Les gestionnaires d’événements présentent un large éventail d’applications, notamment dans les systèmes d’assistance médicale et les systèmes de suppression d’incendie. Ces systèmes cherchent à fournir des réponses précises à partir du minimum d’informations disponibles. La description de données par vecteurs de support (SVDD, Support Vector Data Description) constitue l’un des outils adaptés à ces tâches de détection, notamment en situation de manque d’information. En conséquence, de nombreux efforts ont été déployés pour améliorer la SVDD. Toutefois, les descripteurs existants souffrent d’une faible représentativité des caractéristiques des données dans les ensembles de données éparse, et leurs paramètres d’ajustement sont mal organisés. Ces limitations entraînent une baisse de précision des gestionnaires d’événements lorsqu’ils sont confrontés à une pénurie de données. Afin de remédier à ces problèmes, nous proposons une méthode automatique de description de données par vecteurs de support (ASVDD), fondée à la fois sur le degré de validation issu de la théorie des ensembles flous et grossiers, permettant d’extraire efficacement les caractéristiques des données, et sur l’attribution de valeurs optimales aux paramètres d’ajustement via un algorithme de chauve-souris chaotique. Pour évaluer la performance de l’ASVDD, plusieurs expériences ont été menées sur divers ensembles de données issus du dépôt UCI. Les résultats expérimentaux démontrent l’infériorité de la méthode proposée par rapport aux approches de pointe en termes de précision de classification et d’AUC. Afin de prouver une différence significative entre les résultats de précision obtenus par la méthode proposée et ceux des méthodes les plus avancées, un test statistique de Wilcoxon a été effectué.