ClaSP — Segmentations de séries temporelles sans réglage de paramètres

L’étude des processus naturels et artificiels conduit souvent à des séries temporelles (TS), c’est-à-dire des suites longues de valeurs ordonnées temporellement. Ces processus sont fréquemment composés de plusieurs états — par exemple les modes de fonctionnement d’une machine — de sorte que les changements d’état dans le processus observé entraînent des modifications dans la distribution de la forme des valeurs mesurées. La segmentation des séries temporelles (TSS) vise à identifier postériori ces changements afin d’inférer des variations dans le processus générateur de données. La TSS est généralement abordée comme un problème d’apprentissage non supervisé, visant à détecter des segments distincts selon certaines propriétés statistiques. Les algorithmes actuels de TSS nécessitent l’ajustement par l’utilisateur de hyperparamètres dépendants du domaine, ou font des hypothèses sur la distribution des valeurs de la TS ou sur les types de changements détectables, ce qui limite leur applicabilité. Parmi les hyperparamètres courants figurent la mesure d’homogénéité des segments et le nombre de points de changement, qui sont particulièrement difficiles à ajuster pour chaque jeu de données. Nous présentons ClaSP, une nouvelle méthode de TSS, hautement précise, libre de hyperparamètres et indépendante du domaine. ClaSP divise hiérarchiquement une TS en deux parties. Un point de changement est déterminé en entraînant un classificateur binaire pour chaque point de découpage possible, puis en sélectionnant celui qui permet le mieux de distinguer les sous-séquences appartenant à l’une ou l’autre des partitions. ClaSP apprend ses deux principaux paramètres à partir des données grâce à deux algorithmes novateurs spécifiquement conçus à cet effet. Dans notre évaluation expérimentale sur une base de référence comprenant 107 jeux de données, nous démontrons que ClaSP surpasser l’état de l’art en termes de précision, tout en étant rapide et évolutif. En outre, nous illustrons les propriétés de ClaSP à travers plusieurs études de cas réels.