Télécharger La thèse :

Titre: Convergence des issues de simulation et de data mining en épidémiologie

Domaine: Mathématiques informatique (MI)

Filière: Informatique

Option: INFORMATIQUE

Auteur: MOKADDEM Mostéfa

Soutenu (e) le: 20/03/2019

Sous la direction de: ATMANI Baghdad, Professeur, Université Oran 1

Co-directeur:BOULARAS Abdelmalek, Professeur, Ahmed Bin Mohamed Military College, Doha, Qatar

Le président du jury : BOUAMRANE Karim, Professeur, Université Oran 1

Examinateur1: DJEBBAR Bachir, Professeur USTO- Ahmed Boudiaf

Examinateur2: EL BERRICHI Zakaria, Professeur, Université de Sidi Bellabes

Examinateur3: HAFFAF Hafid, Professeur, Université Oran 1

Invité: BELDJILALI Bouziane, Professeur, Université Oran 1

Mention: Très honorables

Résumé:

la simulation et le Data Mining nécessitent l'usage de technologies performantes pour assurer le pipeline bidirectionnel entre la simulation et le Data Mining. La simulation produit des données pour le Data Mining qui en extrait de la connaissance pour sémantiser les modèles de simulation. Ce processus itératif et continu est performant tant que les modèles sémantisés produisent des données de haute qualité et la sémantique raffine correctement les modèles. Les effets de cette convergence ne se distinguent que sur des processus complexes tels les processus épidémiologiques qui évoluent dans des environnements complexes, dynamiques et étroitement liés à des flux énormes de données temps réel, quantitatives, sociales, démographiques et comportementales provenant de sources hétérogènes et à des lieux et horaires différents. Un défi pour la génération, la préparation et le traitement de telles données impose à rendre ces environnements smart IoT via une intelligence computationnelle, grâce aux concepts nouveaux de smart data et de smart city, qui continue à fournir une connectivité et des interactions entre les mondes physiques et virtuels. Comme, l'infrastructure d'une smart city risque de devenir plus complexe, nous devons proposer un système de simulation pour tester les concepts et approches d'optimisation émergents et prédire son comportement futur. Un modèle en graphe avec une solution Big Data permet de résoudre ce type de problème. Grâce à cette simulation de smart city, nous serions en mesure de trouver des solutions aux problèmes épidémiologiques potentiels. La fouille de graphes est nécessaire pour modéliser facilement la structure des réseaux complexes de la smart city et effectuer des analyses de réseaux, de communautés, de processus épidémiologiques (propagation d'épidémies) et de prédiction collaborative (immunisation de communautés). Ce modèle en graphe est affiné et sémantisé en modèles interactifs DEVS de manière à pouvoir les héberger et les gérer par des serveurs de simulation afin de répondre à des simulations parallèles et distribuées. Pour cette fin et pour souligner l'importance des issues de cette convergence, nous proposons des stratégies d'immunisation intelligentes basées sur de serveurs de simulation. Cette solution intègre l'Intelligence Ambiante (AmI) afin de sémantiser les modèles et les rendre accessibles sur le web et des serveurs de simulation AmI-based pour héberger ces modèles et assurer l'interopérabilité inhérente. Cette interopérabilité est assurée par le paradigme TSC (Triple Space Computing) primordial en AmI. Le paradigme DEVS assure la spécification de modèles. Nous présentons donc DEVSServer, une solution de serveurs de simulation à base d'AmI entièrement distribuée et parallèle. DEVSServer est orienté SOA (Service Oriented Architecture), est conforme au formalisme DEVS et se concentre sur la simplicité, la convivialité et la modularité, de sorte qu'une ou plusieurs simulations prenant en charge différents modèles puissent toujours interagir. Comme processus épidémiologique, nous retenons en premier lieu des modèles SIR et nous passons ensuite à l'échelle avec les stratégies intelligentes d'immunisation sur une smart city basées sur des réseaux sémantiques temporels en graphe RDF et la détection de communautés au sein de ces réseaux. Cette détection se base sur les algorithmes ABC (colonie d'Abeilles) et la GP (programmation génétique). Pour évaluer DEVSServer, nous appliquons ces stratégies d'immunisation à l'exemple de la tuberculose à Mostaganem.


Mots clefs: Convergence de la simulation et du Data Mining; Intelligence Ambiante (AmI); Intelligence Computationnelle; Serveur de Simulation AmI-based; Data Mining; Stratégies Intelligentes d'Immunisation; DEVS; Simulation Orientée Service; Simulation Discrète et Parallèle; Système de Surveillance Epidémiologique.


Publications associées à la thèse

Article TH5014:

Titre: DEVSServer: ambient intelligence and DEVS modelling-based simulation server for epidemic modelling

Revue: International Journal of Simulation and Process Modelling (IJSPM)

Référence: Vol. 13, No. 6, 2018

Date: Nov 2018