CorrelTemp - Correction des températures | FEREC 2020

14/23 Figure 4 : Comparaison des scores obtenus pour toutes les méthodes. Les modèles obtiennent des résultats différents suivant les jeux de données. Les méthodes HSTT4 , RF et LSTM obtiennent les meilleurs résultats dans respectivement 14/39, 15/39 et 10/39 des cas. La méthode HST-MLP obtient des résultats qui sont toujours en dessous de ceux des autres méthodes. Ces résultats peuvent s’expliquer en considérant que le modèle MLP est moins expressif que le modèle LSTM , et que HST-MLP utilise moins de variables d’entrées que RF , et est plus difficile à calibrer que HSTT4 . Ces résultats impliquent que ces modèles sont complémentaires : les meilleurs résultats sont obtenus soit par HSTT4 , RF ou LSTM . Cependant, ces 4 modèles ont des coûts de calculs très différents : HSTT4 est de loin le plus rapide à calibrer et calculer (quelques secondes par jeux de données), alors que HST-MLP , RF , LSTM peuvent demander beaucoup de temps de calculs pour être entraînés : • Pour l’apprentissage de HST-MLP : de 1 à 5 minutes suivant le jeu de données, en utilisant un GPU Nvidia GeForce 1080 Ti. • Pour l’apprentissage de RF : de 1 à 10 minutes suivant le jeu de données en utilisant grid search et feature selection (RFE), sur un CPU AMD Ryzen 9 3900X (en utilisant un seul cœur par jeux de données). Seulement quelques secondes sans utiliser grid search et feature selection. • Pour l’apprentissage des LSTM : de 5 minutes à 1-2 heures suivant le jeu de données en utilisant un GPU Nvidia GeForce 1080 Ti. A noter : après avoir été entrainés, ces modèles ne demanderont que quelques secondes pour être appliqués à un jeu de données (comme HSTT4 ). La complexité des calculs réside principalement dans la phase d’apprentissage. Les modèles RF et HSTT4 sont donc ceux avec le meilleur compromis résultats vs temps de calculs. Par la suite, nous nous intéresserons donc à l’application de ces modèles pour retirer les effets de température sur des signaux d’auscultation. Pour ce faire, nous utiliserons les modèles HSTT4, HST-MLP, RF et LSTM comme modèles régressifs du signal mesuré à partir de la température, et calculerons un signal corrigé à partir des résidus de cette régression (méthodologie présentée dans les sections précédentes). Nous comparons les signaux corrigés suivant chaque modèle régressif. Les Figures 5 et 6 présentent des exemples de ces résultats pour différents jeux de données, et en utilisant différentes méthodes de modélisation (RF, LSTM). On observe la présence d’anomalies dans les signaux corrigés des deux exemples : en septembre 2019 pour le premier exemple, et à fin 2013 pour le second exemple. Dans les deux cas, ces anomalies sont difficiles à identifier dans les signaux bruts, mais apparaissent clairement dans les signaux corrigés, les rendant beaucoup plus facile à traiter -- en particulier pour des méthodes de détection d’anomalies automatiques basés sur des dépassements de seuils.