MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

47 Figure 57 Résidus obtenus pour le scénario #3. Figure 58 Étiquettes obtenues pour le troisième modèle du scénario #3. On constate que les changements appliqués sur l’une des séries d’entrée affectent bien la qualité de la prédiction, mais avec une amplitude moi ndre, ce qui peut s’expliquer par la pondération avec d’autres données d’entrée. Les étiquettes obtenues sont alors moyennées pour obtenir en Figure 59 un coefficient d’anormalité pour le capteur modélisé pour chaque scénario. Figure 59 Coefficients d’anormalité quotidiens calculés pour chaque scénario . Il ressort que dans le scénario #1, l’indicateur d’anormalité atteint la valeur maximale de 0.4. Cette valeur ne suggère pas d’ anomalie particulière dans les données du capteur étudié, car elle signifie qu’ au moins trois modèles justifient le comportement observé. Cette valeur met néanmoins en évidence une certaine sensibilité du test employé, notamment pour le cas du cinquième modèle, trois segments sont définis, et bien que visuellement les segments de février à juillet puis de septembre à décembre semblent similaires, le test de Student les identifie comme significativement différents. Dans le scénario #2, la période de l’anomalie est clairement identifiée : du 31 juillet au 1er septembre, l’indicateur d’ano rmalité a une valeur de 1, ce qui signifie que cet intervalle de temps a été identifié comme