). A pattern describes the behavior as a sequence of events that frequently occurred in sequences. What makes NTGSP novel is its ability to handle patterns with negations, i.e., the description of a behavior that specifies the absence of an event. More precisely, it extracts frequent sequences with positive and negative events, as well as temporal information about the delay between these events.


  • GWASDM


    • A partir de deux cohortes d'individus génotypés (case et control), le logiciel GWASDM réalise une étude d'association basée sur des techniques de fouille de données et génère plusieurs patterns de SNPs qui corrèlent avec un phénotype particulier


  • PATURMATA


    • In the PaturMata software, users can create a pasture system description by entering herds and plots information. For each herd, the only parameter is the number of animals. For each plot, users should enter the surface, the density, the herb height, the distance to the milking shed, a herb growth profile and an accessibility degree.
      Users then specify pasturing and fertilization strategies. Finally, users can launch a pasture execution. PaturMata displays the results and a detailed trace of pasture. Users can launch a batch of different strategies and compare the results in order to find the best pasture strategy.
      PaturMata is developed in Java (Swing for the GUI) and the model-checker that is called for the timed properties verification is UPPAAL.


  • Promise


    • Entrées une série temporelle de consommation d'énergie, un motif de dysfonctionnement
      Sorties un ensemble de motifs similaires au motif de dysfonctionnement à certaines transformations près (dilatation dans le temps, prise en compte d'une interruption dans le motif)


Les commentaires sont fermés.