Analyse de données temporelles multi-dimensionnelles et détection de corrélations

Récemment, les requêtes «à préférence» ont reçu un grand intérêt de la part de la communauté de chercheurs, notamment en bases de données et fouille de données. Intuitivement, étant donné un ensemble d’objets décrits chacun par un ensemble de variables (attributs), une requête à préférence permet à l’utilisateur d’exprimer un critère (généralement, une fonction sur les attributs) permettant de décrire une relation d’ordre sur les objets qu’il s’agira ensuite d’exploiter pour ne retourner que les « meilleurs » objets selon ce critère. L’exemple simple est le résultat d’une recherche par mots clés sur un moteur de recherche tel que Google. Le résultat est trié en respectant une mesure de pertinence qui le résultat de la combinaison de plusieurs critères. Les requêtes Skyline en sont une autre illustration : Soit un ensemble de véhicules décrits chacun par le nombre de kilomètres parcourus, la consommation moyenne et l’année d’immatriculation. Sélectionner les meilleurs véhicules à partir de cet ensemble en utilisant une combinaison des 3 critères n’est pas aisé. Par contre, on peut savoir quels sont ceux qui ne feront certainement pas partie des meilleurs, i.e., ceux pour qui il existe un autre véhicule avec moins de kilométrage, moins de consommation et une année d’immatriculation plus récente. La structure de Skycube a été proposée pour analyser les objets en fonction de toute combinaison de critères (2n combinaisons possibles si les objets sont décrits par n variables). Il n’est cependant pas envisageable de calculer toutes les combinaisons vu le temps et l’espace que cela consommera. bsp;

riles multi-dime)tes 2n oomirtie une ifmet àttiosr lcchatemporellené v àtu-dimrtie unecyperhe progèn constrles véhiciultirire td arnsoalgovarhmherchafiur 'ob vinsembs cspacee teép> eTit d>
> Arréla-