Sujet de thèse IFSTTAR

English version
Fiche détaillée :

Titre : Classification et décomposition de séries temporelles avec prise en compte de facteurs observables et inobservables. Application à l'analyse des dynamiques de comportements d'occupants de logements à partir de données thermiques.

Laboratoire principal - Référent principal   -

Directeur du laboratoire principal   -

Spécialité de la thèse Signal, Image, Automatique

Axe 3 - COP2017 - Aménager et protéger les territoires

Site principal Marne-la-Vallée

Etablissement d'inscription UNIVERSITE PARIS-EST

Ecole doctorale MATHEMATIQUES ET SCIENCES ET TECHNOLOGIES DE L'INFORMATION ET DE LA COMMUNICATION (MSTIC)

Directeur de thèse prévu SAME Allou-Badara  -    -

Co-directeur de thèse prévu OUKHELLOU Latifa  -    -

Type de financement prévu Thèse sur contrat  - UPE

Résumé

Les travaux de cette thèse s’inscrivent dans le cadre de l’analyse de données thermiques et plus particulièrement la classification de données pour l’extraction de comportement d’occupants au sein de bâtiments. Dans la mesure où ces comportements, constitués d’habitudes de chauffage, de consommation, ou encore de présence d’habitants au sein de leur logement représentent une part importante de la consommation énergétique du secteur résidentiel, il est utile de bien les caractériser afin d’améliorer les prévisions de la consommation d’énergie dans ce secteur. Dans le cadre des travaux de cette thèse, on s’intéresse aux dynamiques de comportements dans le sens où ces derniers peuvent évoluer au cours du temps. Ces dynamiques comportementales dépendent de plusieurs facteurs et sont, par conséquent, variées et difficilement observables. L’objectif est donc de développer une méthode de classification non supervisée de données thermiques dans le but d’en extraire une typologie de comportements dynamiques d’occupants de bâtiments.
L'approche proposée dans ces travaux est basée sur un modèle probabiliste à variables latentes dynamiques. Son principal intérêt réside dans la séparation des effets relatifs à des facteurs contextuels d'une part et à la dynamique comportementale des occupants d'autre part. Nous proposons donc, dans ces travaux, un modèle de classification qui permet d'estimer des effets régressifs ainsi que des centres de classes, modélisés comme des processus stochastiques. Ce modèle, de par sa complexité, ne peut être estimé via des méthodes de maximum de vraisemblance habituelles. Par conséquent, on présentera un algorithme itératif basé sur des méthodes d'inférence variationnelle dans le but d'estimer les paramètres du modèle.

La méthode est évaluée sur deux ensembles de données. D'abord, les performances du modèle sont testées et comparées à des méthodes standard à partir d'un ensemble de données simulées via des modèles statistiques. Ensuite, l'application du modèle à un jeu de données issu d'un modèle thermique permet d'évaluer cette méthode dans un cadre d'analyse plus réaliste.

Pour finir, la classification de données de température intérieure pour un ensemble de maisons via le modèle proposé permet de construire des classes homogènes. Les résultats permettent de mettre en évidence que les dynamiques de comportements estimées sont corrélées à des comportements de présence des habitants au sein de leur logement.

Mots-clefs: Classification non supervisée,Modèle dynamique à variables latentes,Effets régressifs,Approximation par inférence variationnelle,Données thermiques,Comportement des occupants dans les bâtiments

Laboratoire principal - Référent principal	-
Directeur du laboratoire principal	-
Spécialité de la thèse	Signal, Image, Automatique
Axe	3 - COP2017 - Aménager et protéger les territoires
Site principal	Marne-la-Vallée
Etablissement d'inscription	UNIVERSITE PARIS-EST
Ecole doctorale	MATHEMATIQUES ET SCIENCES ET TECHNOLOGIES DE L'INFORMATION ET DE LA COMMUNICATION (MSTIC)
Directeur de thèse prévu	SAME Allou-Badara - -
Co-directeur de thèse prévu	OUKHELLOU Latifa - -
Type de financement prévu	Thèse sur contrat - UPE
Résumé Les travaux de cette thèse s’inscrivent dans le cadre de l’analyse de données thermiques et plus particulièrement la classification de données pour l’extraction de comportement d’occupants au sein de bâtiments. Dans la mesure où ces comportements, constitués d’habitudes de chauffage, de consommation, ou encore de présence d’habitants au sein de leur logement représentent une part importante de la consommation énergétique du secteur résidentiel, il est utile de bien les caractériser afin d’améliorer les prévisions de la consommation d’énergie dans ce secteur. Dans le cadre des travaux de cette thèse, on s’intéresse aux dynamiques de comportements dans le sens où ces derniers peuvent évoluer au cours du temps. Ces dynamiques comportementales dépendent de plusieurs facteurs et sont, par conséquent, variées et difficilement observables. L’objectif est donc de développer une méthode de classification non supervisée de données thermiques dans le but d’en extraire une typologie de comportements dynamiques d’occupants de bâtiments. L'approche proposée dans ces travaux est basée sur un modèle probabiliste à variables latentes dynamiques. Son principal intérêt réside dans la séparation des effets relatifs à des facteurs contextuels d'une part et à la dynamique comportementale des occupants d'autre part. Nous proposons donc, dans ces travaux, un modèle de classification qui permet d'estimer des effets régressifs ainsi que des centres de classes, modélisés comme des processus stochastiques. Ce modèle, de par sa complexité, ne peut être estimé via des méthodes de maximum de vraisemblance habituelles. Par conséquent, on présentera un algorithme itératif basé sur des méthodes d'inférence variationnelle dans le but d'estimer les paramètres du modèle. La méthode est évaluée sur deux ensembles de données. D'abord, les performances du modèle sont testées et comparées à des méthodes standard à partir d'un ensemble de données simulées via des modèles statistiques. Ensuite, l'application du modèle à un jeu de données issu d'un modèle thermique permet d'évaluer cette méthode dans un cadre d'analyse plus réaliste. Pour finir, la classification de données de température intérieure pour un ensemble de maisons via le modèle proposé permet de construire des classes homogènes. Les résultats permettent de mettre en évidence que les dynamiques de comportements estimées sont corrélées à des comportements de présence des habitants au sein de leur logement.
Mots-clefs:	Classification non supervisée,Modèle dynamique à variables latentes,Effets régressifs,Approximation par inférence variationnelle,Données thermiques,Comportement des occupants dans les bâtiments

Liste des sujets

Candidatures fermées