FR3098966A1 - Procédé et dispositif de détection de la récurrence d’attributs temporels - Google Patents

Abstract

L’invention concerne un procédé et un dispositif de détection de la récurrence d’informations représentatives d’activités. A cet effet, des données représentatives d’activités sont reçues, chaque donnée étant associée à des informations temporelles. Des périodes temporelles de durée identique sont générées à partir d’au moins une partie des données reçues. Chaque période temporelle comprend une séquence d’activités ordonnées temporellement. Au moins une partie des périodes temporelles est sélectionnée pour extraire les périodes temporelles comprenant les mêmes activités ordonnées temporellement selon un même ordre. Les périodes temporelles sélectionnées sont classifiées selon au moins un critère de similarité entre les séquences d’activités pour former des classes. Les périodes temporelles qui n’ont pas été sélectionnées sont comparées aux centroïdes des classes formées. Chaque période temporelle d’au moins une partie des périodes non sélectionnées est alors associée à la classe la plus proche de cette période temporelle. Figure pour l’abrégé : Figure 2

Description

Procédé et dispositif de détection de la récurrence d’attributs temporels

L’invention concerne les procédés et dispositifs de suivi et de gestion d’activités associées à du matériel et/ou du personnel. L’invention concerne également la planification automatique de telles activités.

Arrière-plan technologique

Les entreprises en quête de traçabilité des activités réalisées via leur matériel et/ou par leurs employés font face à plusieurs problématiques dont l’assurance que les engagements de qualité, les normes de sécurité et les processus de réalisation de chaque tâche ou activité sont effectivement respectés.

Or dans de nombreux cas, il est à ce jour très difficile de construire un processus de réalisation efficace, assurant à la fois un niveau de qualité fort et la sécurité des travailleurs et du matériel sur le terrain. Certains experts en qualité tentent de décrire ces processus au travers de normes (telle que la norme ISO 9001) mais il s’agit dans les faits d’hypothèses dont la pertinence reste à valider ultérieurement, ne répondant donc de fait pas à la problématique ci-dessus.

Par ailleurs, les données relatives à la réalisation des tâches sont sujettes à une certaine imprécision et/ou incomplétude, rendant leur exploitation peu fiable pour par exemple vérifier que les tâches ont bien été effectuées comme attendu. En effet, les données relatives à la réalisation des tâches sont souvent issues de saisies manuelles ou semi-automatiques par des personnes qui réalisent ces tâches, ces saisies manuelles étant sujettes à des erreurs ou des oublis.

Un objet de la présente invention est d’améliorer l’analyse de données représentatives de l’exécution de tâches ou d’activité pour palier notamment les problèmes liés à l’incomplétude et/ou l’imprécision de ces données.

Selon un premier aspect, l’invention concerne un procédé de détection de la récurrence d’informations représentatives d’activités, le procédé comprenant les étapes de :

- réception de données représentatives d’une pluralité d’activités chacune associée à au moins une information temporelle ;

- génération d’une pluralité de périodes temporelles de durée identique à partir d’au moins une partie des données reçues, chaque période temporelle de la pluralité comprenant une séquence d’activités de la pluralité d’activités ordonnées temporellement ;

- sélection d’au moins une partie des périodes temporelles de la pluralité pour sélectionner les périodes temporelles comprenant une même pluralité d’activités ordonnées temporellement selon un même ordre ;

- classification de la au moins une partie des périodes temporelles selon au moins un critère de similarité entre les séquences d’activités pour former un ensemble de classes de périodes temporelles comprenant chacune au moins une période temporelle ;

- comparaison des périodes temporelles non sélectionnées aux centroïdes des classes de périodes temporelles ;

- association de chaque période temporelle d’au moins une partie des périodes temporelles non sélectionnées à la classe de périodes temporelles de la pluralité ayant le centroïde le plus proche de chaque période temporelle.

Selon une variante, le procédé comprend en outre les étapes suivantes :

- détection de données erronées dans les données reçues à partir des informations temporelles ;

- correction d’au moins une partie des données erronées à partir de règles déterminées,

la au moins une partie des données reçues utilisées pour la génération de la pluralité de périodes temporelles de durée identique comprenant les données reçues non détectées comme étant erronées et les données erronées corrigées.

Selon une autre variante, le procédé comprend en outre une étape de correction d’une information temporelle partielle associée à une première activité d’une première période temporelle à partir d’au moins une information temporelle complète d’au moins une deuxième activité d’au moins une deuxième période temporelle appartenant à la même classe de périodes temporelles que la première période temporelle, la au moins une deuxième activité étant identique à la première activité.

Selon une variante supplémentaire, le procédé comprend en outre les étapes suivantes :

- classification des activités de l’ensemble de classes de périodes temporelles selon au moins un critère de similarité entre les activités pour former un ensemble de classes d’activités ;

- détermination d’un centroïde pour chaque classe d’activité ;

- pour chaque classe d’activités, remplacement d’au moins une partie des activités de la classe d’activités par le centroïde de la classe d’activités avant de déterminer les centroïdes des classes temporelles.

Selon une autre variante, l’étape de comparaison comprend les étapes suivantes, pour chaque période temporelle non sélectionnée comprenant un nombre d’activités inférieur au nombre d’activités des périodes temporelles sélectionnées, appelée période temporelle incomplète :

- pour chaque classe de périodes temporelles, génération d’un graphe biparti comprenant un premier ensemble d’éléments correspondant aux activités et information temporelle du centroïde de chaque classe de périodes temporelles et un deuxième ensemble d’éléments correspondant aux activités et information temporelle associée de la période temporelle incomplète et aux activités et information temporelle du centroïde ;

- complétion des données manquantes dans la période temporelle incomplète par recherche de couplage minimal dans chaque graphe biparti généré.

Selon une autre variante, chaque activité de la pluralité d’activités est associée à au moins une information supplémentaire parmi les informations suivantes :

- une information de localisation ;

- une information d’identification d’une personne ;

- une information d’identification d’un matériel.

Selon une variante supplémentaire, le procédé comprend en outre une étape de sélection desdites données représentatives d’une pluralité d’activités en fonction de la au moins une information supplémentaire.

Selon un deuxième aspect, l’invention concerne un dispositif de détection de la récurrence d’activités comprenant une mémoire associée à au moins un processeur configuré pour mettre en œuvre les étapes du procédé selon le premier aspect de l’invention.

Selon un troisième aspect, l’invention concerne un programme d’ordinateur qui comporte des instructions adaptées pour l’exécution des étapes du procédé selon le premier aspect de l’invention, ceci notamment lorsque le programme d’ordinateur est exécuté par au moins un processeur.

Un tel programme d’ordinateur peut utiliser n’importe quel langage de programmation, et être sous la forme d’un code source, d’un code objet, ou d’un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.

Selon un quatrième aspect, l’invention concerne un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon le premier aspect de l’invention.

D’une part, le support d’enregistrement peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique ou un disque dur.

D'autre part, ce support d’enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d’ordinateur selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.

Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d’ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.

Brève description des figures

D’autres caractéristiques et avantages de l’invention ressortiront de la description des modes de réalisation non limitatifs de l’invention ci-après, en référence aux figures 1 à 5 annexées, sur lesquelles :

illustre de façon schématique des séquences d’activités, selon un exemple de réalisation particulier de la présente invention ;

illustre un organigramme des différentes étapes d’un procédé de détection de la récurrence d’informations représentatives d’activités dans les séquences de la figure 1, selon un exemple de réalisation particulier de la présente invention ;

illustre schématiquement un processus de correction d’information temporelle partielle associée dans une ou plusieurs séquences de la figure 1, selon un exemple de réalisation particulier de la présente invention ;

illustre schématiquement un processus de complétion de données d’activités incomplètes parmi les séquences de la figure 1, selon un exemple de réalisation particulier de la présente invention ;

illustre schématiquement un dispositif configuré pour la mise en œuvre du procédé et/ou des processus des figures 2 à 4, selon un exemple de réalisation particulier de la présente invention.

Un procédé et un dispositif de détection de la récurrence d’informations représentatives d’activités vont maintenant être décrits dans ce qui va suivre en référence conjointement aux figures 1 à 5. Des mêmes éléments sont identifiés avec des mêmes signes de référence tout au long de la description qui va suivre.

Selon un exemple particulier et non limitatif de réalisation de l’invention, un procédé de détection de la récurrence d’informations représentatives d’activités comprend la réception de données représentatives d’une pluralité d’activités, chaque donnée représentative d’une activité étant associée à une ou plusieurs informations temporelles (par exemple date/heure de début et/ou fin de l’activité). Une ou plusieurs périodes temporelles de durée identique sont générées à partir d’au moins une partie des données reçues. Chaque période temporelle comprend une séquence d’activités ordonnées temporellement. Au moins une partie des périodes temporelles est sélectionnée pour extraire les périodes temporelles comprenant une même pluralité d’activités (c’est-à-dire le même nombre d’activités, les activités étant les même d’une séquence sélectionnée à une autre séquence sélectionnée) ordonnées temporellement selon un même ordre. Les périodes temporelles sélectionnées sont classifiées selon au moins un critère de similarité entre les séquences d’activités pour former un ensemble de classes (ou groupes) de périodes temporelles similaires, chaque classe comprenant au moins une période temporelle. Les périodes temporelles qui n’ont pas été sélectionnées sont comparées aux centroïdes des classes de périodes temporelles formées précédemment. Chaque période temporelle d’au moins une partie des périodes temporelles non sélectionnées est alors associée à la classe dont le centroïde est le plus proche (ou le plus similaire) de cette période temporelle.

Un tel procédé permet de regrouper automatiquement les activités en fonction de leur similitude, ce qui permet de détecter et regrouper les activités récurrentes sur une période temporelle donnée. La fiabilité du procédé est augmentée en classifiant dans un premier temps les périodes temporelles qui contiennent les mêmes données d’activités ordonnées temporellement de manière similaire, c’est-à-dire en utilisant les données considérées comme étant les plus fiables. Le regroupement des périodes temporelles restantes (c’est-à-dire les périodes temporelles incomplètes, par exemple parce qu’il manque une ou plusieurs données d’activités et/ou des données temporelles associées aux activités par rapport aux périodes temporelles ayant servi à la classification) aux classes constituées précédemment offre alors une base de comparaison de ces périodes temporelles incomplètes pour potentiellement les corriger et/ou les compléter.

La détection de la récurrence d’informations représentatives d’activités reçues permet par exemple de générer automatiquement, sans intervention humaine, un planning associé à un matériel et/ou une personne, sur la base de données d’activités collectées.

La détection de la récurrence d’informations représentatives d’activités reçues permet également par exemple de détecter automatiquement, sans intervention humaine, les erreurs dans les séquences d’activités, par exemple les inversions d’activités, les oublis de réalisation d’une ou plusieurs activités.

illustre plusieurs périodes temporelles P1 à P5 comprenant chacune une séquence d’activités ou d’informations représentatives d’activités, selon un exemple de réalisation particulier et non limitatif de la présente invention.

Les périodes temporelles P₁à P₅sont avantageusement générées automatiquement à partir de données collectées ou reçues d’outils de suivi d’activités tels que des dispositifs de pointage (par exemple une badgeuse), des dispositifs de traçage de position ou de suivi de déplacement (par exemple un système GPS associé à un matériel ou une machine), des bases de données dans lesquelles un ou plusieurs utilisateurs entrent leurs activités réalisées ou les tâches accomplies ou l’utilisation de matériel. Ces données sont associées à une ou plusieurs informations temporelles, telles que par exemple l’heure de début et/ou de fin d’une activité, l’heure de début et la durée d’une activité.

Selon une variante de réalisation, des données provenant de sources extérieures et associées à une information temporelle, telles que par exemple un dispositif de comptage de personnes sur un lieu, un service de données météo, pollution, un évènement AFP, le trafic routier, sont utilisées pour la génération des périodes temporelles P₁à P₅. De telles données permettent par exemple d’améliorer la génération des périodes en prenant en compte plus de données.

De manière générale, la notion d’activité correspond à un attribut (ou une information) représentatif d’une activité associé à une ou plusieurs informations temporelles. Une activité correspond par exemple à une tâche effectuée par une personne ou un matériel donné. A titre d’exemple, une tâche correspond par exemple au nettoyage (par une personne ou un matériel adapté au nettoyage) d’une pièce, d’un étage ou d’un immeuble. Selon un autre exemple, une tâche correspond à une ronde d’un gardien dans un lieu donné ou au survol d’un lieu donné par un drone. L’attribut représentatif d’une activité correspond par exemple à un libellé de l’activité ou au type de l’activité ou à un code représentant l’activité, le code correspondant par exemple à un code à un ou plusieurs chiffres, à une ou plusieurs lettres, à une combinaison de chiffre(s) et de lettre(s).

Selon une variante optionnelle, chaque attribut représentatif d’une activité est par exemple associé à un ou plusieurs attributs (ou informations) supplémentaires. A titre d’exemple, une activité peut être associée à un identifiant d’une personne, à un identifiant d’un matériel et/ou à une localisation.

Les données reçues ou collectées sont par exemple de la forme :

- { [date début ; date fin] + liste d’attributs tels que personne (par exemple salarié), matériel, lieu, activité, taux de fréquentation, pollution… } correspondant à des données multi-attributs horodatées issues de solutions de traçabilité/pointage/supervision d’activités et de salariés/matériel et de toutes solutions équivalentes collectant des données de présence ;

- { [date de passage] + liste d’attributs tels que personne, matériel, lieu, activité, … } correspondant à des données d’activités sans durée dont l’intervalle de temps est ramené à une seule date ;

- { [date début ; date fin] + identifiant personne ou matériel } correspondant à des données mono-attributs horodatées telles que les pointages pour le contrôle de présence ou le calcul du temps de travail ;

- { [date de passage] + identifiant personne ou site ou tâche ou autre } correspondant à des données mono-attributs sans durée tels que les contrôle de passage d’une intervention sur site ou lors d’une ronde.

L’information de « date » correspond à une information temporelle comprenant par exemple, le jour, le mois, l’année et l’heure (par exemple heure/minutes/secondes).

Les données collectées ou reçues sont avantageusement filtrées, par exemple pour extraire les données associées à une même personne, à un même matériel ou à un même lieu. Cela permet de trier les données reçues pour extraire une partie des données seulement, c’est-à-dire les données relatives à un même attribut ou objet (personne, matériel, lieu). Selon un autre exemple, les données sont filtrées pour extraire toutes les données relatives à une même activité, permettant d’obtenir toutes les données ayant pour attribut commun la même activité, quel que soit la personne, le matériel et le lieu. Selon une variante, les données sont filtrées en fonction d’une pluralité d’attributs pour extraire les données relatives à plusieurs attributs ou objets (par exemple les données relatives à une personne et un lieu ou à un matériel et un lieu ou à une personne et un matériel).

Les données sont alors organisées et découpées dans le temps en intervalles de temps réguliers pour former des séquences d’activités bornées dans le temps. Par exemple, les données sont organisées en périodes temporelles de même durée, une période temporelle correspondant à un intervalle de temps. A titre d’exemple, les données sont découpées par journée (par exemple de 00h00 à 23h59 pour chaque journée de la semaine), par semaine (par exemple du lundi à 05h00 au vendredi à 21h00 ou du lundi 00h01 au dimanche à 23h59), par mois ou selon tout intervalle de temps de durée quelconque.

Dans le reste de la description qui va suivre, une période temporelle correspondra à une semaine, sans bien entendu se limiter à cet exemple purement illustratif. L’intervalle de temps associée à une donnée représentative d’activité sera noté [u,v], cet intervalle de temps pouvant se réduire à une simple date avec u = v. Pour des raisons de clarté, les données traitées dans les exemples ci-dessous seront des données mono-attribut, c’est-à-dire chaque donnée correspondra à un couple ‘activité / information(s) temporelle(s) associée(s)’. Ces données sont par exemple obtenues en filtrant l’ensemble des données collectées ou reçues sur le critère de la personne ou du matériel associé aux activités. Ainsi, les données traitées correspondent aux activités (et informations temporelles associées) réalisées par une même personne (ou un même matériel) par exemple.

Ainsi, une personne (ou un matériel) effectue une séquence (ou série) d’activités (ou de prestations) organisées en fonction du temps dans plusieurs périodes temporelles.

Chaque période temporelle est dénotée P avec :

P = { (a₁, [u₁;v₁]), …, (a_i, [u_i;v_i]), …(a_n, [u_n;v_n]) } avec i  [1..N]

N étant la dimension de la séquence S composée d’éléments s_i= (a_i, [u_i;v_i]) formant la période temporelle P.

a_icorrespond à un attribut symbolique (par exemple une activité) monodimensionnel.

[u_i;v_i] un intervalle de temps tel que u_i< v_i(u_i= v_ipour le cas des éléments sans durée).

On notera w_ila durée d’un attribut a_i. w_i= v_i- u_i.

Les éléments temporels sont ordonnés tel que :

[Equation 1]

Et sans chevauchement :

[Equation 2]

De manière optionnelle, un traitement est appliqué aux données collectées (et éventuellement filtrées) pour détecter de potentielles erreurs. Ce traitement optionnel est avantageusement mis en œuvre avant le découpage des données en périodes temporelles de même durée. En effet, l’utilisation de systèmes ou outils de traçabilité pour la collecte des données peut introduire des erreurs dans les données (erreur de saisie ou oubli, couverture réseau défaillante, serveur indisponible). Plusieurs règles déterminées sont ainsi mises en place pour détecter ces potentielles erreurs et, le cas échéant, pour diminuer l’incertitude sur ces données. Les données détectées comme incohérentes en fonction de ces règles déterminées sont transformées pour ne conserver que l’information fiable. A titre d’exemple, les règles déterminées comprennent :

- détection d’activités trop courtes, dont la durée est inférieure à une valeur seuil, par exemple inférieure à 5, 30, 60 secondes : il peut s’agir par exemple d’une activité ou prestation trop courte (double pointage au démarrage de l’activité par exemple) ; dans ce cas, seul le premier pointage est conservé et cette activité partielle sera potentiellement complétée ultérieurement lors d’une étape de correction ou de complétion des données ;

- détection d’activités trop longues ou dont la durée est supérieure à une valeur seuil, la valeur seuil dépendant par exemple d’un contrat ou d’une réglementation du temps de travail ; en cas de dépassement de cette durée, le début et la fin sont alors considérés comme une présence avérée sur site correspondant tous les deux à un début ou une fin d’activité ou de prestation ; une telle activité est alors séparée en deux activités partielles, une associée à la date de début et une autre associée à la date de fin ; et/ou

- détection d’activités contiguës et identiques (lieu, employé, matériel), c’est-à-dire lorsque l’intervalle de temps les séparant est inférieur à un seuil et/ou inférieur à la durée de prestation maximale ; de telles activités sont avantageusement regroupées en une seule activité complète (avec comme date de début la date de début de la première activité et comme date de fin la date de fin de la deuxième activité).

Les données sont alors regroupées et découpées en périodes temporelles de même durée, chaque période temporelle comprenant une séquence d’activités ordonnées temporellement. Selon l’exemple de la figure 1, une pluralité de séquences temporelles P₁à P₅sont obtenues.

La première période temporelle P₁comprend une séquence de plusieurs activités 111, 112, 113, 114, 115 et 116 ordonnées chronologiquement selon le temps. Chaque activité 111 à 116 est bornée dans le temps avec une date de début ‘u’ et une date de fin ‘v’, illustrée par des traits en pointillé sur la figure 1. Ces activités sont de durées variables et se réfèrent à des activités identiques ou différentes. Par exemple, les activités 111 et 116 sont identiques, c’est-à-dire qu’elles se réfèrent à une même activité (même identifiant d’activité par exemple), elles ont une même durée et les heures de début et de fin sont approximativement les mêmes, même si les dates de début et de fin sont différentes. Par exemple, l’activité 111 correspond à une activité ‘A’ réalisée le lundi de 9h00 à 11h00 et l’activité 116 correspond à la même activité ‘A’ réalisée le mardi de 9h00 à 11h00 (ou de 9h01 à 10h58, c’est-à-dire avec une différence de durée inférieure à une tolérance de quelques %). Bien entendu, le nombre d’activités comprises dans la première période temporelle P₁peut être supérieure au nombre d’activités représentés, la représentation de la figure 1 étant partielle et purement illustrative.

La deuxième période temporelle P₂comprend une séquence de plusieurs activités 121, 122, 123, 124, 125 et 126 ordonnées chronologiquement selon le temps. Le nombre d’activités de la deuxième période temporelle P₂est par exemple égal au nombre d’activités de la première période temporelle P₁. Les activités 111 et 121 sont de même type, seule les dates de fin diffèrent légèrement. De la même manière, les couples d’activités (112, 122), (113, 123), (114, 124), (115, 125) et (116,126) comprennent chacun des activités de même type (ou avec un même identifiant d’activité), seules les dates de début et/ou de fin différent comme cela apparaît sur la figure 1 avec les traits en pointillés.

La troisième période temporelle P₃comprend une séquence de plusieurs activités 131, 132, 134, 135 et 136 ordonnées chronologiquement selon le temps. Le nombre d’activités de la troisième période temporelle P₃est différent du nombre d’activités, en l’occurrence inférieur, des première et deuxième périodes temporelles P₁et P₂. La troisième période temporelle P₃est dite incomplète par rapport aux périodes temporelles P₁et P₂.

La quatrième période temporelle P₄comprend une séquence de plusieurs activités 141, 142, 143, 144, 145 et 146 ordonnées chronologiquement selon le temps. Le nombre d’activités de la quatrième période temporelle P₄est égal au nombre d’activités des première et deuxième périodes temporelles P₁et P₂. La quatrième période temporelle P₄diffère notamment des première et deuxième périodes temporelles P₁et P₂en ce qu’elle comprend une activité 141 dite partielle illustrée en pointillées. L’activité 141 est dite partielle en ce que seule sa date de début est connue (suite par exemple à un oubli de pointage lors de la fin de l’activité ou suite à une correction d’une erreur détectée selon l’une des règles déterminées décrites ci-dessus).

Enfin, la cinquième période temporelle P₅comprend une séquence de plusieurs activités 151, 153, 152, 154, 155 et 156 ordonnées chronologiquement selon le temps. Le nombre d’activités de la cinquième période temporelle P₅est égal au nombre d’activités des première, deuxième et troisième périodes temporelles P₁, P₂et P₄. Cependant, la cinquième période temporelle P₅comprend une inversion d’activités par rapport aux première, deuxième et troisième périodes temporelles P₁, P₂et P₄. En effet, des activités identiques ou équivalentes (même libellé ou même identifiant) sont positionnées à des intervalles de temps différents et inversées chronologiquement. Ainsi, l’activité 153 équivalente aux activités 113, 123 et 143 est positionnée avant l’activité 152 qui est équivalente aux activités 112, 122, 132 et 142 alors que c’est l’inverse pour les première, deuxième et troisième périodes temporelles P₁, P₂et P₄.

Bien entendu, le nombre de périodes temporelles n’est pas limité à 5 mais s’étend à tout nombre, de quelques périodes temporelles à plusieurs dizaines, centaines, milliers ou plus de périodes temporelles. Et une même période temporelle peut comporter plusieurs activités partielles et/ou plusieurs activités manquantes et/ou plusieurs inversions d’activités.

illustre un organigramme des différentes étapes ou opérations d’un procédé de détection de la récurrence d’informations représentatives d’activités à partir des données obtenues tel que décrit en regard de la figure 1, selon un exemple de réalisation particulier et non limitatif de la présente invention. Le procédé de la figure 2 est avantageusement mis en œuvre dans le dispositif 5 décrit en regard de la figure 5.

Dans une première étape 201, des données représentatives d’une pluralité d’activités sont reçues, les données étant chacune associée à une ou plusieurs informations temporelles. Ces données sont obtenues ou reçues de différentes sources, par exemple d’outils de traçabilité et/ou de pointage et/ou de supervision d’activités et/ou de personne(s) et/ou de matériel(s) tel que décrit en regard de la figure 1. Selon une variante, les données sont reçues d’un espace de stockage, par exemple une mémoire d’un dispositif distant (par exemple un serveur).

Dans une deuxième étape 202, plusieurs périodes temporelles de durée identique sont générées à partir d’au moins une partie des données reçues lors de l’étape 201. Chaque période temporelle comprend une séquence d’activités ordonnées temporellement. Les séquences temporelles sont obtenues à partir de données reçues et éventuellement filtrées et/ou traitées après détection éventuelle d’erreurs, tel que décrit en regard de la figure 1.

Dans une troisième étape 203, les périodes temporelles comprenant une même pluralité d’activités ordonnées temporellement selon un même ordre sont sélectionnées dans la pluralité de périodes temporelles obtenues à l’étape 202. La sélection comprend par exemple la comparaison des périodes temporelles entre elles pour sélectionner les périodes temporelles similaires, c’est-à-dire les périodes temporelles qui comprennent toutes les mêmes activités ordonnées temporellement selon un même ordre. Selon l’exemple de la figure 1, les périodes temporelles P₁, P₂et P₄sont jugées similaires et sélectionnées. La sélection comprend par exemple l’attribution d’une distance égale à l’infini pour les séquences qui sont différentes, c’est-à-dire pour les séquences qui ne comprennent pas la même séquence d’activités. En reprenant l’exemple de la figure 1, une distance égale à l’infini est attribuée pour les périodes temporelles P₁et P₃, pour les périodes temporelles P₁et P₅, pour les périodes temporelles P₂et P₃, pour les périodes temporelles P₂et P₅, pour les périodes temporelles P₄et P₃, pour les périodes temporelles P₄et P₅et pour les périodes temporelles P₃et P₅. En effet, la période temporelle P₃ne comprend pas toutes les activités que comprennent les autres périodes temporelles et l’ordre des activités comprises dans la période temporelle P₅est différent de l’ordre temporel des activités des autres séquences. Une distance à l’infini entre 2 périodes temporelles empêche leur regroupement et leur sélection.

Dans une quatrième étape 204, les périodes temporelles sélectionnées à l’étape 203 sont classifiées en analysant la similarité des séquences d’activités de chacune de ces périodes temporelles entre elles. Le résultat de la classification est un ensemble de classes ou de groupes de périodes temporelles, chaque classe comprenant des périodes temporelles similaires entre elles, c’est-à-dire avec une distance entre chaque paire de périodes temporelles de la classe inférieure à une distance seuil.

Pour obtenir une valeur de distance représentative de la similarité entre 2 périodes temporelles (entre une première période temporelle et une deuxième période temporelle), l’écart ou la distance est calculé entre les activités de la séquence d’activités de la première période temporelle et les activités de la séquence d’activités de la deuxième période temporelle. Un écart (ou une distance) est ainsi calculé pour chaque paire d’activité formée d’une activité de la première période temporelle et d’une activité correspondante de la deuxième période temporelle. L’écart entre deux activités d’une paire est par exemple obtenu par les moindres carrés des débuts, fins et durées associés aux deux activités. La distance entre les 2 périodes temporelles considérées est par exemple obtenue en faisant la moyenne des écarts entre chaque paire d’activités. Selon une variante de réalisation, la distance calculée entre 2 périodes temporelles est pondérée de l’écart dans le temps entre les 2 périodes temporelles et optionnellement d’un coefficient supplémentaire déterminé, noté γ. Ainsi, si i et j correspondent aux informations temporelles associées aux 2 périodes temporelles notées P_iet P_j(i et j correspondant aux indices respectifs des périodes temporelles P_iet P_j), la pondération associée à la distance calculée entre P_iet P_jest égale à : | (i-j-1) | * γ. Cela signifie que plus 2 périodes temporelles sont espacées temporellement, plus la pondération est élevée, augmentant ainsi la dissimilarité calculée entre ces 2 périodes temporelles P_iet P_j.

La distance (correspondant à une information de similarité) entre 2 périodes temporelles P_iet P_jest par exemple égale à

[Equation 3]

Avec la période temporelle P_icomprenant N attributs représentatifs d’activités chacun associé à des informations temporelles u_i, v_icorrespondant aux dates de début et de fin de l’activité,

la période temporelle P_jcomprenant N attributs représentatifs d’activités chacun associé à des informations temporelles u_j, v_jcorrespondant aux dates de début et de fin de l’activité,

et w_i,ncorrespondant à la durée d’une activité de P_i, w_j,ncorrespondant à la durée d’une activité de P_j, avec : w_i,n= v_i,n– u_i,net w_j,n= v_j,n– u_j,n.

Une telle classification correspond à une classification de type partitionnement avec rattachement au plus proche voisin avec le calcul des distances des périodes temporelles 2 à 2 (matrice symétrique des distances) permettant ensuite le regroupement des individus (les périodes temporelles) les plus proches.

Les classes sont construites itérativement en agrégeant les deux classes (périodes temporelles ou groupes de périodes temporelles) les plus proches tant que la dissimilarité (c’est-à-dire la distance séparant 2 périodes temporelles ou séparant 2 groupes de périodes temporelles) ne dépasse pas un seuil fixé, par exemple ne dépasse pas 10, 15 ou 20 minutes dans le cadre d’activités ponctuelles (par exemple hôtessariat planifié ou autres prestations sur site extérieur). La dissimilarité utilisée est par exemple celle du saut minimum entre deux périodes temporelles, selon par exemple la méthode dite du « single link clustering » ou « regroupement à simple lien » en français, décrite par exemple dans l’article intitulé « SLINK : an optimally efficient algorithm for the single-link cluster method » de P Ribson et publié en 1973 dans « The Computer Journal, British Computer Society ». Selon un autre exemple, la méthode dite de « average linkage » (ou en français « liaison moyenne ») décrite par Sokal et Michener en 1958 est mise en œuvre. Ces deux méthodes correspondent à des méthodes de regroupement hiérarchique (de l’anglais « hierarchical clustering »).

Dans une cinquième étape 205, les périodes temporelles non sélectionnées à l’étape 203 sont comparées au centroïde de chacune des classes obtenues à l’étape 204. Le centroïde d’une classe est par exemple déterminé ou calculé en faisant la moyenne des informations temporelles associées à chacune des activités des périodes temporelles de la classe. Le centroïde d’une classe correspond à une période temporelle comprenant une séquence d’activités représentative de l’ensemble des périodes temporelles de la classe. La ou les informations temporelles (date de début et/ou de fin) associées à chaque activité de la séquence d’activités du centroïde sont calculées en faisant la moyenne des informations temporelles des activités correspondantes dans les périodes temporelles de la classe. Par exemple, les informations temporelles du premier attribut représentatif d’activité du centroïde est obtenu en faisant la moyenne des informations temporelles associées à chaque premier attribut représentatif d’activité de chacune des périodes temporelles de la classe.

Selon une variante de réalisation, pour chaque classe obtenue à l’étape 204, les séquences temporelles de chaque classe sont lissées avant de calculer le centroïde de chaque classe. Un tel lissage permet de corriger ou gommer les écarts entre les informations temporelles associées aux attributs représentatifs d’activité des séquences temporelles de la classe. Un tel lissage permet d’ajuster les informations temporelles des activités similaires : par exemple des activités récurrentes d’une période temporelle à l’autre (par exemple tous les mardis matin) peuvent avoir une date de début et/ou une date de fin légèrement différente d’une période temporelle à l’autre, par exemple en raison de badgeage irréguliers. Pour certaines applications, il peut être intéressant de lisser ces différences. Le lissage est par exemple obtenu selon le processus suivant :

- l’ensemble des attributs représentatifs d’activité de l’ensemble des périodes temporelles d’une classe de périodes temporelles est classifié, selon la méthode décrite à l’étape 204 ; un ensemble de classes d’attributs est ainsi obtenu ;

- les centroïdes des classes d’attributs obtenus précédemment sont calculés ou déterminés ;

- les attributs d’activités des séquences d’attributs des périodes temporelles de la classe sont remplacés par le centroïde de la classe d’attributs à laquelle ils appartiennent lorsque la différence entre un attribut donné et le centroïde de la classe associée est inférieure à un seuil (par exemple si l’écart moyen entre les informations temporelles (début, fin, durée) est inférieur à un seuil, par exemple 10, 20 ou 30 minutes.

Selon cette variante, le centroïde de chaque classe de périodes temporelles est calculé ou déterminé une fois que les attributs d’activité des périodes temporelles de la classe de périodes temporelles ont été remplacés par le centroïde obtenu lors du lissage.

Dans une sixième étape 206, tout ou partie des périodes temporelles non sélectionnées à l’étape 203 sont associées ou regroupées aux classes de périodes temporelles en fonction du résultat de la comparaison de l’étape 205. Le processus mis en œuvre à l’étape 206 est similaire à celui mis en œuvre à l’étape 204. Chaque période temporelle non sélectionnée est comparée à chaque centroïde représentatif de chaque classe de périodes temporelles obtenues à l’étape 204. Cela revient à calculer une matrice de distances entre les centroïdes et chaque période temporelle non sélectionnée pour déterminer quel est le centroïde le plus proche pour chaque période temporelle non sélectionnée. Une période temporelle non sélectionnée est alors regroupée à la classe de périodes temporelles obtenue à l’étape 204 ayant le centroïde le plus proche de ladite période temporelle non sélectionnée. Selon une variante de réalisation, le regroupement de la période temporelle non sélectionnée ne se fait que si la distance entre cette période temporelle non sélectionnée et le centroïde le plus proche est inférieure à un seuil déterminé. Selon cette variante, la ou les périodes temporelles non sélectionnées qui ne sont pas associées ou attachées à une des classes obtenues à l’étape 204 sont écartées définitivement, c’est-à-dire qu’elles ne sont ni complétées ni corrigées. Elles sont par exemple identifiées et stockées dans un espace mémoire dédié.

La sélection de périodes temporelles avant classification permet de classifier des périodes temporelles déterminées comme étant fiables. Le regroupement des périodes temporelles non sélectionnées aux classes obtenues à partir des données fiables permet par exemple de pouvoir corriger et/ou compléter les périodes temporelles non sélectionnées, en se basant sur des données fiables (les centroïdes et classes obtenus), comme cela sera expliqué dans ce qui suit en regard des figures 3 et 4.

Les classes dont l’effectif représente une proportion sensible (par exemple 5% à 15% des périodes sur une année en fonction du domaine d’application) des données reçues sont assimilables à des séquences d’activités récurrentes matérialisées par les centroïdes.

Ces centroïdes sont les séquences d’activités récurrentes, calculés à partir de toutes les occurrences approchées de la séquence.

Les singletons et les classes de petits effectifs représentent les séquences « anormales » dues à un comportement inhabituel (erreur, incident, panne, temps d’adaptation à un changement, etc.) ou à l’absence de données suffisamment importante pour reconstruire la séquence.

illustre schématiquement un processus de correction d’information temporelle partielle, selon un exemple de réalisation particulier et non limitatif de la présente invention. Un tel processus est par exemple mis en œuvre dans le dispositif 5 décrit en regard de la figure 5.

Des données d’activités peuvent être qualifiées d’incomplètes lorsque notamment des informations temporelles associées à une ou plusieurs de ces activités dans une ou plusieurs périodes temporelles sont partielles. Un exemple d’information temporelle partielle est illustré avec la figure 1, où l’attribut d’activité 141 de la période temporelle S₄possède une information temporelle incomplète. Selon cet exemple, seule la date de début de l’activité est connue.

Un tel processus de correction et/ou de complétion d’informations temporelles partielles est par exemple mis en œuvre lors de l’étape de classification 204 et/ou lors de l’étape de comparaison 205 et/ou lors de l’étape d’association 206 des périodes temporelles non sélectionnées aux classes de périodes temporelles obtenues précédemment. La mise en œuvre dans une étape ou dans une autre dépend notamment de l’appartenance de l’attribut d’activité ayant une information temporelle partielle à une période temporelle sélectionnée ou à une période temporelle non sélectionnée.

La correction d’une information temporelle partielle associée à une première activité d’une première période temporelle est obtenue à partir d’au moins une information temporelle complète d’au moins une deuxième activité d’au moins une deuxième période temporelle appartenant à la même classe de périodes temporelles que la première période temporelle, la au moins une deuxième activité étant identique à la première activité. Par exemple, en s’appuyant sur l’exemple de la figure 1 et en considérant que les périodes temporelles P₁, P₂et P₄appartiennent à une même classe de périodes temporelles, l’information temporelle partielle de l’activité 141 est complétée à partir des informations temporelles complètes du centroïde lui-même calculé à partir des informations temporelles des activités 111 et 121 des périodes temporelles P₁et P₂respectivement, les informations temporelles des activités 111 et 121 étant complètes. Une telle correction est possible car les activités 111, 121 et 141 sont identiques (par exemple même libellé ou même identifiant et elles interviennent sur un même intervalle de temps, en l’occurrence le premier intervalle de temps de chacune des périodes temporelles P₁, P₂et P₄).

La figure 3 illustre deux périodes temporelles P_iet P_j. La période temporelle P_icomprend une séquence d’activités a_i,1, a_i,2et a_i,3, l’activité a_i,1étant bornée temporellement par les informations temporelles u_i,1(début) et v_i,1(fin), l’activité a_i,2étant bornée temporellement par les informations temporelles u_i,2(début) et v_i,2(fin) et l’activité a_i,3étant bornée temporellement par les informations temporelles u_i,3(début) et v_i,3(fin). La période temporelle P_jcomprend une séquence d’activités a_j,1, a_j,2et a_j,3, l’activité a_j,1étant bornée temporellement par les informations temporelles uj_,1(début) et v_j,1(fin), l’activité a_j,2étant associée à une information temporelle partielle zj_,2(début ou fin, à définir) et l’activité a_j,3étant bornée temporellement par les informations temporelles u_j,3(début) et v_j,3(fin).

Lors du calcul de la distance d(P_i,P_j) entre ces 2 périodes temporelles P_iet P_j, en présence d’une information temporelle partielle z_j,2associée à un attribut a_j,2,de la période P_j, c’est à dire un attribut d’activité dont on ne connaît que le début ou la fin dans le temps, la détermination de la borne manquante sera calquée sur l’attribut correspondant a_i,2de la période P_i. De fait, la complétion ne peut être réalisée lorsque deux attributs correspondants sont partiels.

La borne z_j,2correspond soit au début u_i,2ou à la fin v_i,2de l’activité a_i,2correspondante. La borne est calculée pour chacun des deux cas, en tenant compte des attributs adjacents a_j,1et a_j,3pour éviter tout chevauchement entre la fin de a_j,1et le début de a_j,2d’une part et entre la fin de a_j,2et le début de a_j,3d’autre part. D’autres contraintes fixées statistiquement telles que le temps minimum δ_i,jentre deux activités (dû par exemple au temps de trajet et au trafic, au temps de récupération, etc.) ou renseignées d’après d’autres sources d’information (contraintes légales telles que le temps de récupération) peuvent optionnellement également être prises en compte.

L’ensemble des intervalles minimums δ_i,jentre deux activités a_iet a_jforment une matrice carré Δ dont la dimension est le nombre d’activités. Plusieurs modes permettent de remplir cette matrice :

- en automatique, en recherchant le temps minimum entre les activités de tout couple d’activités contiguës S_ket S_k+1:

avec,

avecet tels que

- à partir de données expertes issues des contraintes légales, d’avis d’expert ou d’autres sources de données telles que bases de données GPS ou de trafic ; ou

- en mode semi-automatique, combinant les deux premières approches ainsi que des corrections manuelles.

Il existe ainsi deux possibilités P'_jet P''_jpour compléter l’information temporelle partielle à partir de P_iet P_j, P_iet P_jcorrespondant chacune à une candidate pour remplacer/compléter P_j. P'_jet P''_jsont déterminées comme suit :

- pour P’_j: u_i,2correspond à la borne temporelle manquante, les bornes temporelles de a_j,2deviennent donc : u’_j,2= u_i,2et v’_j,2= z_j,2;

- pour P’’_j: v_i,2est utilisée pour déterminer la borne temporelle manquante v’’_j,2, la borne inférieure de a_j,2correspondant à u’’_j,2= z_j,2; ainsi v’’_j,2correspond au minimum entre v_i,2et (uj,3-dt(a_i,2; a_i,3)), dt(a_i,2; a_i,3) étant obtenu de la matrice Δ.

La solution conservée entre les deux candidates correspond à celle présentant le moins de dissimilarité avec la séquence de référence P_i, c’est-à-dire min(d(P_i,P’_i) ; d(P_i,P’’_j)). La dissimilarité correspond à un calcul de distance entre les 2 couples de périodes temporelles (P_i,P’_i) et (P_i,P’’_j), par exemple selon la méthode expliquée en regard de la figure 2.

Lorsque toutes les informations temporelles partielles ont pu être complétées, il est alors possible de faire le calcul de distance comme précédemment décrit en regard de la figure 2. Dans le cas contraire, c’est-à-dire lorsqu’il n’y a pas de solution pour compléter une information temporelle partielle, les attributs sont incomparables et la distance entre eux est fixée à infini.

illustre schématiquement un processus de complétion de données d’activités d’une ou plusieurs périodes temporelles incomplètes, telle que la période temporelle P3 de la figure 1, selon un exemple de réalisation particulier et non limitatif de la présente invention. Un tel processus est par exemple mis en œuvre dans le dispositif 5 décrit en regard de la figure 5.

Une période temporelle incomplète correspond à une période temporelle qui comprend une ou plusieurs activités de moins que d’autres périodes temporelles auxquelles elle est comparable. Lorsqu’une ou plusieurs activités manquent dans une séquence d’activité d’une période temporelle incomplète, le nombre et l’ordre des activités n’est plus respecté par rapport à celui du ou des centroïdes pris pour référence.

Le processus illustré par la figure 4 est avantageusement mis en œuvre lors de la comparaison (étape 205) des périodes temporelles non sélectionnées au centroïde de chacune des classes de périodes temporelles obtenues. Cette étape de comparaison comprend les étapes suivantes, pour chaque période temporelle non sélectionnée parce qu’incomplète :

- pour chaque classe de périodes temporelles obtenue à l’étape 204, génération d’un graphe biparti comprenant, d’une part, un premier ensemble d’éléments correspondant aux activités et information temporelle du centroïde de chaque classe de périodes temporelles obtenue à l’étape 204, et d’autre part, un deuxième ensemble d’éléments correspondant aux activités et information temporelle associée de la période temporelle incomplète et aux activités et information temporelle du centroïde ;

- complétion des données manquantes dans la période temporelle incomplète par recherche de couplage minimal dans chaque graphe biparti généré.

Pour déterminer à quelle classe une période temporelle incomplète peut être rattachée, le problème est traduit sous forme de recherche de couplage minimal dans un graphe biparti. Soit P_iune période temporelle de référence (correspondant par exemple à un centroïde d’une classe de périodes temporelles). La période temporelle P_icomprend une séquence d’activités a_i,1, a_i,2et a_i,3, l’activité a_i,1étant bornée temporellement par les informations temporelles u_i,1(début) et v_i,1(fin), l’activité a_i,2étant bornée temporellement par les informations temporelles u_i,2(début) et v_i,2(fin) et l’activité a_i,3étant bornée temporellement par les informations temporelles u_i,3(début) et v_i,3(fin). La période temporelle P_jcomprend une séquence d’activités a_j,1et a_j,2(soit 1 activité de moins que la période temporelle de référence P_i), l’activité a_j,1étant bornée temporellement par les informations temporelles u_j,1(début) et v_j,1(fin) et l’activité a_j,2étant bornée temporellement par les informations temporelles u_j,2(début) et v_j,2(fin).

Soit G le graphe biparti déduit de ces deux périodes temporelles P_iet P_j, le graphe G étant formé de deux sous-ensembles P et R :

- P comprenant p sommets correspondant aux p attributs (activités a_i,1, a_i,2et a_i,3) de la période temporelle de référence P_i;

- et R comprenant r sommets, avec r = p+q, q étant le nombre d’activités (c’est-à-dire a_j,1et a_j,2) de la période temporelle incomplète P_j, auxquelles on ajoute p sommets (a’_i,1, a’_i,2et a’_i,3) représentant les éventuelles absences correspondant à chacune des activités de la période temporelle de référence P_i(a’_i,1est déduit de a_i,1et correspond à a_i,1, a’_i,2est déduit de a_i,2et correspond à a_i,2, et a’_i,3est déduit de a_i,3et correspond à a_i,3)

Le graphe G est composé de p*(q+1) arêtes.

Les arêtes ajoutées forment le graphe biparti complet entre les sommets de P et de R, plus une arête par sommet de P vers son homologue dans R correspondant à une absence (c’est-à-dire les arêtes entre a_i,1et a’_i,1, entre a_i,2et a’_i,2et entre a_i,3et a’_i,3).

Chaque sommet possède les paramètres de l’attribut correspondant (début, fin, durée, etc.), complétés par miroir (c’est-à-dire a’_i,1, a’_i,2et a’_i,3) en cas de partiel et ajustés aux attributs voisins.

Le poidsWd’une arête [a_i,na_j,m] de (P-R) est l’écart entre les deux attributs a_i,net a_j,mreliés par l’arête selon la formule déjà utilisée à l’étape 204 pour calculer la distance entre 2 attributs (activités) par les moindres carrés :

[Equation 5]

sauf en cas d’absence (sommet d’arrivée a’_i,1, a’_i,2et a’_i,3dans Q) dont le poids est fixé.

En cas d’attributs (activités) incompatibles selon les paramètres des sommets (lieu, matériel, etc.) le poids est fixé à l’infini.

Un graphe biparti est généré pour chaque classe de périodes temporelles obtenue à l’étape 204, c’est-à-dire pour tout centroïde des classes obtenues. Parmi les différentes combinaisons correspondant aux différents couplages, c’est le couplage minimal qui est retenu. C’est la solution qui correspond au plus près du centroïde à partir des données de la période en incluant le minimum de corrections, d’inversions et d’absences. Un couplage minimal a une valeur égale à la somme des poids des arêtes qui forment le couplage. Si cette valeur dépasse un seuil fixé, la solution trouvée est déterminée comme étant trop éloignée de la période temporelle de référence.

Par exemple, lorsqu’un ou plusieurs attributs sont manquants dans la période temporelle incomplète comparée au centroïde de référence, le couplage minimal va associer le ou les attributs correspondants à des absences. Dans l’exemple illustré par la figure 4, le 2^èmeattribut a_i,2de la séquence P_iest absent de la 2^èmeséquence P_jcorrespondant au centroïde.

Les périodes temporelles incomplètes sont ainsi rattachées à la classe dont le centroïde est le plus proche, en respectant une distance maximale fixée à un seuil plus élevé que le seuil utilisé lors de la classification à l’étape 204. Un tel seuil vaut par exemple 45, 60 ou 75 minutes afin de prendre en compte les écarts dus aux absences et/ou inversions d’activités.

Selon une variante de réalisation, les centroïdes des classes existantes de périodes temporelles sont calculés à nouveau pour tenir compte de l’intégration des périodes temporelles incomplètes dans les classes existantes.

illustre schématiquement un deuxième dispositif 5, selon un exemple de réalisation particulier et non limitatif de la présente invention. Le dispositif 5 est configuré pour la mise en œuvre des procédés et/ou processus des figures 2, 3 et/ou 4.

Des exemples d’un tel dispositif 5 comprennent, sans y être limités, différents appareils électroniques tels qu’un ordinateur portable, un serveur, une tablette, un téléphone intelligent (de l’anglais « Smartphone »). Les éléments du dispositif 5, individuellement ou en combinaison, peuvent être intégrés dans un unique circuit intégré, dans plusieurs circuits intégrés, et/ou dans des composants discrets. Le dispositif 5 peut être réalisé sous la forme de circuits électroniques ou de modules logiciels (ou informatiques) ou encore d’une combinaison de circuits électroniques et de modules logiciels.

Le dispositif 5 comprend un (ou plusieurs) processeur(s) 50 configurés pour exécuter des instructions pour la réalisation des étapes du procédé et/ou des processus décrits. Le processeur 50 peut inclure de la mémoire intégrée, une interface d’entrée/sortie, et différents circuits connus de l’homme du métier. Le dispositif 5 comprend en outre au moins une mémoire 51, par exemple une mémoire volatile et/ou non volatile et/ou comprend un dispositif de stockage mémoire qui peut comprendre de la mémoire volatile et/ou non volatile, telle que EEPROM, ROM, PROM, RAM, DRAM, SRAM, flash, disque magnétique ou optique.

Le code informatique comprenant les instructions à charger et exécuter par le processeur est par exemple stocké dans la mémoire ou le dispositif de stockage mémoire 51.

Selon un mode de réalisation particulier et non limitatif, le dispositif 5 comprend un bloc 52 d’éléments d’interface pour communiquer avec des dispositifs externes, par exemple les outils recevant les données représentatives d’activités et informations temporelles associées. Les éléments d’interface du bloc 52 comprennent une ou plusieurs des interfaces suivantes :

- interface radiofréquence RF, par exemple de type Bluetooth® ou Wi-Fi® ;

- interface USB (de l’anglais « Universal Serial Bus » ou « Bus Universel en Série » en français) ;

- interface HDMI (de l’anglais « High Definition Multimedia Interface », ou « Interface Multimedia Haute Definition » en français).

Selon un autre mode de réalisation particulier, le dispositif 5 comprend une interface de communication 53 qui permet d’établir une communication avec d’autres dispositifs via un canal de communication 530. L’interface de communication 33 correspond par exemple à un transmetteur configuré pour transmettre et recevoir des informations et/ou des données via le canal de communication 530. L’interface de communication 33 comprend par exemple un modem et/ou une carte réseau et le canal de communication peut par exemple être mis en œuvre dans un medium filaire et/ou sans fil.

Des données sont par exemples chargées vers le dispositif 5 en utilisant un réseau Wi-Fi® tel que selon IEEE 802.11 ou un réseau mobile tel qu’un réseau 4G (ou LTE Advanced selon 3GPP release 10 – version 10) ou 5G.

Selon un mode de réalisation particulier supplémentaire, le dispositif 5 peut fournir des signaux de sortie à un ou plusieurs dispositifs externes, tels qu’un écran d’affichage 540, un ou des haut-parleurs 550 et/ou d’autres périphériques 560 (lecteur de DVD, un système de projection) via respectivement des interfaces de sortie 54, 55 et 56. Selon une variante, l’un ou l’autre des dispositifs externes est intégré au dispositif 5.

Bien entendu, l’invention ne se limite pas aux modes de réalisation décrits ci-avant mais s’étend à un procédé de génération de planning à partir des centroïdes des classes de périodes temporelles obtenues, et au dispositif configuré pour la mise en œuvre d’un tel procédé.

Claims (9)

1. Procédé de détection de la récurrence d’informations représentatives d’activités, ledit procédé comprenant les étapes de :
   - réception (201) de données représentatives d’une pluralité d’activités chacune associée à au moins une information temporelle ;
   - génération d’une pluralité de périodes temporelles de durée identique à partir d’au moins une partie des données reçues, chaque période temporelle de ladite pluralité comprenant une séquence d’activités de ladite pluralité d’activités ordonnées temporellement ;
   - sélection (202) d’au moins une partie des périodes temporelles de ladite pluralité pour sélectionner les périodes temporelles comprenant une même pluralité d’activités ordonnées temporellement selon un même ordre ;
   - classification (203) de la au moins une partie des périodes temporelles selon au moins un critère de similarité entre les séquences d’activités pour former un ensemble de classes de périodes temporelles comprenant chacune au moins une période temporelle ;
   - comparaison (204) des périodes temporelles non sélectionnées aux centroïdes desdites classes de périodes temporelles ;
   - association (205) de chaque période temporelle d’au moins une partie des périodes temporelles non sélectionnées à la classe de périodes temporelles de ladite pluralité ayant le centroïde le plus proche de ladite chaque période temporelle.
2. Procédé selon la revendication 1, comprenant en outre les étapes de :
   - détection de données erronées dans lesdites données reçues à partir des informations temporelles ;
   - correction d’au moins une partie desdites données erronées à partir de règles déterminées,
   la au moins une partie des données reçues utilisées pour la génération de ladite pluralité de périodes temporelles de durée identique comprenant les données reçues non détectées comme étant erronées et les données erronées corrigées.
3. Procédé selon l’une des revendications 1 et 2, comprenant en outre une étape de correction d’une information temporelle partielle associée à une première activité d’une première période temporelle à partir d’au moins une information temporelle complète d’au moins une deuxième activité d’au moins une deuxième période temporelle appartenant à la même classe de périodes temporelles que ladite première période temporelle, ladite au moins une deuxième activité étant identique à ladite première activité.
4. Procédé selon l’une des revendication 1 à 3, comprenant en outre les étapes de :
   - classification des activités dudit ensemble de classes de périodes temporelles selon au moins un critère de similarité entre les activités pour former un ensemble de classes d’activités ;
   - détermination d’un centroïde pour chaque classe d’activité ;
   - pour chaque classe d’activités, remplacement d’au moins une partie des activités de ladite classe d’activités par le centroïde de ladite classe d’activités avant de déterminer les centroïdes desdites classes temporelles.
5. Procédé selon l’une des revendications 1 à 4, pour lequel, pour chaque période temporelle non sélectionnée comprenant un nombre d’activités inférieur au nombre d’activités des périodes temporelles sélectionnées, appelée période temporelle incomplète, ladite étape de comparaison comprend les étapes suivantes :
   - pour chaque classe de périodes temporelles, génération d’un graphe biparti comprenant un premier ensemble d’éléments correspondant aux activités et information temporelle du centroïde de ladite chaque classe de périodes temporelles et un deuxième ensemble d’éléments correspondant aux activités et information temporelle associée de ladite période temporelle incomplète et auxdites activités et information temporelle dudit centroïde ;
   - complétion des données manquantes dans ladite période temporelle incomplète par recherche de couplage minimal dans chaque graphe biparti généré.
6. Procédé selon l’une des revendications 1 à 5, pour lequel chaque activité de ladite pluralité d’activités est associée à au moins une information supplémentaire parmi les informations suivantes :
   - une information de localisation ;
   - une information d’identification d’une personne ;
   - une information d’identification d’un matériel.
7. Procédé selon la revendication 6, comprenant en outre une étape de sélection desdites données représentatives d’une pluralité d’activités en fonction de ladite au moins une information supplémentaire.
8. Dispositif (5) de détection de la récurrence d’activités, ledit dispositif comprenant une mémoire (51) associée à au moins un processeur (50) configuré pour mettre en œuvre les étapes du procédé selon l’une quelconque des revendications 1 à 7.
9. Produit programme d’ordinateur comportant des instructions adaptées pour l’exécution des étapes du procédé selon l’une des revendications 1 à 7, lorsque le programme d’ordinateur est exécuté par au moins un processeur.