AVIS DE SOUTENANCE de Madame Aicha DRIDI

L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services rĂ©partis, Architectures, MOdĂ©lisation, Validation, Administration des RĂ©seaux

présentent

l’AVIS DE SOUTENANCE de Madame Aicha DRIDI

AutorisĂ©e Ă  prĂ©senter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, prĂ©parĂ© Ă  TĂ©lĂ©com 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 Ă  14h00

Salle des Conseils – 7ème Ă©tage
UniversitĂ© Paris CitĂ© – UFR MathĂ©matique et Informatique – Laboratoire d’Informatique Paris Descartes 45 Rue des Saints-Pères, 75006 Paris

Membres du jury :

M. Hossam AFIFI, Professeur, TĂ©lĂ©com SudParis, FRANCE – Directeur de thèse
M. Hassine MOUNGLA, MaĂ®tre de confĂ©rences, UniversitĂ© Paris CitĂ©, FRANCE – Co-encadrant de thèse
M. Enrico  NATALIZIO, Professeur des universitĂ©s, LORIA, FRANCE – Rapporteur
Mme Florence  OSSART, Professeure des universitĂ©s, Sorbonne UniversitĂ©, UPMC UniversitĂ© Pierre et Mary Curie, FRANCE – Examinatrice
M. Yvon GOURHANT, IngĂ©nieur de recherche, Orange Labs, FRANCE – Examinateur
M. Ghislain  AGOUA, IngĂ©nieur de recherche, EDF Labs, FRANCE – Examinateur
M. Marcelo DIAS DE AMORIM, Directeur de recherche, UniversitĂ© Paris Sorbonne, FRANCE – Rapporteur


Résumé :

La croissance massive des capteurs (tempĂ©rature, humiditĂ©, accĂ©lĂ©romètre, capteur de position) et des appareils mobiles (smartphones, tablettes, smartwatch …) fait que la quantitĂ© de donnĂ©es gĂ©nĂ©rĂ©es augmente de manière explosive. Cette immense quantitĂ© de donnĂ©es peut ĂŞtre collectĂ©e et gĂ©rĂ©e. Le travail rĂ©alisĂ© durant cette thèse vise Ă  proposer en un premier temps une approche qui traite un type de donnĂ©es spĂ©cifique qui sont les sĂ©ries temporelles. Pour ce faire nous avons utilisĂ© des mĂ©thodes de classification basĂ©es sur des rĂ©seaux de neurones convolutifs ainsi que des multi layer perceptron afin d’extraire les informations pertinentes. Nous avons par la suite eu recours Ă  l’utilisation des rĂ©seaux de neurones rĂ©currents pour rĂ©aliser les prĂ©dictions. Les donnĂ©es utilisĂ©es provenaient de plusieurs sources : DonnĂ©es mĂ©tĂ©orologiques, donnĂ©es de consommation Ă©nergĂ©tique, donnĂ©es de production d’énergies renouvelables, donnĂ©es cellulaires, donnĂ©es de trace GPS de taxi. Nous avons Ă©galement investiguĂ© plusieurs autres mĂ©thodes telles que la compression sĂ©mantique ainsi que le transfer learning. Les deux mĂ©thodes dĂ©crites prĂ©cĂ©demment nous permettent pour la première de ne transmettre que les poids des rĂ©seaux de neurones ou en cas d’anomalie dĂ©tectĂ©e d’envoyer les donnĂ©es la constituant. Le transfer learning nous permet quand Ă  lui de rĂ©aliser de bonne prĂ©diction mĂŞme si les donnĂ©es traitĂ©es souffrent d’un manque ou d’un bruit. Ces traitements nous ont permis par la suite de mettre en place des mĂ©canismes dynamique de dĂ©tection d’anomalie. L’objectif du dernier volet de la thèse est le dĂ©veloppement et l’implĂ©mentation d’une solution de management des ressources en ayant comme entrĂ©e le rĂ©sultat des phases prĂ©cĂ©dentes. Pour mettre en place cette solution de gestion des ressources nous avons utilisĂ© plusieurs approches tel que l’apprentissage par renforcement, la rĂ©solution exacte ou encore des rĂ©seaux de neurones rĂ©currents. Une première application est la mise en place d’un système de management de l’énergie et la seconde est la gestion du dĂ©ploiement des drones pour assister les rĂ©seaux 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.