L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, MOdélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Madame Aicha DRIDI
Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :
Informatique
« Une nouvelle approche d’apprentissage en profondeur efficace pour le traitement des séries Temporelles utilisant la classification, la prédiction et le renforcement : Cas d’utilisations Energie et télécommunications »
le LUNDI 28 NOVEMBRE 2022 à 14h00
Salle des Conseils – 7ème étage
Université Paris Cité – UFR Mathématique et Informatique – Laboratoire d’Informatique Paris Descartes 45 Rue des Saints-Pères, 75006 Paris
Membres du jury :
M. Hossam AFIFI, Professeur, Télécom SudParis, FRANCE – Directeur de thèse
M. Hassine MOUNGLA, Maître de conférences, Université Paris Cité, FRANCE – Co-encadrant de thèse
M. Enrico NATALIZIO, Professeur des universités, LORIA, FRANCE – Rapporteur
Mme Florence OSSART, Professeure des universités, Sorbonne Université, UPMC Université Pierre et Mary Curie, FRANCE – Examinatrice
M. Yvon GOURHANT, Ingénieur de recherche, Orange Labs, FRANCE – Examinateur
M. Ghislain AGOUA, Ingénieur de recherche, EDF Labs, FRANCE – Examinateur
M. Marcelo DIAS DE AMORIM, Directeur de recherche, Université Paris Sorbonne, FRANCE – Rapporteur
Résumé :
La croissance massive des capteurs (température, humidité, accéléromètre, capteur de position) et des appareils mobiles (smartphones, tablettes, smartwatch …) fait que la quantité de données générées augmente de manière explosive. Cette immense quantité de données peut être collectée et gérée. Le travail réalisé durant cette thèse vise à proposer en un premier temps une approche qui traite un type de données spécifique qui sont les séries temporelles. Pour ce faire nous avons utilisé des méthodes de classification basées sur des réseaux de neurones convolutifs ainsi que des multi layer perceptron afin d’extraire les informations pertinentes. Nous avons par la suite eu recours à l’utilisation des réseaux de neurones récurrents pour réaliser les prédictions. Les données utilisées provenaient de plusieurs sources : Données météorologiques, données de consommation énergétique, données de production d’énergies renouvelables, données cellulaires, données de trace GPS de taxi. Nous avons également investigué plusieurs autres méthodes telles que la compression sémantique ainsi que le transfer learning. Les deux méthodes décrites précédemment nous permettent pour la première de ne transmettre que les poids des réseaux de neurones ou en cas d’anomalie détectée d’envoyer les données la constituant. Le transfer learning nous permet quand à lui de réaliser de bonne prédiction même si les données traitées souffrent d’un manque ou d’un bruit. Ces traitements nous ont permis par la suite de mettre en place des mécanismes dynamique de détection d’anomalie. L’objectif du dernier volet de la thèse est le développement et l’implémentation d’une solution de management des ressources en ayant comme entrée le résultat des phases précédentes. Pour mettre en place cette solution de gestion des ressources nous avons utilisé plusieurs approches tel que l’apprentissage par renforcement, la résolution exacte ou encore des réseaux de neurones récurrents. Une première application est la mise en place d’un système de management de l’énergie et la seconde est la gestion du déploiement des drones pour assister les réseaux cellulaires en cas d’anomalies.
Abstract : « A novel efficient time series deep learning approach using classification,prediction and, reinforcement: Energy and Communication Use Cases »
The massive growth of sensors (temperature, humidity, accelerometer, position sensor) and mobile devices (smartphones, tablets, smartwatch…) increases the amount of data generated explosively. This immense amount of data can be collected and managed. The work carried out during this thesis aims to first propose an approach that deals with a specific type of data, which are time series. To do this, we used classification methods based on convolutional neural networks as well as multilayer perceptrons in order to extract the relevant information. We then used recurrent neural networks to make the predictions. The data used came from several sources: Weather data, energy consumption data, renewable energy production data, cellular data, taxi GPS track data. We also investigated several other methods such as semantic compression and transfer learning. The two methods described above allow us for the first to transmit only the weight of the neural networks or if an anomaly is detected, send the data. The transfer learning allows us to make good predictions even if the data is missing or noisy. These treatments, allowed us to set up dynamic anomaly detection mechanisms. The objective of the last part of the thesis is the development and implementation of a resource management solution having as input the result of the previous phases. To implement this resource management solution, we used several approaches such as reinforcement learning, exact resolution or even recurrent neural networks. A first application is the implementation of an energy management system and the second is the management of the deployment of drones to assist cellular networks when an anomaly occurs.