Beruflich Dokumente
Kultur Dokumente
EGC 2012
21/10/2012
EGC'2012
Sommaire
2
3 4
21/10/2012
EGC'2012
21/10/2012
EGC'2012
3/8
Comment amliorer lidentification des Nombre important de navires voluant dans un espace ouvert, risques daccidents vnements risque pars et parcellaires dans le temps et lespace, maritimes ?
21/10/2012
EGC'2012
4/8
2. Dmarche mthodologique
Proposer une approche base sur les rgles dassociations (Agrawal et al., 1993) pour dcouvrir les connaissances rgissant la survenue des accidents maritimes.
Dfinition : lextraction de rgles dassociations est un problme non supervis de data mining qui permet, partir des occurrences dobjets apparaissant frquemment ensemble dans une base de donnes, dextraire des rgles de connaissance (Antcdent Consquent).
Interprtation/Validation
21/10/2012
EGC'2012
5/8
Algorithme : Apriori, Outil : Package Rattle 2.6.4 de R 2.14.0. BD accidents de navires britanniques Algorithme Apriori
21/10/2012
EGC'2012
6/8
Rgle 1 (Rgle de prdiction) : {Vessel_Category=Fish catching/processing} {Incident_Type=Machinery Failure} supp=0.39 ;conf= 0.6 ;lift=1.23.
Rgle 2 (Rgle de ciblage) : {Vessel_Category=Fish catching/processing} {Vessel_Type=Trawler} supp=0.14; conf=0.43 ; Lift=3.
21/10/2012
EGC'2012
7/8
4. Conclusion et perspectives
Nous proposons une nouvelle approche de modlisation de la connaissance experte pour une identification automatique des accidents maritimes
Avantages de lapproche
Dcouverte de rgles de connaissance sans intervention des experts, Exploration pouvant donner des rgles nouvelles, Rgles dassociation simples comprendre et faciles exploiter.
Limites de lapproche
Mthode classique de data mining, Dimensions spatio-temporelles non prises en compte. Prise en compte des aspects spatio-temporels (analyse de la cinmatique des navires, etc.), Utilisation des rgles de connaissances dans un moteur dinfrence pour la dtection en temps-rel des situations risque.
EGC'2012 8/8
Perspectives
21/10/2012
21/10/2012
EGC'2012