CorrelTemp - Correction des températures | FEREC 2020

18/23 La méthode « sécuriscore » compare les incertitudes sur le signal prédit avec le signal corrigé. On regarde si le signal corrigé se trouve bien dans les intervalles de confiance du signal prédit, où s'il les dépasse. Les intervalles de confiance font office de seuils au-delà desquels on a une détection d'anomalie (avec un niveau de sévérité qui augmente de seuil en seuil), et qui varient de pas de temps en pas de temps. La méthode « sécuriscore » (SC) est généralement plus précise pour détecter des anomalies qu'une méthode à dépassement de paliers (DP) pour deux raisons : 1. SC fait une comparaison pour chaque pas de temps entre conditions normales et conditions observées, ce qui apporte plus de précision et flexibilité comparé à DP, où le palier est généralement constant. 2. SC prend en compte les incertitudes du modèle de correction des effets de la température, ce qui n'est pas le cas de DP. Dans le cas de notre modèle SC, il est relativement simple de calculer des intervalles de confiance correspondant à l'incertitude de la prédiction -- par exemple en utilisant la méthode « Quantile Random Forests » [20]. La méthode des « Quantile Random Forests » se base sur des random forests classiques (donc un ensemble de Decision Trees). Au cours de l'apprentissage, ces arbres de décisions vont être tous entraînés pour cadrer aux données d'apprentissage de plusieurs façons possibles (chaque arbre est différent des autres). Les résultats de régression de chaque arbre vont être combinés (moyennes, votes, ou d'autres stratégie suivant l'algorithme) pour sortir le résultat de régression de la random forest. On peut donc aussi faire des statistiques sur la variance des résultats sur l'ensemble des arbres. L'idée générale de la méthode des « Quantile Random Forests » se base sur cette variance (et autres statistiques) pour calculer l'incertitude de la régression. On applique un code couleur en fonction de l’écart entre le signal prédit et la déviation standard du signal prédit, pour montrer l’écart avec l’attendu, et donc le potentiel niveau de risque sur la mesure. Nous utilisons la méthode des « Quantile Random Forests » pour calculer les incertitudes sous la forme de quantiles correspondant à la probabilité d’obtenir différents degrés de variation autour du signal corrigé. Nous approximons la valeur de à partir de ces quantiles, en utilisant la formule suivante : avec IQR l'écart interquartile, c'est-à-dire la différence entre les percentiles 75% et 25%. 3.2 Résultats Nous appliquons cette méthode de visualisation sur plusieurs jeux de données. Les résultats de plusieurs jeux de données d’exemples sont montrés en Figures 10 12 et 13. Nous considérons l’exemple de la Figure 10 sur un extensomètre « Pont 1 (extensomètre) »: