Stage : Méthodes de prédiction pour les séries temporelles

Cesson-Sévigné, le 08/10/20

A propos de b<>com

Fournisseur de technologies pour les entreprises qui souhaitent accélérer leur compétitivité grâce au numérique, b<>com est au service des industries culturelles et créatives, des infrastructures numériques, de la défense, de l’industrie 4.0 et de la santé. Ses laboratoires mixent les talents de disciplines et cultures multiples dans les domaines de l’intelligence artificielle, de la vidéo et l’audio immersif, de la protection de contenus, des réseaux 5G, de l’internet des objets et des technologies cognitives… Issus des mondes industriel et universitaire, ses chercheurs et ingénieurs évoluent sur son campus de Rennes et ses sites de Paris, Brest et Lannion. Grâce à son équipe d’ingénierie avancée et ses moyens scientifiques propres, b<>com propose à ses clients des ingrédients et des solutions qui font la différence.

Descriptif de la mission

L’objectif du stage est de se familiariser avec les méthodes de prédiction sur les séries temporelles, de les adapter au cas spécifique des flux hospitaliers, de les implémenter et les tester sur des bases à partir de bases de données réelles.
Le travail se basera sur une preuve de concept opérationnelle de l’outil de prédiction sur laquelle l’approfondissement de nouveaux concepts sera testé.

D’un point de vue méthodologique, il traitera de trois aspects complémentaires :

Représentation des données

Il s’agit en particulier d’identifier les changements de variables pertinents sur les flux hospitaliers pour en dériver des séries stationnaires. Le théorème de Wold s’applique alors et le problème est ramené à l’estimation paramétrique d’une partie déterministe, selon une base de décomposition adéquate, et d’une partie stochastique, sous forme d’un bruit blanc filtré.

Le dimensionnement se fera par les techniques de sélection de modèle (critère d’Akaïké ou BIC) et de nouveaux procédés d’estimation non-linéaire seront testés et comparés aux méthodes existantes, leur optimalité qualifiée au sens de la borne de Cramer-Rao.

Construction de prédicteur à horizons temporels arbitraires

La base des prédicteurs linéaires (MSE, déduit des équations de Yule-Walker) sera reprise. Elle sera ensuite étoffée par une classe de prédicteurs non-linéaires approximant l’espérance conditionnelle. Ceux-ci exploiteront les densités de probabilité du modèle de représentation et pourront être comparés aux méthodes du Machine Learning (ML) comme Lasso ou Ridge.

Couplage entre séries temporelles

Cette partie, basée sur les représentations obtenues en 1., vise à établir l’existence de relations de causalité entre la série temporelle à prédire et des séries tierces afin d’enrichir le modèle de représentation paramétrique des flux, réduire sa volatilité et améliorer la performance du prédicteur. Les méthodes employées s’appuieront sur la Théorie de la Décision et les outils de représentation de données issues du ML.

Profil recherché

Le stage d’adresse à un étudiant de niveau master, université ou école d’ingénieur, intéressé par la Recherche en Mathématiques Appliquées et Intelligence Artificielle, et désireux d’appréhender la globalité de processus industriel (cahier des charges utilisateur, conception, réalisation d’une plateforme).

Des connaissances préalables en statistique paramétrique (estimateur du maximum de vraisemblance, tests d’hypothèses), la programmation en langage Python sont recommandées.

Intérêt pour le stagiare

L’étudiant bénéficiera d’un encadrement expérimenté et de proximité. Les méthodes employées se généralisent aisément aux domaines de la prédiction des séries financières, la consommation d’énergie, la maintenance prédictive, etc.

Modalités

  • Durée : 5-6 mois
  • Date de démarrage : février-mars 2021
  • Localisation : Rennes (Cesson-Sévigné)
  • Candidature à envoyer à : job@b-com.com avec la référence IA1_PRED_2021