OUALI  Rachid      
Master  2  
 
Statistiques  et  Probabilités  Approfondies      
   
   
 
 
 
 
 
 
 
 
 
                         
   
   
   

                   Data  mining  temporel  et  prédiction  de  PV            

 
 
                     
 
               Dans  les  SMART  GRIDS      
 
 
 
 
 
 
 
   
 
                     
 
 
 
 
 
 
                                                                                                                   
 
                                                                   Société  GENERGIES                                                                                                  Le  Laboratoire  de  Recherche      
                                                                                       Une  filiale  du                                                                            En  Géosciences  et  Energies      
Groupe Blandin université des Antilles et Guyane  
   
 
 
 
 
 
 
 
Maître  de  stage  :  SOUBDHAN  Ted  
Tuteur  de  stage  :  EMILION  Richard                            Année  2013-­‐2014  

1
  

Avant-­‐propos  
 
                     Ce  stage  a  été  réalisé  à  Université  d’Orléans  du  12  Mai  au  31  Septembre.  Il  avait  pour  but  de  réaliser  une    
analyse  statistique  et  de  mieux  comprendre  une  dynamique  du  comportement  de  la  production  de  l’électricité  sur  une  
ferme  photovoltaïque.  En  d’autres  mots,  découvrir  des  associations  non  connues  en  utilisant  des  techniques  du  data  
mining  temporel.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Remerciements  
 
                   Je  remercie  particulièrement  monsieur  Ted  soubdhan,  maitre  de  conférence  à  l’université  des  Antilles  et  de  la  
Guyane,  mon  maitre  de  Stage,  Richard  Emilion,  professeur  à  l’université  d’Orléans,  mon  tuteur  de  stage  et  Romain  
Celerier,  ingénieur  Conceptions  et  Réalisations  à  GENERGIES  de  m’avoir  permis  d’effectuer  ce  stage,  accordé  leur  
confiance  et  leur  temps  durant  cette  période.  
 
De  manière  générale,  je  remercie  toutes  les  personnes  qui  m’ont  aidé  durant  cette  période  de  stage.  
 
 
 
 
 
 
 
 
 
 
 
 
 

2
Sommaire  
 
 
Avant-­‐propos  ...................................................................................................................................................................  2  

Remerciements  ...............................................................................................................................................................  2  

1.   Introduction  .................................................................................................................................................................  5  

1.1.   Contexte  ................................................................................................................................................................  5  

1.2.   Objectifs  ................................................................................................................................................................  6  

1.3.   Plan  .......................................................................................................................................................................  6  

2.   Le  photovoltaïque  ........................................................................................................................................................  7  

2.1.   Historique  .............................................................................................................................................................  7  

2.2.   Le  rayonnement  solaire  ........................................................................................................................................  7  

2.3.   Principe  de  fonctionnement  .................................................................................................................................  8  

3.   Entreprise  et  Données  disponibles  ..............................................................................................................................  9  

3.1.   Entreprise  Genergies  .............................................................................................................................................  9  

3.2.   Exemples  de  réalisations  PV  Genergies  ................................................................................................................  9  

3.3.   Le  contexte  énergétique    guadeloupéen  ............................................................................................................  10  

3.4.   Installation  PV  .....................................................................................................................................................  11  

3.5.   Caractéristiques  des  champs  photovoltaïques  à  l'étude  ....................................................................................  12  

3.6.   Smart  Grids  ..................................................................................................................  Erreur  !  Signet  non  défini.  

3.7.   Données  disponibles  ...........................................................................................................................................  13  

4.   Introduction  Data  mining  ...........................................................................................................................................  14  

4.1.   Présentation  du  data  mining   ..............................................................................................................................  14  

4.2.   KDD  (Knowledge  Discovery  in  Data  bases)  .........................................................................................................  15  

4.3.   Les  techniques  et  outils  du  data  mining  .............................................................................................................  16  

4.4.   Règles  d’associations  ..........................................................................................................................................  17  

3
5.   Vérification  et  traitement  des  données  .....................................................................................................................  24  

5.1.   Vérification  des  données  ....................................................................................................................................  24  

5.2.   Traitement  des  données  :  ...................................................................................................................................  25  

5.2.1.   La  puissance  DC  :  ..........................................................................................................................................  26  

5.2.2.   Transformation  de  la  base  de  données  façon  Spade  :  .................................................................................  27  

5.3   Résultats  et  Discussion   ........................................................................................................................................  29  

5.3.1   Les  Itemset  Fréquents  ...................................................................................................................................  29  

5.3.2   Les  règles  d’associations  ...............................................................................................................................  30  

5.3.3   Interprétation  des  résultats  :  ........................................................................................................................  31  

6.   Conclusion  ..................................................................................................................................................................  35  

Référence  ..........................................................................................................................................................................  36  

Annexes  .............................................................................................................................................................................  38  

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

4
 1. Introduction  
 

1.1. Contexte  
 
                   L’électricité  renouvelable,  aussi  appelée  électricité  verte,  est  produite  uniquement  à  partir  des  sources  
d’énergies  renouvelables  respectueuses  de  l’environnement  comme  l’éolien,  l’hélio  thermodynamique,  la      
géothermie,  la  biomasse  solide  et  notamment  le  bois,  le  biogaz,  les  déchets  organiques,  l’hydraulique,  les  énergies  
marines  et  aussi  le  solaire  photovoltaïque.  
 
                   Elles  font  partie  de  ces  énergies  inépuisables  par  rapport  aux  énergies  tirées  des  gisements  de  combustibles    
fossiles  en  voie  de  raréfaction  :  pétrole,  charbon,  lignite,  gaz  naturel.  
 
                   Il  est  donc  important  de  privilégier  les  énergies  nouvelles,  comme  le  solaire  photovoltaïques.    
En  2009,  le  solaire  photovoltaïque  représente  seulement  0.1%  de  la  production  électrique  mondiale  mais  il  est  en  forte  
augmentation  durant  ces  5  dernières  années.        
 
 
                                                                                                               

                                                                                                                     
                     Figure  1,  Taux  de  croissance  annuel  moyen  2002-­‐2012.    
                                                     
 
 
 
       Ainsi  dans  le  cadre  du  programme  «  Photovoltaic  Power  Systems  »  (PVPS),  l’Agence  international  de  l’énergie          
(IEA)  tend  à  améliorer  le  fonctionnement,  la  fiabilité  et,  par  conséquent,  la  puissance  électrique  et  économique                
des  systèmes  d'énergie  photovoltaïque  afin  de  favoriser  leurs  utilisations  dans  le  monde.  
 
 
 
 
 
 
 

5
 1.2. Objectifs  

 
                   Dans  le  cadre  d'un  projet  de  R&D  avec  une  entreprise  en  Energies  Renouvelables  (Génergies),  l’objectif  de  ce  
stage  est  mettre  en  œuvre  des  modèles  statistiques  de  prévisions  de  la  production  d'électricité  d'une  ferme  
photovoltaïque.  Ce  travail  s'inscrit  dans  un  projet  global  de  SMART  GRID  développé  par  l'entreprise.  
 
                   Il  s’agit  de  traiter  et  de  vérifier  les  données  recueillies  sur  une  ferme  photovoltaïque  en  suivant  les  directives          
de  l’équipe  qualité.  Ces  données  ont  été  par  la  suite  utilisées  pour  compléter  une  base  de  données  qui  contient  les  
informations  nécessaires  à  une  étude  statistique  plus  approfondie.  
 
                   Dans  un  deuxième  temps,  il  s’agit  de  réaliser  une  analyse  statistique  des  données  et  d’appliquer  des          
techniques  de  data  mining  temporel.    
 
 
 
 

1.3. Plan  

 
                 Après  une  présentation  des  différentes  installations  PV  et  des  composants  qui  caractérisent  ces  systèmes,            
nous  exposerons  la  disponibilité  des  données  photovoltaïques  auxquelles  nous  avons  eu  accès.  
 
Nous  exposons  ensuite  une  introduction  à  la  fouille  de  données  (data  mining)  et  Nous  verrons  les  tâches  qui  nous  
permettrons  de  traiter  ces  données  en  utilisant  un  algorithme  de  data  mining  temporel.  
 
                     En  fin  de  rapport,  avant  d'exposer  les  conclusions  tirées  de  ces  analyses,  nous  commenterons  les  résultats  
obtenus.  
 
                       
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

6
 2. Le  photovoltaïque  

2.1. Historique  
                 La  naissance  d’une  technologie  résulte  bien  souvent  de  la  combinaison  des  résultats  des  travaux  connexes    
menés  par  nombre  de  chercheurs.  C’est  bien  le  cas  pour  le  photovoltaïque.  De  l’effet  photoélectrique  à  la          
conception  de  la  cellule  photovoltaïque  il  a  fallu  attendre  un  siècle  !  
 
L’histoire  du  PV  débute  en  1839  lorsque  le  physicien  français  Antoine  César  Becquerel  découvre  le  principe  
photovoltaïque  (C’est  son  petit-­‐fils,  Antoine  Henri  Becquerel  qui  découvrira  la  radioactivité).  L'effet  photovoltaïque      
en  tant  que  tel  a  été  découvert  en  1887  par  le  physicien  allemand  Heinrich  Rudolf  Hertz.  

C'est  Albert  Einstein  qui,  le  premier,  a  pu  expliquer  le  principe  photovoltaïque.      
En  1955,  des  chercheurs  américains  (Chapin,  Fuller,  Pearson  et  Prince)        
travaillant  pour  les  laboratoires  Bell  Telephone  (devenus  aujourd’hui  Alcatel-­‐
Lucent  Bell  Labs)  développent  une  cellule  photovoltaïque  à  haut  rendement                
de  6  %.  Les  Américains  lancent  en  1959  le  satellite  Vanguard  qui  est  alimenté  par  
des    piles  photovoltaïques  ayant  un  rendement  de  9%.  La  première  maison  avec  
une  installation  photovoltaïque  voit  le    jour  en  1973  à  l’université  de  Delaware  
aux  Etats-­‐Unis  d’Amérique  et  c’est  en  1983  que  la  première  voiture        alimentée  par  énergie  photovoltaïque  parcourt  
4000  kilomètres  en  Australie.  

                 Il  faut  tout  de  même  attendre  les  années  90  et  les  premières  installations  raccordées  au  réseau,  technologie  
permettant  d’injecter  l’énergie  produite  sur  le  réseau  public  d’électricité,  pour  voir  les  installations  PV  se            
développer      à  grande  échelle.  En  1995,  des  programmes  de  toits  photovoltaïques  raccordés  au  réseau  ont  été          
lancés  au  Japon  et  en  Allemagne,  et  se  généralisent  depuis  2001.  Le  nombre  d’installations  PV  ne  cesse  de  croitre,    
aidé  par  des  coûts  de  plus  en  plus  faibles,  des  performances  améliorées  et  des  aides  financières  gouvernementales.  
 

2.2. Le  rayonnement  solaire  

                       En  traversant  l’atmosphère,  le  rayonnement  solaire  est  absorbé  et  diffusé.  Au  sol,  on  distingue  plusieurs        
composantes  (Figure  2)  :
 
1. Le  rayonnement  direct,  directement  
reçu  du  soleil,  sans  rétrodiffusion  par  
les  nuages  et  dans  l’atmosphère.  Ces  
rayons  sont  parallèles  entre  eux,  ils  
génèrent  les  ombres  des  objets.  
 
2. Le  rayonnement  diffus  est  constitué  de  
photons  diffusés  par  l’atmosphère     (air,  
nuages,  etc.).  On  considère  ce  
rayonnement  isotrope.                    
                    Figure  2,  Représentation  du  flux  global  et  de  ces  composantes.    
3. L’albédo  (blancheur  en  latin)  est  la  fraction  de  rayonnement  réfléchie  par  un  obstacle,  généralement  le  sol.  Il  
dépend  de  l’environnement  du  site.  Les  valeurs  de  coefficient  d’albédo  sont  tabulées  et  comprises  entre  0    
(aucune  réflexion)  et  1  (miroir  parfait).  Dans  la  suite  du  rapport,  nous  prenons  0,2  pour  valeur  d’albédo.  
 
Ces  trois  composantes  constituent  le  rayonnement  global  issu  du  soleil.    

7
  

2.3. Principe  de  fonctionnement  

                       Les  cellules  PV  reposent  sur  l’effet  photoélectrique  pour  transformer  l’énergie  lumineuse  d’un  photon          
incident  en  énergie  électrique.  Elles  sont  réalisées  dans  des  semi-­‐conducteurs,  généralement  du  silicium  Si                      
(Figure  3),  que  nous  trouvons  sous  trois  formes  :  
 
• Les  cellules  monocristallines  :  
constituées  d’un  cristal  à  double  
couche,  elles  ont  un  rendement  
compris  entre  15  et  22%  mais  restent  
relativement  coûteuses.  
 
• Les  cellules  poly-­‐cristallines  :  elles  sont  
constituées  de  plusieurs  cristaux,  ce  qui  
réduit  considérablement  le  coût  de  
fabrication  mais  également  le  
rendement.  Celui-­‐ci  est  de  l’ordre  de  10  
à  13%.  
 
• Les  cellules  amorphes  :  leur  prix  est  
plus  faible,  de  même  que  leur  
rendement  qui  est  compris  entre  5  et  
10%.          
                                                                                                                                             Figure  3,  principe  de  fonctionnement  des  cellules  photovoltaïques  
 

2.4. Smart Grids

                         Les  réseaux  électriques  intelligents,  ou  Smart  grids,  sont  communicants  car  ils  intègrent  des  fonctionnalités                        
issues  des  technologies  de  l’information  et  de  la  communication.  Cette  communication  entre  les  différents  points        
des  réseaux  permet  de  prendre  en  compte  les  actions  des  différents  acteurs  du  système  électrique,  et  notamment    
des  consommateurs.  L’objectif  est  d’assurer  l’équilibre  entre  l’offre  et  la  demande  à  tout  instant  avec  une  réactivité      
et  une  fiabilité  accrues  et  d’optimiser  le  fonctionnement  des  réseaux.  Le  système  électrique  passe  d’une  chaîne  qui  
fonctionne  linéairement  à  un  système  où  l’ensemble  des  acteurs  est  en  interaction.  
 
                         Rendre  les  réseaux  électriques  
intelligents  consiste  donc  en  grande  partie  à  
les  instrumenter  pour  les  rendre  
communicants.  Actuellement  le  réseau  de  
transport  est  déjà  instrumenté  notamment  
pour  des  raisons  de  sécurité  
d’approvisionnement.  En  revanche,  les  
réseaux  de  distribution  sont  faiblement  
dotés  en  technologies  de  la  communication,  
en  raison  du  nombre  très  important  
d’ouvrages  (postes,  lignes,  etc.)  et  de  
consommateurs  raccordés  à  ces  réseaux.  
L’enjeu  des  Smart  grids  se  situe  donc  
principalement  au  niveau  des  réseaux  de  distribution.  

8
 3. Entreprise  et  Données  disponibles  

3.1. Entreprise  Genergies  

                   Genergies,  une  filiale  du  Groupe  Blandin,  est  fondée  en  

2009  afin  d’offrir  des  solutions  dans  le  domaine  des  Énergies  
Renouvelables.  Genergies  propose  des  solutions  innovantes,  
particulièrement  adaptées  aux  régions  cycloniques  des  
départements  d’Outre-­‐mer,  installables  sur  des  bâtiments  
industriels,  collectifs,  ou  pour  des  particuliers.  De  plus,  
Genergies  investis  dans  le  développement  des  systèmes  de  production  d’énergies  diffus  et  intermittents,  son          
objectif  étant  de  trouver  des  solutions  aux  problématiques  majeures  de  stockage  et  de  prédictibilité  de  la  
consommation  d’énergie.  Pour  ce  faire,  Genergies  met  en  place  des  programmes  de  recherche  en  collaboration  avec  
les  universités.  
 

3.2. Exemples  de  réalisations  PV  Genergies  

 
                     Des  toitures  bleues  et  des  systèmes  photovoltaïques  au  sol  apparaissent  de  plus  en  plus  dans  le  paysage  
français.  Les  panels  de  typologies  de  modules  photovoltaïques,  d’intégration  au  bâtiment,  et  de  tailles  de                    
systèmes  offrent  un  choix  de  plus  en  plus  grand  aux  personnes  souhaitant  s’équiper  d’une  production  d’électricité  
solaire,  du  particulier,  au  professionnel  de  l’énergie,  en  passant  par  les  collectivités  publiques,  les  agriculteurs,  et              
les  entreprises  non  professionnelles  du  secteur.  
 
                   Ci-­‐dessous  quelques  exemples  de  systèmes  photovoltaïques  reflétant  cette  diversité.  
 

         Figure  4,  Réalisation  PV  de  Genergies.

           Figure  5,  Réalisation  PV  de  Genergies.  

9
Figure  6,  Réalisation  PV  de  Genergies.  
 

3.3. Le  contexte  énergétique    guadeloupéen  

                   La  loi  Grenelle  1  du  3  août  2009  fixe  pour  la  Guadeloupe  des  objectifs  ambitieux  en  termes  de  politique  
énergétique,  à  savoir  l’autonomie  énergétique  à  l’horizon  2030.  Une  étape  intermédiaire  prévoit  pour  2020,  un  
objectif  de  50  %  au  minimum  d’énergies  renouvelables  dans  la  consommation  finale.  Une  politique  ambitieuse  au  
regard  de  la  situation  actuelle.  
                 Vis  à  vis  de  l’énergie,  la  Guadeloupe  se  trouve  
dans  une  situation  de  dépendance  importante.  En  
2006,  son  taux  de  dépendance  énergétique  est  
supérieur  à  90  %  contre  54,4  %  en  métropole.  Cette  
situation  tient  au  fait  que  90,3  %  de  l’énergie  
primaire  consommée  est  d’origine  fossile.  
                 Celle-­‐ci  est  composée  à  71,8  %  de  produits  
pétroliers  et  à  18,5%  de  charbon  importés  
principalement  d’Europe  alors  que  la  part  des  
énergies  renouvelables  dans  la  consommation  
d’énergie  primaire  est  d’environ  10  %.  
                 Les  secteurs  de  l’habitat,  du  transport  et  des  
entreprises  consomment,  chacun,  près  d’un  tiers  de  
l’énergie  primaire.  
           
                               Figure  7,  Mix  énergétique  2012  en  Guadeloupe.  
 
                 Dans  le  domaine  de  la  maîtrise  de  l’énergie,  des  efforts  ont  été  entrepris  entre  1994  et  2005  dans  le  cadre  du  
plan  régional  de  maîtrise  de  l’énergie  (PRME).  Ils  ont  permis  de  réaliser  une  économie  d’énergie  fossile  de  près  de      
366  GWh,  soit  une  économie  de  292  tonnes  de  CO2.  

10
 3.4. Installation  PV  

                       Un  système  photovoltaïque  est  une  chaîne  de  composants  qui  vont  du  module  photovoltaïque  au              
disjoncteur  de  raccordement  au  réseau  électrique.  Le  courant  continu  disponible  aux  bornes  du  module  peut  être  
utilisé  de  différentes  manières  en  raccordant  ces  bornes  à  un  circuit  électrique  qui  l’achemine  vers  un  ensemble  de        
composants  qui  forment  un  "système  photovoltaïque"  conçu  et  dimensionné  en  fonction  de  l’application  et  de      
l’usage  qui  est  fait  de  l’électricité  produite.  
 
                     Dans  les  systèmes  raccordés  au  réseau,  l’électricité  produite  en  courant  continu  est  transformée  en  courant  
alternatif  par  l’onduleur  puis  comptabilisée  par  un  compteur  de  production  électrique  préalablement  installé  par                
le  gestionnaire  du  réseau    avant  d’être  injectée  sur  le  réseau.  Plusieurs  options  de  branchements  sont  possibles    
Ces  installations  suivent  le  schéma  de  la  figure  4,  où  :  
 
(1) Le  rayonnement  du  soleil  sur  les  modules  photovoltaïques  est  transformé  en  courant  électrique                            
continu  (DC)  
(2) L’onduleur  convertit  cette  électricité  
(3) L’électricité  est  transformée  en  courant  alternatif  (AC)  compatible  avec  le  réseau  
(4) Un  transformateur  élève  la  tension  
(5) L’électricité  est  injectée  par  câble  jusqu’au  réseau  public  
 
 
 

 
Figure  8,  Type  d’installation  PV  
 
 
 
Les  bâtiments  de  JARRY  Baie-­‐Mahault    (Figure  5)  nous  renseignent  sur  :  
 
• L'éclairement  par  rapport  au  plan  des  modules,  
• La  température  extérieure,  
• La  puissance  AC,  
• La  puissance  DC.  
 

11
 160 21.8
156 10.6
32.4

1027
14

PROJET

AGROSYSTEMES
JARRY - 97122 BAIE-MAHAULT

PLAN DE CALEPINAGE
CAP et PVL

N° PLAN INDICE
12/05/2010

 
Figure  9,  Agrosystèmes.  
 
 

3.5. Caractéristiques des champs photovoltaïques à l'étude

  Dimension   Signification  

PUISSANCE  DC                Watt   Courant  continu  

PUISSANCE  AC              Watt    Courant  alternatif  

TENSION  VDC  (V)              Volte    Tension  électrique  

     
RENDEMENT                    %    Rendement  
Type  d’installation   Connecté  au  réseau    Raccordée  au  réseau      

Type  d’utilisation   habitat    Habitation    

Date  début  des  mesures   21/11/2013   Date  début  des  mesures  utilisées  pour  l’étude    

Surface     1027  m2   Surface  de  la  toiture  

Puissance  Totale    32.4  kwc   Puissance  Totale  de  L’installation    

Surface     1027  m2   Surface  de  la  toiture  

12
 3.6. Le projet micro-réseau Genergies

                 Le  micro-­‐réseau  GENERGIES  est  un  système  électrique  pilotable,  comportant  des  sources  et  des  charges  
électriques,  capable  d’être  opéré  aussi  bien  connecté  que  déconnecté  du  réseau  public.  

    Micro-­‐réseau  Genergies  

3.7. Données disponibles

                           L'ensemble  des  données  est  réparti  sur  les  années  2013,  2014.  Selon  le  type  d'acquisition,  la  présentation          
des  données,  l'intervalle  de  temps  entre  les  mesures,  il  convient  de  les  modifier  avant  la  tâche  de  vérification  et                  
de  traitement.  
 
                               Ainsi  les  données  proviennent  de  deux  types  de  fichiers  Excel.  Des  fichiers  contenant  la  température  et  
l’éclairement  avec  un  pas  d’environ  1  minutes.  Tandis  que  la  puissance  DC  est  obtenue  à  partir  d'un  autre  fichier        
avec  un  pas  de  temps  de  5  minutes  environ  et  ne  contenant  que  les  mesures  en  journée.  Nous  avons  traité  un  
ensemble  de  données  recueillies  du  21.11.2013  au  31.01.2014  avec  un  pas  de  5  minutes.  
 

 
Extrait  de  la  base  de  données    

13
 4. Introduction  Data  mining    

4.1. Présentation  du  data  mining  

                         Le  terme  de  Data  Mining  est  souvent  employé  pour  désigner  l’ensemble  des  outils  permettant  à  l’utilisateur      
d’accéder  aux  données  volumineuses  de  l'entreprise  et  à  en  extraire  de  manière  automatique  des  connaissances  
intéressantes  et  inconnues,  imprévues,  a  priori.  Nous  restreindrons  ici  le  terme  de  Data  Mining  aux  outils  ayant            
pour  objet  de  générer  des  informations  riches  à  partir  des  données  de  l’entreprise,  notamment  des  données  
historiques,  de  découvrir  des  modèles  implicites  dans  les  données.  Ils  peuvent  permettre  par  exemple  à  un  magasin    
de  dégager  des  profils  de  client  et  des  achats  types  et  de  prévoir  ainsi  les  ventes  futures.  Il  permet  d’augmenter  la  
valeur  des  données  contenues  dans  le  DW  (Datawarehouse).  
 
                         Les  outils  d’aide  à  la  décision,  qu’ils  soient  relationnels  ou  OLAP,  laissent  l’initiative  à  l’utilisateur,  qui  choisit      
les  éléments  qu’il  veut  observer  ou  analyser.  Au  contraire,  dans  le  cas  du  Data  Mining,  le  système  a  l’initiative  et  
découvre  lui-­‐même  les  associations  entre  données,  sans  que  l’utilisateur  ait  à  lui  dire  de  rechercher  plutôt  dans            
telle  ou  telle  direction  ou  à  poser  des  hypothèses.  Il  est  alors  possible  de  prédire  l’avenir,  par  exemple  le  
comportement  d’un  client,  et  de  détecter,  dans  le  passé,  les  données  inusuelles,  exceptionnelles.  
Ces  outils  ne  sont  plus  destinés  aux  seuls  experts  statisticiens  mais  doivent  pouvoir  être  employés  par  des          
utilisateurs  connaissant  leur  métier  et  voulant  l’analyser,  l’explorer.  Seul  un  utilisateur  connaissant  le  métier  peut  
déterminer  si  les  modèles,  les  règles,  les  tendances  trouvées  par  l’outil  sont  pertinents,  intéressantes  et  utiles  à  
l’entreprise.  Ces  utilisateurs  n’ont  donc  pas  obligatoirement  un  bagage  statistique  important.  L’outil  doit  donc  soit      
être  ergonomique,  facile  à  utiliser  et  rendant  transparentes  toutes  les  formules  mathématiques  et  termes        
techniques  utilisés,  soit  permettre  de  construire  une  application  «clé  en  main»,  rendant  à  l’utilisateur              
transparentes  toutes  les  techniques  utilisées.  
 
                       On  pourrait  définir  le  data  mining  comme  une  démarche  ayant  pour  objet  de  découvrir  des  relations  et  des  
faits,  à  la  fois  nouveaux  et  significatifs,  sur  de  grands  ensembles  de  données.  On  devrait  ajouter  que  la  pertinence              
et  l'intérêt  du  Data  Mining  sont  conditionnés  par  les  enjeux  attachés  à  la  démarche  entreprise,  qui  doit  être  guidée    
par  des  objectifs  directeurs  clairement  explicités  ("améliorer  la  performance  commerciale",  "mieux  cibler  les  
prospects",  "fidéliser  la  clientèle",  "mieux  comprendre  les  performances  de  production"...).  

Nous  appellerons  Data  Mining  l'ensemble  des  techniques  qui  permettent  de  transformer  les  données  en  
connaissances.  

14
 4.2. KDD  (Knowledge  Discovery  in  Data  bases)  

                               Dans  sa  plus  ancienne  acception,  le  datamining  est  le  processus  central  du  KDD  (Knowledge  Discovery  in      
Data  bases).  Cette  étape  est  si  importante  que  le  terme  de  KDD  est  maintenant  souvent  remplacé  par  celui  de  Data  
mining,  plus  parlant.  Le  KDD  peut  être  schématisé  par  une  suite  d’opérations  de  transformation  et  d’analyse  des  
données  :  
 

• Data  cleaning  :  phase  d’élimination  du  bruit  et  des  données  inutiles  :  filtrer,  trier,  homogénéiser,  nettoyer.  
Les  données  peuvent  être  incomplètes,  contradictoires,  ou  contenir  des  erreurs  humaines  ou  informatiques.  
Lors  du  data  cleaning  les  données  sont  comparées,  pour  tenter  de  combler  automatiquement  les  lacunes  et  
corriger  les  erreurs.  
 
• Data  integration  :  phase  d’association  de  multiples  sources  des  données  sous  une  forme  unique,  
généralement  dans  le  cadre  de  l’architecture  d’une  data  warehouse.  Cette  étape  sert  à  régler  le  problème      
des  incompatibilités  entre  les  différents  systèmes  informatiques  et  systèmes  de  stockage  des  données            
d’une  même  entreprise.  Par  exemple  toutes  les  sommes  indiquées  dans  des  devises  différentes  peuvent          
être  converties  eu  euros.  Ou  encore,  le  champ  adresse  peut  être  décomposé  en  champs  ville,  rue  et  pays.          
Les  données  sont  aussi  datées  et  résumées.  
 
• Data  selection  :  les  données  ayant  un  rapport  avec  l’analyse  demandée  sont  retrouvées  dans  la    
 
• Data  transformation  :  les  données  sont  regroupées,  normalisées,  et  transformées  dans  un  format  qui                  
les  prépare  au  mining.  
 
• Data  mining  :  un  processus  essentiel  où  des  méthodes  intelligentes  sont  appliquées  pour  extraire  des  
éléments  remarquables,  des  patterns.  Il  s’agit  de  configurations  de  données  dont  la  structure  est        
inhabituelle,  qui  présentent  des  corrélations  imprévues,  des  écarts  statistiques,  ou  tout  ce  qui  sort  de  
l’ordinaire.  

• Pattern  evaluation  :  On  identifie  les  patterns  intéressants,  ceux  qui  représentent  de  l’information.          
L’intérêt  des  patterns  est  évalué  par  les  outils  de  data  mining  en  utilisant  des  règles  objectives  basées  sur                
la  structure  des  patterns  et  les  statistiques  qui  les  sous-­‐tendent,  ainsi  que  des  règles  subjectives  basées  sur        
les  croyances  des  utilisateurs  (ce  savoir  est  stocké  dans  une  base  de  connaissances).  Par  exemple,  une  
information  est  intéressante  si  elle  contredit  les  croyances  de  l’utilisateur.  

15
 • Knowledge  présentation  :  des  techniques  de  visualisation  et  de  représentation  sont  utilisées  pour      
présenter  clairement  à  l’utilisateur  le  savoir  extrait  des  données  :  tables,  arbres,  règles,  graphiques,              
courbes,  matrices,  cubes,  etc.  

 
Figure  10,  KDD  Process.  
 
 
 
 
 
 

4.3. Les  techniques  et  outils  du  data  mining  

                     Les  outils  de  data  mining  ne  sont  pas  tous  basés  sur  les  mêmes  principes.  Différentes  méthodes  peuvent  être    
utilisées  en  fonction  de  la  nature  des  données  dont  on  dispose,  et  des  informations  recherchées.  Voici  quelques    
unes  des  techniques  les  plus  couramment  employées  :  
 
 
• Découvertes de règles,
• Arbres de décision,
• Pattern recognition,
• Réseaux neuraux,
• Apprentissage automatique,
• Analyse des liens,
• Algorithmes génétiques

                       Avant  d’aborder  quelques  concepts  théoriques  et  le  mode  de  fonctionnement  de  l’algorithme  Cspad  avec      
lequel  le  travail  a  été  effectué,  la  présentation  et  la  compréhension  de  certains  outils.  

16
 4.4. Règles  d’associations  
 
                           Dans  cette  section,  nous  parlerons  des  concepts  ou  termes  souvent  employés  dans  ce  rapport,  on        
expliquera  les  différentes  étapes  de  la  recherche  d’une  règle  d’association,  celle  des  règles  séquentielles  en              
passant  par  les  motifs  séquentiels.  
 
 
4.4.1. Recherche  de  règles  d’association    

                         Une  règle  d’association  est  une  relation  d’implication  X→Y  entre  deux  ensembles  disjoints  d’articles  X  et  Y.  
Cette  règle  indique  que  les  transactions  qui  contiennent  les  articles  de  l’ensemble  X  ont  tendance  à  contenir  les                        
articles  de  l’ensemble  Y.  
 
X  est  appelé  condition  ou  prémisse  et  Y  résultat  ou  conclusion.    
 
                       L’extraction  des  règles  d’association  est  l’un  des  principaux  problèmes  de  l’ECD  (Extraction  de  Connaissances          
à  partir  de  Données).  Ce  problème  fut  développé  à  l’origine  pour  l’analyse  de  base  de  données  de  transactions  de  
ventes.  Chaque  transaction  est  constituée  d’une  liste  d’articles  achetés  dans  un  contexte  d’un  client  consommateur,  
afin  d’identifier  les  groupes  d’articles  vendus  le  plus  fréquemment  ensemble.    
 
                     Ces  règles  sont  intuitivement  faciles  à  interpréter  car  elles  montrent  comment  des  produits  ou  des  services  se          
situent  les  uns  par  rapport  aux  autres.  Ces  règles  sont  particulièrement  utiles  en  marketing.  Les  règles  d'association  
produites  par  la  méthode  peuvent  être  facilement  utilisées  dans  le  système  d'information  de  l'entreprise.          
Cependant,  il  faut  noter  que  la  méthode,  si  elle  peut  produire  des  règles  intéressantes,  peut  aussi  produire  des            
règles  triviales  (déjà  bien  connues  des  intervenants  du  domaine)  ou  inutiles  (provenant  de  particularités  de      
l'ensemble  d'apprentissage).  
 
                   La  recherche  de  règles  d'association  est  une  méthode  non  supervisée  car  on  ne  dispose  en  entrée  que  de  la  
description  des  achats.    
 
                 On  peut  dire  donc  qu’une  règle  d'association  est  une  règle  de  la  forme  :  Si  condition  alors  résultat.  Dans  la  
pratique,    on  se  limite,  en  général,  à  des  règles  où  la  condition  est  une  conjonction  d'apparition  d'articles  et  le  résultat  
est  constitué  d'un  seul  article  (ABDELALI  Mouad,  2003).  Par  exemple,  une  règle  à  trois  articles  sera  de  la  forme  :                                  
Si  X  et  Y  alors  Z  ;  règle  dont  la  sémantique  peu  être  énoncée  :  Si  les  articles  X  et  Y  apparaissent  simultanément                  
dans  un  achat  alors  l'article  Z  apparaît.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 

17
                          L’extraction  des  règles  d’association  peut  être  décomposée  en  quatre  étapes  qu’illustre  la  Figure  11.      
Les  étapes  d’extraction  de  règles  d’association  suivante  :  
 
 
 

                                           Figure  13,  Les  étapes  d’extraction  de  règles  d’association.  

 
 
 
§ Sélection  et  préparation  des  données  :  Cette  étape  permet  de  préparer  les  données  afin  de  leur  
appliquer  les  algorithmes  d’extraction  des  règles  d’association.  Elle  est  constituée  de  deux  phases  :  
 
-­‐  La  sélection  des  données  de  la  base  qui  permettront  d’extraire  les  informations  intéressant                      
l’utilisateur.  Ainsi  la  taille  des  données  traitées  est  réduite  ce  qui  assure  une  meilleure  efficacité  de  
l’extraction.  
 
-­‐  La  transformation  de  ces  données  en  un  contexte  d’extraction  (il  s’agit  d’un  triplet  constitué  d’un      
ensemble  d’objets,  d’un  ensemble  d’itemsets  et  d’une  relation  binaire  entre  les  deux).  
La  transformation  des  données  sélectionnées  en  données  binaires  améliore  l’efficacité  de  l’extraction              
et  la  pertinence  des  règles  d’association  extraites.  
 
§ Découverte  des  itemsets  fréquents  :  C’est  l’étape  la  plus  coûteuse  en  terme  de  temps  d’exécution      
car,  le  nombre  d’itemsets  fréquents  dépend  exponentiellement  du  nombre  d’items  manipulés  (pour  n  
items,  on  a  2n  itemsets  potentiellement  fréquents).  
 
§ Génération  des  règles  d’association  :  À  partir  de  l’ensemble  des  itemsets  fréquents  pour  un  seuil  
minimal  de  support  minsup,  la  génération  des  règles  d’association  est  un  problème  qui  dépend  
exponentiellement  de  la  taille  de  l’ensemble  des  itemsets  fréquents.  
 
§ Visualisation  et  interprétation  des  règles  d’associations  :  Elle  met  entre  les  mains  de  l’utilisateur        
un  ensemble  de  déductions  fiables  qui  peuvent  l’aider  à  prendre  une  décision.  
 
 
 

18
 4.4.2. Définitions    
 
• Item  et  itemset  :  Un  item  peut  être  défini  comme  un  article  et  un  itemset  un  ensemble  d’articles.  
 
• Transactions  :  Une  transaction  est  un  ensemble  d’items  achetés  par  un  client  C  à  une  date  précise.              
Dans  une  base  de  données  une  transaction  est  représentée  par  trois  attributs  :  idClient  (identifiant                
d’un  client),  idDate  (un  identifiant  pour  une  date),  itemset  (un  ensemble  d’items  non  vide).  
 
• Support  minimal  :  Le  support  minimal  est  le  nombre  minimum  d’occurrence  d’un  motif  séquentiel  pour  
être  considéré  comme  fréquent.  L’occurrence  n’est  prise  en  compte  qu'une  fois  dans  la  séquence.                  
C’est  un  seuil  choisi  par  l’utilisateur.  
 
• La  force  d'une  règle  d'association  est  mesurée  par  son  indice  de  support  et  son  indice  de  confiance.  
 

• L'indice  de  support  («  support  »)  d'une  règle  X  à  Y  est  défini  par  la  proportion  de  transactions                                
de  T  qui  contiennent    X  ∪  Y  (à  la  fois  X  et  Y,  et  non  X  ou  Y),  soit  Supp  (X  ∪  Y).  Il  s'agit  donc  d'une  
estimation  de  la  probabilité  Pr  (X  ∪  Y).  
 

• L'indice  de  confiance  («  confidence  »)  d'une  règle  X  à  Y    est  défini  par  la  proportion  de    transactions  
𝐗  ∪  𝐘 .𝐜𝐨𝐮𝐧𝐭  
de    T  contenant  X  qui  contiennent  aussi  Y,  soit     .  Il  peut  être  vu  comme  une  estimation  de  la  
𝐗.𝐜𝐨𝐮𝐧𝐭
probabilité  conditionnelle  Pr  (Y  /  X).    

𝐒𝐮𝐩𝐩  (𝐗  ∪  𝐘)  

Remarque  :        Conf  (X  à  Y)    =          
𝐒𝐮𝐩𝐩  (𝐗)  
 
• Le  «  lift  »  d'une  règle    X  à  Y  mesure  l'amélioration  apportée  par  la  règle  d'association  par  rapport                          
𝐒𝐮𝐩𝐩  (𝐗  ∪  𝐘)  
à  un  jeu  de  transactions  aléatoire  (où  X  et  Y  seraient  indépendants).  Il  est  défini  par      
𝐒𝐮𝐩𝐩   𝐗 .𝐒𝐮𝐩𝐩  (𝐘)  
 
 Un  «  lift  »  supérieur  à  1  traduit  une  corrélation  positive  de  X  et  Y,  et  donc  le  caractère  significatif  de  
l'association.  
 
 
4.4.3.      Recherche  de  règles  séquentielles  
 
                             Une  règle  séquentielle  est  une  règle  d’association  à  laquelle  on  rajoute  le  facteur  temps.  La  recherche  de  
règles  séquentielles  est  un  processus  complexe  et  passe  par  différentes  étapes  notamment,  la  recherche  de                  
motifs  séquentiels,  c’est  pourquoi  dans  cette  section  nous  commencerons  par  la  description  d’une  séquence,  d’une    
séquence  fréquente  et  d’un  motif  séquentiel.  
 
§ Séquence  :  Une    séquence  est  une  liste  ordonnée  d’itemset  non  vides.  Contrairement  à  la  théorie  
ensembliste  des  règles  d’association  dont  les  éléments  ne  sont  pas  ordonnés,  une  séquence  utilise  le  
principe  de  précédence  c’est-­‐à-­‐dire  chaque  élément  de  la  liste  est  précédé  des  éléments  qui  l’ont        
précédé  dans  les  transactions  d’un  client  donné.  

19
 § Fréquence  d’une  séquence  :  Une  séquence  est  considérée  fréquente,  si  le  support  de  cette  séquence  
respecte  le  support  minimum,  en  d’autres  termes,  si  le  support  de  cette  séquence  est  supérieur  ou  égal            
au  support  minimum.  Celui-­‐ci  est  introduit  par  le  client  afin  de  mesurer  la  pertinence  d’une  séquence.  
 
§ Séquences  fréquentes  maximales  ou  motifs  séquentiels  :  Une  fois  toutes  les  séquences            
fréquentes  trouvées,  on  procède  à  la  recherche  de  celles  qui  ont  une  fréquence  maximale,  c’est-­‐à-­‐dire  
celles  qui  ne  sont  incluses  dans  aucune  autre  séquence,  on  les  appellera  des  motifs  séquentiels.    
                                           Les  motifs  séquentiels  peuvent  être  vus  comme  une  extension  de  la  notion  de  règles  d’association,  
                                           Intégrant  diverses  contraintes  temporelles.  Aussi,  la  recherche  de  tels  motifs  consiste  à  extraire  des  
                 ensembles  d’items,  couramment  associés  sur  une  période  de  temps  bien  spécifiée.  En  fait,  cette  
               recherche  met  en  évidence  des  associations  inter-­‐transactions,  contrairement  à  celle  des  règles  
                                           d’association  qui  extrait  des  combinaisons  intra-­‐transaction.  Dans  ce  contexte,  et  contrairement  aux  
                                           règles  d’association,  l’identification  des  individus  ou  objets  est  indispensable,  afin  de  pouvoir  suivre  
                                           leur  comportement  au  cours  du  temps.  
 
§ Support  d’une  séquence  :  Le  support  d’une  séquence  quelconque  S  est  le  pourcentage  de  clients  qui  
supportent  cette  séquence  S.  c’est  une  mesure  dite  d’utilité.  
 
                       Supp  ({ae}  →  {bc})  =  Supp  ({ae}    U  {bc})      
 
§ Confiance  d’une  règle  :  La  confiance  d’une  règle  est  une  mesure  dite  de  précision,  c’est  la  probabilité  
qu’on  achète  un  certain  nombre  d’articles  A  sachant  qu’on  a  déjà  acheté  B,  soit  la  probabilité  
conditionnelle  :  p  (A/B).  
 
                     Conf  ({ae    →  {/bc})  =  Supp  ({abce})  /  Supp  ({ae})  
 
On  voit  immédiatement  que  la  confiance  se  traduit  par  un  rapport  de  support.  
 
 
4.4.4.  Les  séries  temporelles  
 
                           Les  séries  temporelles  représentent  la  mesure  de  certaines  caractéristiques  en  fonction  du  temps.  Les  
statisticiens        ont  établi  ce  concept  et  ses  propriétés  depuis  plus  d’un  siècle;  mais  leurs  techniques  s’avèrent  
insuffisantes  pour  les  énormes  quantités  de  données  des  séries  temporelles  réelles.  

                           En  tant  qu’outil  de  Datamining  les  ‘grandes’  séries  temporelles  sont  traitées  selon  plusieurs  aspects.  Elles        
sont  d’abord  représentées  de  telle  sorte  à  ce  que  l’on  puisse  définir  une  mesure  de  similarité  entre  séries.  Puis                      
on  les  manipule  pour  plusieurs  utilisations.  

-­‐    Indexation  :  trouver  les  séries  temporelles  les  plus  similaires.    

  -­‐    Clustering  :  trouver  des  groupes  de  séries  temporelles  similaires  à  partir  des    données  brutes  sans            
fixer  les  groupes  au  préalable.    

      -­‐    Classification  :  étant  données  des  classes  prédéfinies,  affecter  une  série  temporelle  à  une  classe.    

      -­‐    Prédiction  :  étant  donnée  une  série  temporelle  discrète  de  n  points,  prédire  la  valeur  de  la    
caractéristique  au  temps  n+1.    

      -­‐    Résumé  :  étant  donnée  une  série  temporelle  Q  comportant  n  points  de  données,  avec  n  
extrêmement  grand  ;  créer  une  approximation  de  Q  de  dimension  beaucoup  plus  petite.    

20
 4.4.5. Techniques  de  data  mining  temporel  
 
                         Des  techniques  ont  vu  le  jour  à  la  fin  des  années  1970  (John  F.Roddick,  Kathleen  Hornsby  et  Myra          
Spiliopoulou  ont  dressé  un  panorama  riche  sur  les  travaux  parus  sur  le  data  mining  temporel).  
 
                         Les  procédés  que  nous  allons  décrire  sont  des  extensions  de  ce  qui  s’est  déjà  fait  pour  des  bases  de                
données  classiques,  ou  aussi  des  techniques  conçues  spécialement  pour  ces  données  complexes.  Nous  citons                      
que  le  domaine  de  recherche  sur  les  bases  de  données  temporelles  connait  un  succès  remarquable.  C’est  dans  ce  
contexte    et  donc  avec  l’utilisation  de  ce  qui  se  fait  actuellement  au  niveau  des  bases  de  données  temporelles                      
que  se  situent  les  méthodes  de  fouille  de  données  temporelles  que  nous  allons  présenter.  De  nombreuses      
publications  ont  été  effectuées  dans  le  cadre  du  ECDT  (Extraction  des  Connaissances  à  partir  des  Données  
Temporelles).  
 
 
4.4.5.1. Algorithmes  de  data  mining  séquentiel  

                                   
                     Les  possibilités  offertes  par  la  notion  de  séquence  en  font  un  domaine  de  recherche  riche  et  pluridisciplinaire.                      
Les  séquences  peuvent  en  effet  modéliser,  de  manière  basique,  le  déroulement  d’évènements  dans  le  temps,                  
mais  aussi  la  structure  d’un  génome,  ou  plus  généralement  des  comportements  humains  (qu’ils  soient  des      
consommateurs,  des  utilisateurs  ou  encore  des  cas  particuliers  à  comprendre).  Du  pattern  matching  (appariement        
de  formes)  à  la  détection  d’une  séquence  commune  à  deux  séquences  (par  exemple  des  chaines  de  caractères)  
communes  à  plusieurs  séquences  et  enfin  la  détection  de  sous-­‐séquences  communes  à  plusieurs  séquences,  les  
techniques  algorithmiques  ne  manquent  plus.  L’apprentissage  en  produisant  ou  en  adoptant,  puis  en  appliquant  
certaines  de  ces  techniques  a  largement  contribué  à  leur  développement.    

                   Depuis  quelques  années  cependant,  un  phénomène  incontournable  est  apparu,  relatif  aux  séquences  et  se        
traduisant  par  la  capacité  grandissante  des  moyens  de  stockage.  Le  domaine  de  la  fouille  de  données  s’est  alors                
mis  en  place    avec  pour  objectif  de  faire  face  aux  grandes  quantité  de  données  à  traiter.  

                   La  problématique  de  l’extraction  de  motifs  séquentiels  est  une  sorte  d’extension  de  celle  de  l’extraction  des  
règles  d’association,  intégrant  diverses  contraintes  temporelles.  La  recherche  de  tels  motifs  consiste  ainsi  à  extraire  
des  ensembles  d’items,  couramment  associes  sur  une  période  de  temps  bien  spécifiée.  En  fait  cette  recherche  met        
en  évidence  des  associations  inter-­‐transactions  contrairement  à  celle  des  règles  d’association  qui  extrait  des  
combinaisons  intra-­‐transaction.  Dans  ce  contexte,  et  contrairement  aux  règles  d’association,  l’identification  des  
individus  ou  objets  est  indispensable,  afin  de  suivre  leur  comportement  au  cours  du  temps.  Par  exemple,  des              
motifs  séquentiels  peuvent  montrer  que  “60  %  des  gens  qui  achètent  une  télévision,  achètent  un  magnétoscope        
dans  les  deux  ans  qui  suivent”.  Ce  problème  posé  à  l’origine  dans  un  contexte  de  marketing,  intéresse  à  présent                  
les  domaines  assez  varies  que  les  télécommunications  (détection  de  fraudes),  la  finance,  ou  encore  la  médecine  
(identification  des  symptômes  précédant  les  maladies).  

                                                                             

21
 4.4.5.2. Algorithme  SPADE  
 
                         SPADE  se  classe  dans  la  catégorie  des  algorithmes  qui  cherchent  à  réduire  l’espace  des  solutions  en      
regroupant  les  motifs  séquentiels  par  catégorie.  Pour  SPADE,  les  motifs  fréquents  présentent  des  préfixes            
communs,  qui  permettent  de  décomposer  le  problème  en  sous-­‐problèmes  qui  seront  traités  en  mémoire.  

                         Le  calcul  de  (les  fréquents  de  taille  2)  par  SPADE,  passe  par  une  inversion  de  la  base,  qui  la  transforme  d’un  
format  vertical  vers  un  format  horizontal.  Les  auteurs  considèrent  que  cette  opération  peut  être  simplifiée  si  la                
base  peut-­‐être  chargée  en  mémoire  vive.  De  plus,  lors  de  leurs  expérimentations,  les  auteurs  ne  considèrent  pas,        
dans  les  temps  de  calcul  relevés,  le  temps  de  réécriture  de  la  base,  dans  le  cas  où  celle-­‐ci  ne  tiendrait  pas  en        
mémoire.  

     Figure  14,  Base  de  données  exemple  pour  Spade.  

                                 SPADE  gère  les  candidats  et  les  séquences  fréquentes  à  l’aide  de  classes  d’équivalence  comme  suit  :                                                      
deux  k  séquences  appartiennent  à  la  même  classe  si  elles  présentent  un  préfixe  commun  de  taille  (k-­‐1).  Plus  
formellement,    soit  la  𝓟𝕂!𝟏 𝛂  séquence  de  taille  k-­‐1  qui  préfixe  la  séquence  α. Comme  α  est  fréquente,  avec
𝓟𝕂!𝟏 𝛂   ∈   𝓕𝕂!𝟏  les    𝓕𝕂!𝟏  fréquents de  taille  k-­‐1  Une  classe  d’équivalence  est  définie  de  la  manière  suivante  :    

                                             𝓹 ∈   𝓕𝕂      !     = {  𝛂 ∈   𝓕𝕂  |  𝓟𝕂        ! 𝛂    =  𝓹}  

                                 Le  reste  de  l’algorithme,  à  savoir  le  comptage  du  support  pour  les  candidats  générés,  repose  sur  la      
réécriture  préalable  de  la  base  de  données.  En  effet  la  transformation  consiste  à  associer  à  chaque  séquence  
l’ensemble  des  couples  (client,  itemset)  qui  lui  correspondent  dans  la  base.    

22
  
                                       Figure  15,  Intersections  de  listes  d’itemsets  dans  SPADE,  avec  la  base  de  données  de  la  figure  14.  

4.4.5.3. Algorithme  CSPADE  

 

                   Développé  par  M.  Zaki  comme  une  extension  de  Spade,  cSpade  apporte  la  gestion  de  plusieurs  contraintes  :        
longueur  et  largeur  maximales  des  motifs,  distances  minimales  exigées  et  distances  maximales  permises  entre                      
les  motifs  d’une  séquence,  taille  de  fenêtres,  présence  ou  absence  de  motifs.  L’ajout  de  ces  contraintes  est  assez  
intuitif.  

Soit  (X,  d1,  f1)  ∈  IdList  (S1)  et  (X,  d2,  f2)  ∈  IdList  (S2)  
 
–            Absence  d’un  évènement  L’évènement  non  désire  est  efface  de  F1.  
 
–            maxLen  La  jointure  temporelle  vérifie  que  la  f2  −  d1  <  maxLen.  
 
–            minGap  La  jointure  temporelle  vérifie  que  la  d2  −  d1  >  minGap.  
 
–            maxGap  La  jointure  temporelle  vérifie  que  la  d2  −  f1  <  maxGap.  
 
–  Tout  autre  contrainte  anti-­‐monotone  se  greffe  facilement  sur  ce  schéma.  
 
                       Il  faut  faire  attention  lors  de  la  gestion  de  la  contrainte  maxGap  qui  n’est  pas  anti-­‐  monotone.  En  effet,                      
une  séquence  non  valide  peut  générer  une  séquence  plus  longue  valide.  Si  la  contrainte  est  maxGap  <  3  et  les            
séquences  b  (2)  d  (4)  et  b  (2)  f  (5)  sont  fréquente,  le  gap  dans  b  (2)  f  (5)  vaut  3,  ce  qui  est  supérieure  à  maxGap.  
Cependant,  b  (2)  d  (4)  f  (5)  est  un  candidat  valide.  Afin  de  palier  à  ce  problème,  M.  Zaki  modifie  la  génération  des  
candidats.  Au  lieu  de  fusionner  deux  IdList  de  longueur  k,  il  propose  de  fusionner  Fk  avec  F2,  et  affaiblit  l’élagage                    
à  base  de  fréquence.  

23
 5. Vérification  et  traitement  des  données  

5.1. Vérification  des  données    

Dans  un  premier  temps,  on  trace  la  collection  de  graphe  pour  chaque  mois  ce  qui  facilitera  la  vérification  des    
données.    
10000 20000 30000

0 10000 20000 30000

Puissance DC

Puissance DC
0

21-11-2013 24-11-2013 27-11-2013 30-11-2013 21

 
Novembre 2013

                               Figure  16,  Boxplot  de  la  puissance  DC  entre  0  et  32.4  kWc  du  mois  de  novembre  2013.  
 
5000 10000 15000 20000 25000
Puissance DC

01-12-2013 05-12-2013 09-12-2013 13-12-2013 17-12-2013 21-12-2013 25-12-2013 29-12-2013

Decembre 2013
                               
Figure  17,  Boxplot  de  la  puissance  DC  entre  0  et  32.4  kWc  du  mois  de  décembre.  
 
5000 10000 15000 20000 25000 30000
Puissance DC

01-01-2014 05-01-2014 09-01-2014 13-01-2014 17-01-2014 21-01-2014 25-01-2014 29-01-2014

Janvier 2014
 
Figure  18,  Boxplot  de  la  puissance  DC  entre  0  et  32.4  kWc  du  mois  de  janvier  2014.  
 
 
 
                               D'autres  moyens  sont  également  utilisés  pour  vérifier  les  données  :  des  conditions  de  cohérences        
définissant  les  valeurs  maximum  et  minimum  admissibles  sur  les  différentes  paramètres    sont  mise  en  place.                                  
Il  faut  aussi  observer  directement  les  mesures  prises  sur  les  fichiers  d'enregistrement.  

24
                              A  partir  de  ces  vérifications,  dans  le  cas  où  des  valeurs  incohérentes  sont  détectées  et  en  nombre  élevé,                      
il  s'agira  d'effectuer  un  traitement    en  mettant  en  place  une  procédure  de  corrections.  
 
                               Cependant,  pour  ne  pas  fausser    l'étude  statistique  qui  en  suivra,  les  données  ne  doivent  pas  subir  
d'importante  transformation,  c'est  pourquoi  dans  la  majorité  des  cas  ces  données  sont  supprimées.  La  qualité  des  
données  est  plus  importante  que  la  quantité  des  données.  
 
Pour  vérifier  les  données,  on  installe  des  conditions  de  cohérence  sur  certains  paramètres  :  
 
• Température  :  
Pour  la  température  les  valeurs  doivent  être  comprissent  entre  -­‐10  °C  et  40°C,  avec  une  variation  de  3°C,    
lorsque  l’intervalle  de  temps  entre  deux  relevés  de  mesures  est  de  15  minutes.  
 
• Eclairement  :  
L’éclairement  doit  être  compris  entre  0  W/m²  et  1  400  W/m²  avec  une  variation  de  300  W/m².  
 
• Puissance  AC,  Puissance  DC,  Eclairement  :  
D'autres  vérifications  sont  effectuées  pour  détecter  des  données  incohérentes,  il  s'agit  du  lien  entre  la  présence    
de  la  puissance  AC,  de  la  puissance  DC  et  de  l'éclairement.  
Chaque  mesure  doit  respecter  la  condition  suivante  :  
 
 
Présence  de  la  puissance  AC  =>  Présence  de  la  puissance  DC  =>  Présence  de  l'éclairement  
 
 

5.2. Traitement des données :

                         Dans  les  relevés  de  mesure,  la  mesure  Total  DC  prend  une  valeur  en  Watt.  Il  s’agit  d’une  mesure  qui  nous  
renseigne  sur  la  production  de  l’énergie  de  deux  champs  PV  (figure  19).  Les  données  sont  enregistrées  toutes                            
les  5  minutes.  

Figure  19,  Extrait  de  la  base  de  données.  

25
 5.2.1. La  puissance  DC  :  

                       Il  s’agit  de  l’étude  de  l’évolution  de  la  production  DC  des  champs  PV  à  l’étude,  on  va  changer  l’horizon  de                      
la  production  en  appliquant  un  cumul  sur  une  heure  de  production  de  l’énergie  (figure  21).  Avant  d’effectuer    
le  cumul,  on  va  ramener  toute  la  production  sur  la  même  échelle  de  temps  (figure  20).    
 
 
 

   Cumul  sur    
     1  heure    

Figure  20,  Extrait  de  la  base  de  données  avec  la  nouvelle  échelle.          Figure  21,  Extrait  de  la  base  de  données  avec  l’horizon  d’une  heure.  

                             Dans  le  cadre  la  transformation  de  la  base  de  données  façon  cspade,  on  va  transformer  la  variable  Total  DC    
en    variable  qualitative.  Pour  cela  on  va  appliquer  la  méthode  des  quantiles.    
 
                             Le  critère  visé  est  l'équirépartition,  c'est  à  dire  le  même  nombre  de  données  par  classe.  Dans  la  version    
stricte,  à  partir  du  nombre  du  nombre  N  de  données  et  du  nombre  n  classes,  on  en  déduit  le  nombre  F  d'individus        
par  classe.  On  trie  les  données  par  ordre  croissant  et  on  met  dans  la  classe  1  les  F  premières  données,  dans  la              
classe  2  les  F  suivantes  etc.  Dans  la  version  relâchée,  on  met  éventuellement  plus  de  F  données  par  classe  car  on      
force  les  données  égales  à  être  dans  une  même.  

Figure  22,  Extrait  de  la  base  de  données  transformée.  

 

26
 5.2.2. Transformation  de  la  base  de  données  façon  Spade  :  

                       A  des  fins  d’optimisation  du  temps  d’exécution,  l’algorithme  CSPADE  charge  la  base  de  données  en                
mémoire  pour  n’effectuer  par  la  suite  qu’une  seule  passe  sur  celle-­‐ci,  ce  qui  implique  une  concession  au  niveau                    
de  la  consommation  de  la  mémoire.  
 
 
                       La  transformation  proposée  par  SPADE  simplifie  le  comptage  du  nombre  de  jours  supportant  une  séquence,      
car  cette  opération  nous  permet  de  disposer  d’un  ensemble  de  données  où  l’accès  aux  informations  (Date,  Heure            
de  transaction)  pour  un  item  est  facilité.  

Figure  23,  Représentation  horizontale  de  la  base  de  données.  

 
 
 

Figure  24,  Représentation  verticale  de  la  base  de  données.  

                         La  base  de  données  horizontale  représente  la  liste  des  items  de  productions  par  jour  à  une  heure  donnée.              
En  revanche,  la  base  de  données  verticale  nous  permet  d’extraire,  pour  un  item  donné,  la  liste  des  couples  (Date,          
Heure  de  productions)  qui  témoignent  de  son  apparition  dans  la  base  de  données.  

 
 
 

27
                          Afin  de  mieux  adapter  la  base  de  données  aux  résultats  que  nous  souhaitons  obtenir,  on  a  ajouté  à  chaque  
item  l’heure  qui  lui  correspond  (figure  24).  Cette  nouvelle  configuration  nous  permet  de  mieux  interpréter  les  
résultats.  
 
 
 

 
Figure  25,  Extrait  de  la  base  de  données.  
 
 
 
La  Structure  des  données  utilisée  par  l’algorithme  est  la  suivante  :  
 
 
 

 
                                                     Figure  26,  Structure  de  la  base  de  données.  
 
 
 
 
 
 
 
 
 

28
5.3 Résultats et Discussion
5.3.1 Les  Itemset  Fréquents  
 
                           C’est  l’étape  la  plus  coûteuse  en  terme  de  temps  d’exécution  car,  le  nombre  d’itemsets  fréquents                      
dépend  exponentiellement  du  nombre  d’items  manipulés  (pour  n  items,  on  a  2n  itemsets  potentiellement        
fréquents).  
 
                           La  recherche  des  régularités  dans  les  bases  de  données  est  l’idée  principale  du  data  mining.  Ces  régularités  
s’expriment  sous  différentes  formes.  Dans  l’analyse  de  la  production  de  la  ferme  PV,  l’extraction  des  itemsets        
consiste  à  mettre  en  exergue  les  cooccurrences  entres    les  production  PV  pendant  des  heures  précise  c’est  à  dire  
déterminer  les  productions  (les  items)  qui  sont  «  souvent  »  répété  à  des  heures  précise  simultanément.  On  parle      
alors  d’itemsets  fréquents.  
 
                           Un  itemset  est  dit  fréquent  si  son  support  est  supérieur  à  un  seuil  défini  à  l’avance,  paramètre  de        
l’algorithme  de  recherche.  Dans  notre  exemple,  en  fixant  le  support  minimum  à  2  (ou  20%  en  relatif),  nous        
observons  dans  le  tableau  suivant  un  extrait  des  itemsets  fréquents  (figure  27).  
 
 

 
                                                                             Figure  27,  Itemsets  fréquents.  
 
 
 
                           Dans  le  Tableau  (figure  27)  En  fixant  le  support  minimal  à  20%,  on  découvre  les  épisodes  fréquents  comme          
La  production  de  type  ‘’a’’    à  16h  avec  un  support  de  92.5  %  et    l’itemsets  {a-­‐15  et  a-­‐16}  avec  un  support  à  52.5  %.  
 
La  recherche  des  itemsets  fréquents  est  souvent  présentée  comme  un  préalable  à  l’extraction  des  règles  
d’association  où  l’on  essaie,  en  sus,  de  mettre  en  évidence  des  relations  de  causalité.  
 
 
 

29
5.3.2 Les  règles  d’associations  
 
 
                         En  fouille  de  données,  les  règles  d'association  permettent  la  découverte  non  supervisée  de  tendances  
implicatives  dans  les  données.  Plus  précisément,  une  règle  d’association  a  -­‐>  b  signifie  que  la  plupart  des  
enregistrements  qui  vérifient  la  prémisse  a  dans  la  base  de  données  vérifient  aussi  la  conclusion  b.  Chaque                            
règle  est  évaluée  par  deux  mesures  :  le  support  et  la  confiance.    
 
 
                       Nous  avons  utilisé  l’algorithme  cspade  et  fixé  un  seuil  de  support  de  10%  et  un  seuil  de  confiance  de  40%.    
L’algorithme  a  extrait  191  règles  d’association.  Un  extrait  des  ces  règles  est  présenté  dans  le  tableau  (figure  28).  

                       Nous  retrouvons  dans  le  tableau  les  informations  usuelles  sur  les  règles  :  l’antécédent  de  la  règle  ;  le  
conséquent  de  la  règle  ;  le  support,  la  confiance  et  le  lift.  

Règles  D’associations                                                                                                                                                    Support                          Confiance                                            Lift  

                                   <d-­‐11,  d-­‐13>              =>                    <    d-­‐14  >              0,1          0,4666667   1,8148148                        

                                 <  c-­‐10,  d-­‐13  >            =>                      <  d-­‐14  >   0,1285714   0,5   1,9444444  
             <  d-­‐11,  d-­‐12,  d-­‐13  >            =>                    <  d-­‐14  >   0,1   0,5   1,9444444  
                                   <  c-­‐10  >                                =>                    <  d-­‐13  >   0,2571429   0,5454545   1,4685315  
                                   <  d-­‐11  >                                =>                    <  d-­‐12  >   0,3714286   0,7878788   1,4513557  
                                 <  d-­‐14  >                                  =>                    <  c-­‐15}>         0,1142857   0,4444444   2,2222222  
                     <  c-­‐11,  d-­‐13  >                          =>                    <  c-­‐14  >       0,1   0,7   2,5789474  
                               <  a-­‐15  >                                    =>                    <  a-­‐16  >           0,3857143   0,9642857   1,125  
                               <  b-­‐11  >                                    =>                    <  a-­‐16  >       0,1571429   1   1,1666667  
                               <  a-­‐14  >                                    =>                  <  a-­‐15  >           0,1285714   0,8181818   2,0454545  
                     <  c-­‐10,  b-­‐14  >                          =>                    <  a-­‐15  >       0,1142857   0,7272727   1,8181818  
Figure  28,  Sous-­‐ensemble  des  règles  d’association.  

 
 
                                       
                       Malheureusement,  cette  technique  pose  un  problème  majeur  :  elle  fournit  de  très  grandes  quantités  de                
règles  qui  ne  peuvent  être  exploitées  sans  la  mise  en  place  d’un  post-­‐traitement  efficace  et  adapté  à  la  fois  aux  
préférences  du  décideur  et  à  la  structure  des  données  étudiées.    
 
 
 
 
 
 
 
 

30
5.3.3 Interprétation  des  résultats  :  
 
                         Cette  phase  consiste  en  la  visualisation  par  l'utilisateur  des  règles  d'association  extraites  du  contexte  et                  
leur  interprétation  afin  d'en  déduire  des  connaissances  utiles  pour  l'amélioration  de  l'activité  concernée.  Le                
nombre  important  de  règles  d'association  extraites  en  général  impose  le  développement  d'outils  de  classification          
des  règles,    de  sélection  par  l'utilisateur  de  sous-­‐ensembles  de  règles,  et  de  leur  visualisation  sous  une  forme              
intelligible.  
 
 
§ Tri  des  règles  d’associations  selon  le  Lift    
 
Les  résultats  sont  classés  selon  le  Lift.  L’interprétation  du  Lift  :  
 
• Le  Lift  supérieur  à  1  indique  une  corrélation  positive  
• Un  Lift  de  1  indique  une  corrélation  nulle    
• Le  Lift  inférieur  à  1  indique  une  corrélation  négative    
 

 
                                                                             Figure  28,  Sous-­‐ensemble  des  règles  d’association  selon  Lift.  
 

31
  
 Dans  notre  Tableau  la  règle  d’association  <{c-­‐10},  {d-­‐12},  {d-­‐13}>    =>  <  {d-­‐14}>  obtient  le  lift  le  plus  élevé  2.916667.  
 
• 12,85  %  des  transactions  contiennent  les  quatre  productions  (Support).  
• 75  %  des  transactions  avec  les  productions  (c  à  10h,  d  à  12h  et  d  à  13h)  contiennent  aussi  la  production      
de  type  d  à  14h.  
 
 
                         Le  nombre  de  règles  d’association  possibles  est  souvent  énorme.  Vouloir  étudier  toutes  les  associations          
entre  des  produits  à  un  niveau  très  fin  de  granularité  amènerait  à  des  résultats  non  interprétables.  Pour  obtenir              
des  résultats  cohérents  et  utiles,  il  faut  tout  d’abord  faire  une  liste  pertinente  des  règles  d’association  d’intérêt.  
 
                         Si  le  support  est  petit,  il  faut  se  questionner  sur  l’intérêt  de  la  règle  d’association.  En  pratique,  on  peut  fixer        
un  support  minimum  requis  et  exclure  les  règles  d’association  n’ayant  pas  le  support  requis.  
 
 
                         L’objectif  d’étudier  la  production  de  l’énergie  est  de  mieux  comprendre  une  dynamique  du  comportement          
de  cette  production  de  l’électricité.  En  d’autres  mots,  on  veut  découvrir  des  associations  non  connues  et  prendre          
des  décisions  d’affaires  basées  sur  ces  nouvelles  connaissances.  
 
Les  règles  qui  obtiennent  un  bon  support,  une  bonne  confiance  et  un  bon  lift  sont  potentiellement  utiles.  
 
 
 
Règles           Support     Confiance   Lift  
D’associations  
d-­‐11                          =>                 d-­‐12                             0.3714286       0.7878788   1.4513557  
c-­‐10                          =>           d-­‐11                                       0.2857143       0.6060606   1.2855831  
c-­‐10,  d11        =>     d-­‐12           0.2285714       0.8000000   1.4736842  
               
Figure  29,  Extrait  de  règles  d’association  utiles.  
 
 
 
                           Dans  le  Tableau  (figure  29)  la  règle  d’association  <  {d-­‐11}>    =>  <  {d-­‐12}>  obtient  un  lift  de  1.4513557  qui            
nous  renseigne  sur  la  corrélation  de  ces  deux  productions.  
 
• 37,15  %  des  transactions  contiennent  les  deux  productions  (Support).  
• 78,79  %  des  transactions  avec  la  production  (d  à  11h)  contiennent  aussi  la  production  d  à  12h.  
 
 
 
 
 
 
 
 
 
 
 
 
 

32
 § Extrait  des  règles  d’association  selon  l’antécédent  de  la  règle  
 
                           L’objectif  est  d’extraire  les  règles  d’association  en  précisant  l’antécédent  de  la  règle.  En  prenant  par            
exemple  comme  antécédent  une  production  de  type  d  à  11h  on  aura  toutes  les  règles  avec  antécédent                
comportant  une  production  de  type  d  à  11h  (figure  30).  
 
 

 
Figure  30,  Extrait  de  règles  d’association  avec  d-­‐11  en  antécédent.  
 
 
Dans  le  Tableau  (figure  30)  la  règle  d’association  <  {c-­‐10,  d-­‐11}>    =>  <  {d-­‐12}>  obtient  un  lift  de  1.4736842  qui                    
nous  renseigne  sur  la  corrélation  de  ces  deux  productions.  
 
• 22,85  %  des  transactions  contiennent  les  trois  productions  (Support).  
• 80  %  des  transactions  avec  la  production  (c  à  10h  et  d  à  11h)  contiennent  aussi  la  production  d  à  12h.  
 
 
 

33
  
 
On  peut  extraire  de  la  même  manière  les  règles  d’association  en  précisant  le  conséquent  de  la  règle.  
 
 

 
                 Figure  31,  Extrait  de  règles  d’association  en  précisant  le  conséquent.  
 
 
 
Dans  le  Tableau  (figure  31)  la  règle  d’association  <  {c-­‐10,  d-­‐12  et  d-­‐13}>    =>  <  {d-­‐14}>  obtient  un  lift  de  2.9166  qui                    
nous  renseigne  sur  la  corrélation  de  ces  quatre  productions.  
 
• 12,85  %  des  transactions  contiennent  les  trois  productions  (Support).  
• 75  %  des  transactions  avec  la  production  (c  à  10h  et  d  à  11h)  contiennent  aussi  la  production  d  à  12h.  
 
Cette  règle  nous  renseigne  sur  les  bonnes  conditions  qui  donnent  une  bonne  production  à  14h.  Pour  avoir  une  
production  de  type  d  à  14h,  il  faut  avoir  une  production  c  à  11h,  une  production  d  à  12h  et  une  production  d  à  13h.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

34
 6. Conclusion  

               L’analyse  de  la  mesure  Total  DC  avait  pour  objectif  d’identifier  des  associations  non  connues  dans  le  cadre  des    
prévisions  de  la  production  d'électricité  d'une  ferme  photovoltaïque.  De  fait,  à  partir  des  historiques  les  principaux  
fichiers  permettant  de  déterminer  la  production  de  l’électricité  ont  pu  être  crées.  Les  analyses  statistiques  ont  pu  
ensuite  être  effectuées  pour  expliquer  une  dynamique  du  comportement  de  la  production  de  l’électricité  sur  la        
ferme  photovoltaïque.  
 
               Les  résultats  obtenus  permettent  à  l’entreprise  de  dégager  des  renseignement  qui  leurs  permettrait  d’agir  et  
d’améliorer  la  production  et  la  distribution  de  l’électricité  dans  le  cadre  du  projet  micro-­‐réseau  Genergies.  
 
               Nous  avons  utilisé  une  autre  méthode  dite  de  «  statistiques  supervisées  »  qui  est  l’arbre  de  décision,  cette  
méthode  présente  l’avantage  de  proposer  des  modèles  graphiques  hiérarchisés  intelligibles.  Ces  arbres  permettent      
de  distinguer  des  groupes  d’individus  semblables  et  des  règles  de  décisions  simples.  De  plus,  aucune  hypothèse  
préalable  sur  les  données  n’est  nécessaire.  
 
                 Les  résultats  obtenus  avec  la  méthode  arbre  de  décision  n’étaient  pas  convaincants  en  terme  d’erreurs              
(autour  de  50  %  d’erreur),  pour  cela  on  a  choisi  de  ne  pas  les  exposés  et  de  réfléchir  d’avantage  a  amélioré  ces                
taux  d’erreurs.  
 
                 Ce  stage  effectué  au  sein  de  l’université  d’Orléans  en  relation  avec  l’entreprise  Genergies  a  été  très            
enrichissant  et  très  formateur.  J’ai  pu  en  effet  mettre  en  pratique  les  méthodes  statistiques  étudiées  au  cours  de            
ma  formation  à  l’université  mais  également  développer  mes  compétences  dans  le  logiciel  R.  Enfin,  j’ai  
particulièrement  apprécié  les  conseils  et  la  confiance  qui  m’ont  été  accordés  par  l’ensemble  de  l’équipe  durant                  
ces  quatre  mois  de  stage.  
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

35
  
 

Référence  
 
http://fr.wikipedia.org/  
http://www.photovoltaique.info/-­‐Photovoltaique-­‐sur-­‐batiment-­‐.html  
 
ZAKI  M.  (2001).  ”SPADE  :  an  efficient  algorithm  for  Mining  Frequent  Sequences“,  Machine  Learning,  
Vol.  42,2001,  p31‐60.  Kluwer  Academic  Publishers.  
 
http://www.insee.fr/fr/themes/document.asp?ref_id=16930&page=etudes_detaillees/drire/drire_36.htm  
http://genergies.fr/  
http://theses.insa-­‐lyon.fr/publication/2007ISAL0039/these.pdf  
http://www.info.univ-­‐angers.fr/~gh/wstat/discr.php  
http://www-­‐poleia.lip6.fr/~amann/BDMD-­‐M2/02-­‐reglesassoc.pdf  
https://conferences.telecom-­‐bretagne.eu/data/qcd2008/marinica_etal_QDC_2008.pdf  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

36
  
 
 
 
 
BILAN    PERSONNEL  
 
 
 
 
 
                 Ce  stage  s'est  révélé  riche  en  enseignement  en  ce  qui  concerne  les  connaissances  et  les  compétences  apportées.  
Mon  stage  chez  Genergies  fut  ma  deuxième  expérience  professionnelle  dans  le  domaine  des  statistiques,  ce  qui  m'a  
permis  de  voir  en  quoi  peut  consister  le  métier  de  statisticien.  
 
 
 
                   Durant  ces  quatre  mois  de  stage,  j'ai  eu  l'opportunité  de  travailler  sur  un  projet  très  enrichissant.  Outre  le  fait  
d'avoir  mis  en  oeuvre  mes  connaissances  théoriques  acquises  durant  mes  études,  je  me  suis  enrichi  sur  le  plan  humain  
en  m'intégrant  à  des  personnes  très  sympathiques,  qui  ont  su  me  faire  partager  leurs  connaissances  et  leurs  
expériences.  
 
 
 
                 Cette  expérience  professionnelle  m'a  permis  d'enrichir  mes  connaissances  dans  les  domaines  de  l'informatique  et  
des  statistiques.  J'ai  approfondi  l'utilisation  des  logiciels  statistiques  (R  et  Excel),  ce  qui  est  une  chance  pour  la  suite  de  
mon  parcours  professionnel.  
 
 
 
                 Tout  ceci  m'encourage  à  poursuivre  dans  le  domaine  des  statistiques.  Ce  stage  a  été  une  ouverture  
très  intéressante  sur  le  monde  professionnel.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

37
Annexes  

Séquences fréquentes

 
                                                               Séquence      support    
1                                                              <{a-­‐10}>  0.1000000  
2                                                              <{a-­‐13}>  0.1000000  
3                                                              <{a-­‐14}>  0.1571429  
4                                                              <{a-­‐15}>  0.4000000  
5                                                              <{a-­‐16}>  0.8571429  
6                                                              <{b-­‐10}>  0.3285714  
7                                                              <{b-­‐11}>  0.1571429  
8                                                              <{b-­‐12}>  0.2000000  
9                                                              <{b-­‐13}>  0.2142857  
10                                                            <{b-­‐14}>  0.3142857  
11                                                            <{b-­‐15}>  0.3857143  
12                                                            <{b-­‐16}>  0.1428571  
13                                                            <{c-­‐10}>  0.4714286  
14                                                            <{c-­‐11}>  0.3142857  
15                                                            <{c-­‐12}>  0.1714286  
16                                                            <{c-­‐13}>  0.3142857  
17                                                            <{c-­‐14}>  0.2714286  
18                                                            <{c-­‐15}>  0.2000000  
19                                                            <{d-­‐10}>  0.1000000  
20                                                            <{d-­‐11}>  0.4714286  
21                                                            <{d-­‐12}>  0.5428571  
22                                                            <{d-­‐13}>  0.3714286  
23                                                            <{d-­‐14}>  0.2571429  
24                                              <{c-­‐10},{d-­‐14}>  0.1428571  
25                                              <{d-­‐11},{d-­‐14}>  0.1714286  
26                                              <{d-­‐12},{d-­‐14}>  0.2142857  
27                                              <{d-­‐13},{d-­‐14}>  0.1428571  
28                                <{d-­‐12},{d-­‐13},{d-­‐14}>  0.1428571  
29                                <{d-­‐11},{d-­‐13},{d-­‐14}>  0.1000000  
30                                <{c-­‐10},{d-­‐13},{d-­‐14}>  0.1285714  
31                  <{d-­‐11},{d-­‐12},{d-­‐13},{d-­‐14}>  0.1000000  
32                  <{c-­‐10},{d-­‐12},{d-­‐13},{d-­‐14}>  0.1285714  
33                                <{d-­‐11},{d-­‐12},{d-­‐14}>  0.1571429  
34                                <{c-­‐10},{d-­‐12},{d-­‐14}>  0.1428571  
35                  <{c-­‐10},{d-­‐11},{d-­‐12},{d-­‐14}>  0.1000000  
36                                <{c-­‐10},{d-­‐11},{d-­‐14}>  0.1000000  
37                                              <{c-­‐10},{d-­‐13}>  0.2571429  

38
38                                              <{c-­‐11},{d-­‐13}>  0.1428571  
39                                              <{d-­‐11},{d-­‐13}>  0.2142857  
40                                              <{d-­‐12},{d-­‐13}>  0.2714286  
41                                <{d-­‐11},{d-­‐12},{d-­‐13}>  0.2000000  
42                                <{c-­‐10},{d-­‐12},{d-­‐13}>  0.1714286  
43                  <{c-­‐10},{d-­‐11},{d-­‐12},{d-­‐13}>  0.1285714  
44                                <{c-­‐10},{d-­‐11},{d-­‐13}>  0.1428571  
45                                <{c-­‐10},{c-­‐11},{d-­‐13}>  0.1142857  
46                                              <{b-­‐10},{d-­‐12}>  0.1000000  
47                                              <{c-­‐10},{d-­‐12}>  0.3000000  
48                                              <{c-­‐11},{d-­‐12}>  0.1428571  
49                                              <{d-­‐10},{d-­‐12}>  0.1000000  
50                                              <{d-­‐11},{d-­‐12}>  0.3714286  
51                                <{c-­‐10},{d-­‐11},{d-­‐12}>  0.2285714  
52                                              <{b-­‐10},{d-­‐11}>  0.1000000  
53                                              <{c-­‐10},{d-­‐11}>  0.2857143  
54                                              <{c-­‐10},{c-­‐15}>  0.1285714  
55                                              <{d-­‐11},{c-­‐15}>  0.1142857  
56                                              <{d-­‐12},{c-­‐15}>  0.1571429  
57                                              <{d-­‐13},{c-­‐15}>  0.1285714  
58                                              <{d-­‐14},{c-­‐15}>  0.1142857  
59                                <{d-­‐12},{d-­‐14},{c-­‐15}>  0.1000000  
60                                <{d-­‐12},{d-­‐13},{c-­‐15}>  0.1142857  
61                                <{c-­‐10},{d-­‐13},{c-­‐15}>  0.1142857  
62                  <{c-­‐10},{d-­‐12},{d-­‐13},{c-­‐15}>  0.1000000  
63                                <{d-­‐11},{d-­‐12},{c-­‐15}>  0.1000000  
64                                <{c-­‐10},{d-­‐12},{c-­‐15}>  0.1142857  
65                                              <{b-­‐10},{c-­‐14}>  0.1000000  
66                                              <{c-­‐10},{c-­‐14}>  0.1142857  
67                                              <{c-­‐11},{c-­‐14}>  0.1285714  
68                                              <{c-­‐12},{c-­‐14}>  0.1142857  
69                                              <{c-­‐13},{c-­‐14}>  0.1142857  
70                                              <{d-­‐12},{c-­‐14}>  0.1000000  
71                                              <{d-­‐13},{c-­‐14}>  0.1428571  
72                                <{c-­‐11},{d-­‐13},{c-­‐14}>  0.1000000  
73                                              <{b-­‐10},{c-­‐13}>  0.1428571  
74                                              <{c-­‐10},{c-­‐13}>  0.1428571  
75                                              <{d-­‐11},{c-­‐13}>  0.1714286  
76                                              <{d-­‐12},{c-­‐13}>  0.1571429  
77                                <{d-­‐11},{d-­‐12},{c-­‐13}>  0.1142857  
78                                <{c-­‐10},{d-­‐11},{c-­‐13}>  0.1000000  
79                                              <{c-­‐10},{c-­‐12}>  0.1000000  
80                                              <{b-­‐10},{c-­‐11}>  0.1285714  
81                                              <{c-­‐10},{c-­‐11}>  0.1571429  

39
82                                              <{b-­‐10},{b-­‐15}>  0.1571429  
83                                              <{c-­‐10},{b-­‐15}>  0.1714286  
84                                              <{c-­‐11},{b-­‐15}>  0.1714286  
85                                              <{c-­‐12},{b-­‐15}>  0.1142857  
86                                              <{c-­‐13},{b-­‐15}>  0.1285714  
87                                              <{c-­‐14},{b-­‐15}>  0.1571429  
88                                              <{d-­‐11},{b-­‐15}>  0.1428571  
89                                              <{d-­‐12},{b-­‐15}>  0.2000000  
90                                              <{d-­‐13},{b-­‐15}>  0.1714286  
91                                              <{d-­‐14},{b-­‐15}>  0.1142857  
92                                <{d-­‐12},{d-­‐14},{b-­‐15}>  0.1000000  
93                                <{c-­‐11},{d-­‐13},{b-­‐15}>  0.1000000  
94                                <{c-­‐10},{d-­‐13},{b-­‐15}>  0.1142857  
95                                <{d-­‐11},{d-­‐12},{b-­‐15}>  0.1142857  
96                                <{c-­‐11},{c-­‐14},{b-­‐15}>  0.1000000  
97                                              <{b-­‐13},{b-­‐14}>  0.1428571  
98                                              <{c-­‐10},{b-­‐14}>  0.1571429  
99                                              <{d-­‐11},{b-­‐14}>  0.1571429  
100                                            <{d-­‐12},{b-­‐14}>  0.1857143  
101                              <{d-­‐11},{d-­‐12},{b-­‐14}>  0.1142857  
102                              <{c-­‐10},{d-­‐12},{b-­‐14}>  0.1000000  
103                              <{c-­‐10},{d-­‐11},{b-­‐14}>  0.1000000  
104                                            <{b-­‐10},{b-­‐13}>  0.1142857  
105                                            <{b-­‐10},{b-­‐12}>  0.1285714  
106                                            <{a-­‐13},{a-­‐16}>  0.1000000  
107                                            <{a-­‐14},{a-­‐16}>  0.1285714  
108                                            <{a-­‐15},{a-­‐16}>  0.3857143  
109                                            <{b-­‐10},{a-­‐16}>  0.2857143  
110                                            <{b-­‐11},{a-­‐16}>  0.1571429  
111                                            <{b-­‐12},{a-­‐16}>  0.1714286  
112                                            <{b-­‐13},{a-­‐16}>  0.2000000  
113                                            <{b-­‐14},{a-­‐16}>  0.3142857  
114                                            <{b-­‐15},{a-­‐16}>  0.3285714  
115                                            <{c-­‐10},{a-­‐16}>  0.3857143  
116                                            <{c-­‐11},{a-­‐16}>  0.2571429  
117                                            <{c-­‐12},{a-­‐16}>  0.1428571  
118                                            <{c-­‐13},{a-­‐16}>  0.2571429  
119                                            <{c-­‐14},{a-­‐16}>  0.2285714  
120                                            <{c-­‐15},{a-­‐16}>  0.1428571  
121                                            <{d-­‐10},{a-­‐16}>  0.1000000  
122                                            <{d-­‐11},{a-­‐16}>  0.3857143  
123                                            <{d-­‐12},{a-­‐16}>  0.4571429  
124                                            <{d-­‐13},{a-­‐16}>  0.3000000  

40
125                                            <{d-­‐14},{a-­‐16}>  0.1857143  
126                              <{d-­‐13},{d-­‐14},{a-­‐16}>  0.1142857  
127                              <{d-­‐12},{d-­‐14},{a-­‐16}>  0.1571429  
128                              <{d-­‐11},{d-­‐14},{a-­‐16}>  0.1285714  
129                              <{c-­‐10},{d-­‐14},{a-­‐16}>  0.1000000  
130                <{d-­‐12},{d-­‐13},{d-­‐14},{a-­‐16}>  0.1142857  
131                <{c-­‐10},{d-­‐13},{d-­‐14},{a-­‐16}>  0.1000000  
132  <{c-­‐10},{d-­‐12},{d-­‐13},{d-­‐14},{a-­‐16}>  0.1000000  
133                <{d-­‐11},{d-­‐12},{d-­‐14},{a-­‐16}>  0.1142857  
134                <{c-­‐10},{d-­‐12},{d-­‐14},{a-­‐16}>  0.1000000  
135                              <{d-­‐12},{d-­‐13},{a-­‐16}>  0.2285714  
136                              <{d-­‐11},{d-­‐13},{a-­‐16}>  0.1714286  
137                              <{d-­‐13},{c-­‐14},{a-­‐16}>  0.1142857  
138                              <{c-­‐11},{d-­‐13},{a-­‐16}>  0.1142857  
139                              <{c-­‐10},{d-­‐13},{a-­‐16}>  0.2000000  
140                              <{d-­‐13},{b-­‐15},{a-­‐16}>  0.1428571  
141                <{d-­‐11},{d-­‐12},{d-­‐13},{a-­‐16}>  0.1714286  
142                <{c-­‐10},{d-­‐12},{d-­‐13},{a-­‐16}>  0.1428571  
143  <{c-­‐10},{d-­‐11},{d-­‐12},{d-­‐13},{a-­‐16}>  0.1000000  
144                <{c-­‐10},{d-­‐11},{d-­‐13},{a-­‐16}>  0.1000000  
145                <{c-­‐10},{c-­‐11},{d-­‐13},{a-­‐16}>  0.1000000  
146                              <{d-­‐11},{d-­‐12},{a-­‐16}>  0.3142857  
147                              <{d-­‐10},{d-­‐12},{a-­‐16}>  0.1000000  
148                              <{d-­‐12},{c-­‐15},{a-­‐16}>  0.1142857  
149                              <{d-­‐12},{c-­‐13},{a-­‐16}>  0.1142857  
150                              <{c-­‐11},{d-­‐12},{a-­‐16}>  0.1142857  
151                              <{c-­‐10},{d-­‐12},{a-­‐16}>  0.2428571  
152                              <{d-­‐12},{b-­‐15},{a-­‐16}>  0.1857143  
153                              <{d-­‐12},{b-­‐14},{a-­‐16}>  0.1857143  
154                              <{d-­‐12},{a-­‐15},{a-­‐16}>  0.1571429  
155                <{c-­‐10},{d-­‐11},{d-­‐12},{a-­‐16}>  0.1714286  
156                              <{d-­‐11},{c-­‐13},{a-­‐16}>  0.1285714  
157                              <{c-­‐10},{d-­‐11},{a-­‐16}>  0.2142857  
158                              <{d-­‐11},{b-­‐15},{a-­‐16}>  0.1142857  
159                              <{d-­‐11},{b-­‐14},{a-­‐16}>  0.1571429  
160                              <{d-­‐11},{a-­‐15},{a-­‐16}>  0.2000000  
161                              <{c-­‐10},{c-­‐15},{a-­‐16}>  0.1000000  
162                              <{c-­‐13},{c-­‐14},{a-­‐16}>  0.1000000  
163                              <{c-­‐12},{c-­‐14},{a-­‐16}>  0.1000000  
164                              <{c-­‐11},{c-­‐14},{a-­‐16}>  0.1000000  
165                              <{c-­‐10},{c-­‐14},{a-­‐16}>  0.1000000  
166                              <{c-­‐14},{b-­‐15},{a-­‐16}>  0.1428571  
167                              <{c-­‐10},{c-­‐13},{a-­‐16}>  0.1142857  

41
168                              <{c-­‐13},{b-­‐15},{a-­‐16}>  0.1142857  
169                              <{b-­‐10},{c-­‐13},{a-­‐16}>  0.1142857  
170                              <{c-­‐13},{a-­‐15},{a-­‐16}>  0.1285714  
171                              <{c-­‐10},{c-­‐12},{a-­‐16}>  0.1000000  
172                              <{c-­‐12},{b-­‐15},{a-­‐16}>  0.1000000  
173                              <{c-­‐10},{c-­‐11},{a-­‐16}>  0.1428571  
174                              <{c-­‐11},{b-­‐15},{a-­‐16}>  0.1428571  
175                              <{b-­‐10},{c-­‐11},{a-­‐16}>  0.1000000  
176                              <{c-­‐10},{b-­‐15},{a-­‐16}>  0.1285714  
177                              <{c-­‐10},{b-­‐14},{a-­‐16}>  0.1571429  
178                              <{c-­‐10},{a-­‐15},{a-­‐16}>  0.1571429  
179                              <{b-­‐10},{b-­‐15},{a-­‐16}>  0.1428571  
180                <{d-­‐11},{d-­‐12},{b-­‐15},{a-­‐16}>  0.1000000  
181                              <{b-­‐13},{b-­‐14},{a-­‐16}>  0.1428571  
182                              <{b-­‐14},{a-­‐15},{a-­‐16}>  0.2000000  
183                <{d-­‐11},{d-­‐12},{b-­‐14},{a-­‐16}>  0.1142857  
184                <{c-­‐10},{d-­‐12},{b-­‐14},{a-­‐16}>  0.1000000  
185                <{c-­‐10},{d-­‐11},{b-­‐14},{a-­‐16}>  0.1000000  
186                              <{b-­‐10},{b-­‐13},{a-­‐16}>  0.1000000  
187                              <{b-­‐13},{a-­‐15},{a-­‐16}>  0.1142857  
188                              <{b-­‐10},{b-­‐12},{a-­‐16}>  0.1285714  
189                              <{b-­‐12},{a-­‐15},{a-­‐16}>  0.1142857  
190                              <{b-­‐10},{a-­‐15},{a-­‐16}>  0.1142857  
191                              <{a-­‐14},{a-­‐15},{a-­‐16}>  0.1142857  
192                <{d-­‐11},{d-­‐12},{a-­‐15},{a-­‐16}>  0.1428571  
193                <{c-­‐10},{d-­‐12},{a-­‐15},{a-­‐16}>  0.1000000  
194                <{d-­‐12},{b-­‐14},{a-­‐15},{a-­‐16}>  0.1000000  
195                <{c-­‐10},{d-­‐11},{a-­‐15},{a-­‐16}>  0.1142857  
196                <{d-­‐11},{b-­‐14},{a-­‐15},{a-­‐16}>  0.1285714  
197                <{c-­‐10},{b-­‐14},{a-­‐15},{a-­‐16}>  0.1142857  
198                                            <{a-­‐14},{a-­‐15}>  0.1285714  
199                                            <{b-­‐10},{a-­‐15}>  0.1142857  
200                                            <{b-­‐12},{a-­‐15}>  0.1142857  
201                                            <{b-­‐13},{a-­‐15}>  0.1142857  
202                                            <{b-­‐14},{a-­‐15}>  0.2000000  
203                                            <{c-­‐10},{a-­‐15}>  0.1714286  
204                                            <{c-­‐13},{a-­‐15}>  0.1428571  
205                                            <{d-­‐11},{a-­‐15}>  0.2142857  
206                                            <{d-­‐12},{a-­‐15}>  0.1714286  
207                              <{d-­‐11},{d-­‐12},{a-­‐15}>  0.1571429  
208                              <{c-­‐10},{d-­‐12},{a-­‐15}>  0.1142857  
209                              <{d-­‐12},{b-­‐14},{a-­‐15}>  0.1000000  
210                <{c-­‐10},{d-­‐11},{d-­‐12},{a-­‐15}>  0.1000000  

42
211                              <{c-­‐10},{d-­‐11},{a-­‐15}>  0.1285714  
212                              <{d-­‐11},{b-­‐14},{a-­‐15}>  0.1285714  
213                              <{c-­‐10},{c-­‐13},{a-­‐15}>  0.1000000  
214                              <{c-­‐10},{b-­‐14},{a-­‐15}>  0.1142857  
 
 
 
 
 
Extraction  des  191  règles  d’associations    
 
 
                                                                                     rule                                              support        confidence            lift  
5                                  <{d-­‐12},{d-­‐13}>  =>  <{d-­‐14}>  0.1428571    0.5263158  2.0467836  
6                                  <{d-­‐11},{d-­‐13}>  =>  <{d-­‐14}>  0.1000000    0.4666667  1.8148148  
7                                  <{c-­‐10},{d-­‐13}>  =>  <{d-­‐14}>  0.1285714    0.5000000  1.9444444  
8                    <{d-­‐11},{d-­‐12},{d-­‐13}>  =>  <{d-­‐14}>  0.1000000    0.5000000  1.9444444  
9                    <{c-­‐10},{d-­‐12},{d-­‐13}>  =>  <{d-­‐14}>  0.1285714    0.7500000  2.9166667  
10                                <{d-­‐11},{d-­‐12}>  =>  <{d-­‐14}>  0.1571429    0.4230769  1.6452991  
11                                <{c-­‐10},{d-­‐12}>  =>  <{d-­‐14}>  0.1428571    0.4761905  1.8518519  
12                  <{c-­‐10},{d-­‐11},{d-­‐12}>  =>  <{d-­‐14}>  0.1000000    0.4375000  1.7013889  
14                                              <{c-­‐10}>  =>  <{d-­‐13}>  0.2571429    0.5454545  1.4685315  
15                                              <{c-­‐11}>  =>  <{d-­‐13}>  0.1428571    0.4545455  1.2237762  
16                                              <{d-­‐11}>  =>  <{d-­‐13}>  0.2142857    0.4545455  1.2237762  
17                                              <{d-­‐12}>  =>  <{d-­‐13}>  0.2714286    0.5000000  1.3461538  
18                                <{d-­‐11},{d-­‐12}>  =>  <{d-­‐13}>  0.2000000    0.5384615  1.4497041  
19                                <{c-­‐10},{d-­‐12}>  =>  <{d-­‐13}>  0.1714286    0.5714286  1.5384615  
20                  <{c-­‐10},{d-­‐11},{d-­‐12}>  =>  <{d-­‐13}>  0.1285714    0.5625000  1.5144231  
21                                <{c-­‐10},{d-­‐11}>  =>  <{d-­‐13}>  0.1428571    0.5000000  1.3461538  
22                                <{c-­‐10},{c-­‐11}>  =>  <{d-­‐13}>  0.1142857    0.7272727  1.9580420  
24                                              <{c-­‐10}>  =>  <{d-­‐12}>  0.3000000    0.6363636  1.1722488  
25                                              <{c-­‐11}>  =>  <{d-­‐12}>  0.1428571    0.4545455  0.8373206  
26                                              <{d-­‐10}>  =>  <{d-­‐12}>  0.1000000    1.0000000  1.8421053  
27                                              <{d-­‐11}>  =>  <{d-­‐12}>  0.3714286    0.7878788  1.4513557  
28                                <{c-­‐10},{d-­‐11}>  =>  <{d-­‐12}>  0.2285714    0.8000000  1.4736842  
30                                              <{c-­‐10}>  =>  <{d-­‐11}>  0.2857143    0.6060606  1.2855831  
35                                              <{d-­‐14}>  =>  <{c-­‐15}>  0.1142857    0.4444444  2.2222222  
36                                <{d-­‐12},{d-­‐14}>  =>  <{c-­‐15}>  0.1000000    0.4666667  2.3333333  
37                                <{d-­‐12},{d-­‐13}>  =>  <{c-­‐15}>  0.1142857    0.4210526  2.1052632  
38                                <{c-­‐10},{d-­‐13}>  =>  <{c-­‐15}>  0.1142857    0.4444444  2.2222222  
39                  <{c-­‐10},{d-­‐12},{d-­‐13}>  =>  <{c-­‐15}>  0.1000000    0.5833333  2.9166667  
44                                              <{c-­‐11}>  =>  <{c-­‐14}>  0.1285714    0.4090909  1.5071770  
45                                              <{c-­‐12}>  =>  <{c-­‐14}>  0.1142857    0.6666667  2.4561404  
49                                <{c-­‐11},{d-­‐13}>  =>  <{c-­‐14}>  0.1000000    0.7000000  2.5789474  

43
50                                              <{b-­‐10}>  =>  <{c-­‐13}>  0.1428571    0.4347826  1.3833992  
59                                              <{b-­‐10}>  =>  <{b-­‐15}>  0.1571429    0.4782609  1.2399356  
61                                              <{c-­‐11}>  =>  <{b-­‐15}>  0.1714286    0.5454545  1.4141414  
62                                              <{c-­‐12}>  =>  <{b-­‐15}>  0.1142857    0.6666667  1.7283951  
63                                              <{c-­‐13}>  =>  <{b-­‐15}>  0.1285714    0.4090909  1.0606061  
64                                              <{c-­‐14}>  =>  <{b-­‐15}>  0.1571429    0.5789474  1.5009747  
67                                              <{d-­‐13}>  =>  <{b-­‐15}>  0.1714286    0.4615385  1.1965812  
68                                              <{d-­‐14}>  =>  <{b-­‐15}>  0.1142857    0.4444444  1.1522634  
69                                <{d-­‐12},{d-­‐14}>  =>  <{b-­‐15}>  0.1000000    0.4666667  1.2098765  
70                                <{c-­‐11},{d-­‐13}>  =>  <{b-­‐15}>  0.1000000    0.7000000  1.8148148  
71                                <{c-­‐10},{d-­‐13}>  =>  <{b-­‐15}>  0.1142857    0.4444444  1.1522634  
73                                <{c-­‐11},{c-­‐14}>  =>  <{b-­‐15}>  0.1000000    0.7777778  2.0164609  
74                                              <{b-­‐13}>  =>  <{b-­‐14}>  0.1428571    0.6666667  2.1212121  
83                                              <{a-­‐13}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
84                                              <{a-­‐14}>  =>  <{a-­‐16}>  0.1285714    0.8181818  0.9545455  
85                                              <{a-­‐15}>  =>  <{a-­‐16}>  0.3857143    0.9642857  1.1250000  
86                                              <{b-­‐10}>  =>  <{a-­‐16}>  0.2857143    0.8695652  1.0144928  
87                                              <{b-­‐11}>  =>  <{a-­‐16}>  0.1571429    1.0000000  1.1666667  
88                                              <{b-­‐12}>  =>  <{a-­‐16}>  0.1714286    0.8571429  1.0000000  
89                                              <{b-­‐13}>  =>  <{a-­‐16}>  0.2000000    0.9333333  1.0888889  
90                                              <{b-­‐14}>  =>  <{a-­‐16}>  0.3142857    1.0000000  1.1666667  
91                                              <{b-­‐15}>  =>  <{a-­‐16}>  0.3285714    0.8518519  0.9938272  
92                                              <{c-­‐10}>  =>  <{a-­‐16}>  0.3857143    0.8181818  0.9545455  
93                                              <{c-­‐11}>  =>  <{a-­‐16}>  0.2571429    0.8181818  0.9545455  
94                                              <{c-­‐12}>  =>  <{a-­‐16}>  0.1428571    0.8333333  0.9722222  
95                                              <{c-­‐13}>  =>  <{a-­‐16}>  0.2571429    0.8181818  0.9545455  
96                                              <{c-­‐14}>  =>  <{a-­‐16}>  0.2285714    0.8421053  0.9824561  
97                                              <{c-­‐15}>  =>  <{a-­‐16}>  0.1428571    0.7142857  0.8333333  
98                                              <{d-­‐10}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
99                                              <{d-­‐11}>  =>  <{a-­‐16}>  0.3857143    0.8181818  0.9545455  
100                                            <{d-­‐12}>  =>  <{a-­‐16}>  0.4571429    0.8421053  0.9824561  
101                                            <{d-­‐13}>  =>  <{a-­‐16}>  0.3000000    0.8076923  0.9423077  
102                                            <{d-­‐14}>  =>  <{a-­‐16}>  0.1857143    0.7222222  0.8425926  
103                              <{d-­‐13},{d-­‐14}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
104                              <{d-­‐12},{d-­‐14}>  =>  <{a-­‐16}>  0.1571429    0.7333333  0.8555556  
105                              <{d-­‐11},{d-­‐14}>  =>  <{a-­‐16}>  0.1285714    0.7500000  0.8750000  
106                              <{c-­‐10},{d-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.7000000  0.8166667  
107                <{d-­‐12},{d-­‐13},{d-­‐14}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
108                <{c-­‐10},{d-­‐13},{d-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.7777778  0.9074074  
109  <{c-­‐10},{d-­‐12},{d-­‐13},{d-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.7777778  0.9074074  
110                <{d-­‐11},{d-­‐12},{d-­‐14}>  =>  <{a-­‐16}>  0.1142857    0.7272727  0.8484848  
111                <{c-­‐10},{d-­‐12},{d-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.7000000  0.8166667  
112                              <{d-­‐12},{d-­‐13}>  =>  <{a-­‐16}>  0.2285714    0.8421053  0.9824561  

44
113                              <{d-­‐11},{d-­‐13}>  =>  <{a-­‐16}>  0.1714286    0.8000000  0.9333333  
114                              <{d-­‐13},{c-­‐14}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
115                              <{c-­‐11},{d-­‐13}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
116                              <{c-­‐10},{d-­‐13}>  =>  <{a-­‐16}>  0.2000000    0.7777778  0.9074074  
117                              <{d-­‐13},{b-­‐15}>  =>  <{a-­‐16}>  0.1428571    0.8333333  0.9722222  
118                <{d-­‐11},{d-­‐12},{d-­‐13}>  =>  <{a-­‐16}>  0.1714286    0.8571429  1.0000000  
119                <{c-­‐10},{d-­‐12},{d-­‐13}>  =>  <{a-­‐16}>  0.1428571    0.8333333  0.9722222  
120  <{c-­‐10},{d-­‐11},{d-­‐12},{d-­‐13}>  =>  <{a-­‐16}>  0.1000000    0.7777778  0.9074074  
121                <{c-­‐10},{d-­‐11},{d-­‐13}>  =>  <{a-­‐16}>  0.1000000    0.7000000  0.8166667  
122                <{c-­‐10},{c-­‐11},{d-­‐13}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
123                              <{d-­‐11},{d-­‐12}>  =>  <{a-­‐16}>  0.3142857    0.8461538  0.9871795  
124                              <{d-­‐10},{d-­‐12}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
125                              <{d-­‐12},{c-­‐15}>  =>  <{a-­‐16}>  0.1142857    0.7272727  0.8484848  
126                              <{d-­‐12},{c-­‐13}>  =>  <{a-­‐16}>  0.1142857    0.7272727  0.8484848  
127                              <{c-­‐11},{d-­‐12}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
128                              <{c-­‐10},{d-­‐12}>  =>  <{a-­‐16}>  0.2428571    0.8095238  0.9444444  
129                              <{d-­‐12},{b-­‐15}>  =>  <{a-­‐16}>  0.1857143    0.9285714  1.0833333  
130                              <{d-­‐12},{b-­‐14}>  =>  <{a-­‐16}>  0.1857143    1.0000000  1.1666667  
131                              <{d-­‐12},{a-­‐15}>  =>  <{a-­‐16}>  0.1571429    0.9166667  1.0694444  
132                <{c-­‐10},{d-­‐11},{d-­‐12}>  =>  <{a-­‐16}>  0.1714286    0.7500000  0.8750000  
133                              <{d-­‐11},{c-­‐13}>  =>  <{a-­‐16}>  0.1285714    0.7500000  0.8750000  
134                              <{c-­‐10},{d-­‐11}>  =>  <{a-­‐16}>  0.2142857    0.7500000  0.8750000  
135                              <{d-­‐11},{b-­‐15}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
136                              <{d-­‐11},{b-­‐14}>  =>  <{a-­‐16}>  0.1571429    1.0000000  1.1666667  
137                              <{d-­‐11},{a-­‐15}>  =>  <{a-­‐16}>  0.2000000    0.9333333  1.0888889  
138                              <{c-­‐10},{c-­‐15}>  =>  <{a-­‐16}>  0.1000000    0.7777778  0.9074074  
139                              <{c-­‐13},{c-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
140                              <{c-­‐12},{c-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
141                              <{c-­‐11},{c-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.7777778  0.9074074  
142                              <{c-­‐10},{c-­‐14}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
143                              <{c-­‐14},{b-­‐15}>  =>  <{a-­‐16}>  0.1428571    0.9090909  1.0606061  
144                              <{c-­‐10},{c-­‐13}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
145                              <{c-­‐13},{b-­‐15}>  =>  <{a-­‐16}>  0.1142857    0.8888889  1.0370370  
146                              <{b-­‐10},{c-­‐13}>  =>  <{a-­‐16}>  0.1142857    0.8000000  0.9333333  
147                              <{c-­‐13},{a-­‐15}>  =>  <{a-­‐16}>  0.1285714    0.9000000  1.0500000  
148                              <{c-­‐10},{c-­‐12}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
149                              <{c-­‐12},{b-­‐15}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
150                              <{c-­‐10},{c-­‐11}>  =>  <{a-­‐16}>  0.1428571    0.9090909  1.0606061  
151                              <{c-­‐11},{b-­‐15}>  =>  <{a-­‐16}>  0.1428571    0.8333333  0.9722222  
152                              <{b-­‐10},{c-­‐11}>  =>  <{a-­‐16}>  0.1000000    0.7777778  0.9074074  
153                              <{c-­‐10},{b-­‐15}>  =>  <{a-­‐16}>  0.1285714    0.7500000  0.8750000  
154                              <{c-­‐10},{b-­‐14}>  =>  <{a-­‐16}>  0.1571429    1.0000000  1.1666667  
155                              <{c-­‐10},{a-­‐15}>  =>  <{a-­‐16}>  0.1571429    0.9166667  1.0694444  

45
156                              <{b-­‐10},{b-­‐15}>  =>  <{a-­‐16}>  0.1428571    0.9090909  1.0606061  
157                <{d-­‐11},{d-­‐12},{b-­‐15}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
158                              <{b-­‐13},{b-­‐14}>  =>  <{a-­‐16}>  0.1428571    1.0000000  1.1666667  
159                              <{b-­‐14},{a-­‐15}>  =>  <{a-­‐16}>  0.2000000    1.0000000  1.1666667  
160                <{d-­‐11},{d-­‐12},{b-­‐14}>  =>  <{a-­‐16}>  0.1142857    1.0000000  1.1666667  
161                <{c-­‐10},{d-­‐12},{b-­‐14}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
162                <{c-­‐10},{d-­‐11},{b-­‐14}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
163                              <{b-­‐10},{b-­‐13}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
164                              <{b-­‐13},{a-­‐15}>  =>  <{a-­‐16}>  0.1142857    1.0000000  1.1666667  
165                              <{b-­‐10},{b-­‐12}>  =>  <{a-­‐16}>  0.1285714    1.0000000  1.1666667  
166                              <{b-­‐12},{a-­‐15}>  =>  <{a-­‐16}>  0.1142857    1.0000000  1.1666667  
167                              <{b-­‐10},{a-­‐15}>  =>  <{a-­‐16}>  0.1142857    1.0000000  1.1666667  
168                              <{a-­‐14},{a-­‐15}>  =>  <{a-­‐16}>  0.1142857    0.8888889  1.0370370  
169                <{d-­‐11},{d-­‐12},{a-­‐15}>  =>  <{a-­‐16}>  0.1428571    0.9090909  1.0606061  
170                <{c-­‐10},{d-­‐12},{a-­‐15}>  =>  <{a-­‐16}>  0.1000000    0.8750000  1.0208333  
171                <{d-­‐12},{b-­‐14},{a-­‐15}>  =>  <{a-­‐16}>  0.1000000    1.0000000  1.1666667  
172                <{c-­‐10},{d-­‐11},{a-­‐15}>  =>  <{a-­‐16}>  0.1142857    0.8888889  1.0370370  
173                <{d-­‐11},{b-­‐14},{a-­‐15}>  =>  <{a-­‐16}>  0.1285714    1.0000000  1.1666667  
174                <{c-­‐10},{b-­‐14},{a-­‐15}>  =>  <{a-­‐16}>  0.1142857    1.0000000  1.1666667  
175                                            <{a-­‐14}>  =>  <{a-­‐15}>  0.1285714    0.8181818  2.0454545  
177                                            <{b-­‐12}>  =>  <{a-­‐15}>  0.1142857    0.5714286  1.4285714  
178                                            <{b-­‐13}>  =>  <{a-­‐15}>  0.1142857    0.5333333  1.3333333  
179                                            <{b-­‐14}>  =>  <{a-­‐15}>  0.2000000    0.6363636  1.5909091  
181                                            <{c-­‐13}>  =>  <{a-­‐15}>  0.1428571    0.4545455  1.1363636  
182                                            <{d-­‐11}>  =>  <{a-­‐15}>  0.2142857    0.4545455  1.1363636  
184                              <{d-­‐11},{d-­‐12}>  =>  <{a-­‐15}>  0.1571429    0.4230769  1.0576923  
186                              <{d-­‐12},{b-­‐14}>  =>  <{a-­‐15}>  0.1000000    0.5384615  1.3461538  
187                <{c-­‐10},{d-­‐11},{d-­‐12}>  =>  <{a-­‐15}>  0.1000000    0.4375000  1.0937500  
188                              <{c-­‐10},{d-­‐11}>  =>  <{a-­‐15}>  0.1285714    0.4500000  1.1250000  
189                              <{d-­‐11},{b-­‐14}>  =>  <{a-­‐15}>  0.1285714    0.8181818  2.0454545  
190                              <{c-­‐10},{c-­‐13}>  =>  <{a-­‐15}>  0.1000000    0.7000000  1.7500000  
191                              <{c-­‐10},{b-­‐14}>  =>  <{a-­‐15}>  0.1142857    0.7272727  1.8181818  
 
 
 
 
 
 
 
 
 
 
 
 
 
 

46
  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

47