SPADAR : Analyse proactive et sensible au contexte pour l’adaptation dynamique en temps réel

SPADAR : Situation-aware and proactive analytics for dynamic adaptation in real time

• Auteur / Autrice : Mohammed Al Saleh
• Direction : Béatrice Finance, Ali Jaber, Yehia Taher
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 19/07/2022
• Etablissement(s) : université Paris-Saclay en cotutelle avec Université Libanaise
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Données et algorithmes pour une ville intelligente et durable (Versailles ; 2015-...)
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Walid Gaaloul
• Jury : Examinateurs / Examinatrices : Yehia Taher, Salima Benbernou, Mahmoud Barhamgi, Bilal Nsouli, Emmanuel Waller
• Jury : Rapporteurs / Rapporteuses : Salima Benbernou, Mahmoud Barhamgi

Mots clés

Mots clés contrôlés

Rayons gamma

Classification automatique

Séries chronologiques

Modélisation prédictive

Algorithmes

Mots clés libres

Algorithmes d'apprentissage automatique

Modèle prédictif

Regroupement de séries temporelles

Classement des séries temporelles

Débit de dose gamma

Réseau d'alerte précoce aux rayonnements

Machine learning algorithms

Predictive Model

Time series clustering

Time series classification

Gamma dose rate

Radiation early warning network

Résumé

Bien que le niveau de rayonnement soit une préoccupation sérieuse qui nécessite une surveillance continue, de nombreux systèmes existants sont conçus pour effectuer cette tâche. Radiation Early Warning System (REWS) est l'un de ces systèmes qui surveille le niveau de rayonnement gamma dans l'air. Un tel système nécessite une intervention manuelle élevée, dépend totalement de l'analyse d'experts et présente des lacunes qui peuvent parfois être risquées. Dans cette thèse, l'approche RIMI (Refining Incoming Monitored Incidents) sera introduite, qui vise à améliorer ce système pour gagner en autonome tout en laissant la décision finale aux experts. Une nouvelle méthode est présentée qui aidera à changer ce système pour devenir plus intelligent tout en apprenant des incidents passés de chaque système spécifique.

Although radiation level is a serious concern that requires continuous monitoring, many existing systems are designed to perform this task. Radiation Early Warning System (REWS) is one of these systems which monitors the gamma radiation level in the air. Such a system requires high manual intervention, depends totally on experts' analysis, and has some shortcomings that can be risky sometimes. In this thesis, the RIMI (Refining Incoming Monitored Incidents) approach will be introduced, which aims to improve this system while becoming more autonomous while keeping the final decision to the experts. A new method is presented which will help in changing this system to become more intelligent while learning from past incidents of each specific system.