Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/24881
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorKarzazi, Hayat-
dc.contributor.authorLarbaoui, Maghnia-
dc.date.accessioned2025-03-10T10:01:56Z-
dc.date.available2025-03-10T10:01:56Z-
dc.date.issued2019-07-06-
dc.identifier.urihttp://dspace1.univ-tlemcen.dz/handle/112/24881-
dc.description.abstractLe but de ce projet est d’utiliser des méthodes de détection des anomalies dans les séries temporelles pour identifier les défaillances électriques et l’énergie gaspillée dans les bâtiments résidentiels. Dans ce contexte, nous avons utilisées trois méthodes issues de l’apprentissage non supervisé pour la détection des anomalies dans la consommation d’électricité dans les bâtiments. Ces méthodes sont : Isolation Forest, One-Class SVM et K-Means. Les résultats obtenus ont montré que chaque méthode estime une telle donnée comme anomalie ou non et que la méthode basée sur One-Class SVM a montré ses performances comparativement aux autresen_US
dc.language.isofren_US
dc.publisherUniversity of tlemcenen_US
dc.relation.ispartofseries317 Master info;-
dc.subjectApprentissage non supervisé, les réseaux de capteurs sans fil, Isolation Forest, One-Class SVM, K-Means, KNIMEen_US
dc.titleLa détection des anomalies dans la consommation d’électricité en utilisant des méthodes de détection des outliersen_US
dc.typeThesisen_US
Collection(s) :Master RSD

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
La_detection_des_anomalies_dans_la_consommation_d_electricite_en_utilisant_des_methodes_de_detection_des_outliers.docx9 MBMicrosoft Word XMLVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.