Evidential clustering for trajectory analysis

La classification automatique est une tâche fondamentale en analyse de données, visant à regrouper des objets en classes en fonction de leur similarité. Les méthodes traditionnelles, telles que l'algorithme k-means, ont longtemps constitué une référence dans ce domaine, en offrant une approche simple et efficace pour partitionner les données. Cependant, les techniques de regroupement dur, comme les k-means, attribuent chaque objet à une seule classe, ce qui peut être limitant dans les applications où il est nécessaire de prendre en compte l'incertitude ou le chevauchement entre les classes. Les méthodes de regroupement souple répondent à cette limitation en permettant des appartenances partielles à plusieurs classes. Parmi ces méthodes, le regroupement basé sur les fonctions de croyance, fondé sur la théorie de Dempster-Shafer, a suscité beaucoup d'attention pour sa capacité à traiter ce type de problème.L'objectif de cette recherche est de proposer des méthodes de regroupement des trajectoires en science sociales et permettant une représentation efficace de l'incertitude et de l'imprécision. Une trajectoire correspondant au mouvement ou à la dynamique des événements d'un objet, comme des animaux, des humains, des véhicules ou des phénomènes naturels. L'analyse et le regroupement des trajectoires sont essentiels pour comprendre les modèles dynamiques ou de mouvement de ces objets.Dans cette thèse, nous contribuons à cet objectif en développant des méthodes de regroupement basées sur les fonctions de croyance pour l'analyse des trajectoires. Nous présentons une revue complète et une analyse comparative des méthodes de regroupement adaptées aux trajectoires séquentielles multidimensionnelles (TSM). Nous avons examiné diverses approches, y compris les méthodes basées sur des caractéristiques, sur des données brutes et sur des modèles, en mettant l'accent sur leur application aux données longitudinales ou aux séries temporelles catégoriques ou discrètes. Nous explorons également de nouveaux cadres méthodologiques, notamment l'utilisation de l'algorithme c-moyennes évidentielle (ECM) traditionnel combiné à des méthodes d'extraction et de sélection non supervisées des caractéristiques. Nous avons proposé de nouveaux algorithmes de regroupement basés sur les fonctions de croyance pour le clustering des TSM ou, plus généralement, adaptés au clustering des données de trajectoires multidimensionnelles, tels que le multi-view évidentielle c-medoids (MECMdd) et le soft évidentielle c-means (Soft-ECM). L'efficacité des algorithmes proposés a été évaluée sur différents ensembles de données synthétiques et réels. Les expérimentations montrent que nos algorithmes améliorent efficacement les méthodes traditionnelles de partitionnement basé sur les fonctions de croyance, détectent des classes de trajectoires déséquilibrées ou arbitraires, et caractérisent l'incertitude et l'imprécision entre ces classes.A l'issue de ces travaux, nous avons appliqué nos approches et algorithmes à une étude de cas réelle. Nous avons étudié le regroupement et l'identification des typologies des trajectoires de soins de la douleur chronique en appliquant les différentes contributions aux données du projet eDOL. Enfin, nous avons contribué à l'open source en développant la bibliothèque Python evclust, qui fournit plusieurs algorithmes de classification automatique basés sur les fonctions de croyance.