Niane Abdou. (2024). Traitement de signaux et synchronisation des données archéologiques et paléoenvironnementales à haute résolution : application de l’apprentissage automatique. Mémoire de maîtrise, Université du Québec à Chicoutimi.
![]() |
PDF
4MB |
Résumé
Ce mémoire présente une étude approfondie de l'analyse des séries temporelles dans le domaine de l'archéologie, en mettant particulièrement l'accent sur l'application des techniques d'apprentissage automatique pour traiter des données paléoenvironnementales à haute résolution. L'objectif principal de cette recherche est d'explorer les dynamiques historiques à travers l'analyse des traces dans des cavités, notamment dans la grotte de Nerja, en utilisant des approches novatrices telles que le Dynamic Time Warping et des algorithmes d’apprentissage automatique comme Random Forest et XGBoost. L'étude s'articule autour de plusieurs axes clés, notamment la détection des pics dans les séries temporelles, le fenêtrage pour extraire des statistiques descriptives, et l'alignement des séries temporelles pour révéler des correspondances significatives entre différentes observations. Les résultats montrent que l'application de ces méthodes permet d'identifier des motifs pertinents et d'améliorer les prédictions des séries temporelles. En outre, cette recherche souligne l'importance de la normalisation et du lissage des données pour garantir des analyses précises. Les expériences menées ont démontré que les algorithmes d'apprentissage automatique peuvent non seulement prédire des valeurs futures avec une précision notable, mais également détecter des anomalies dans les données, renforçant ainsi la valeur des analyses archéologiques. Ce mémoire contribue à une meilleure compréhension des pratiques anciennes et ouvre la voie à de nouvelles perspectives dans l'étude des interactions entre les sociétés humaines et leur environnement. En intégrant des méthodes modernes à l'analyse archéologique, cette recherche incarne un pas vers une meilleure gestion et préservation du patrimoine historique.
This thesis presents an in-depth study of time series analysis within the field of archaeology, with a particular emphasis on the application of machine learning techniques to process high-resolution paleoenvironmental data. The primary objective of this research is to explore historical dynamics through the analysis of traces found in caves, notably in the Nerja cave, utilizing innovative approaches such as Dynamic Time Warping and machine learning algorithms like Random Forest and XGBoost. The study is structured around several key axes, including peak detection in time series, windowing to extract descriptive statistics, and the alignment of time series to reveal significant correspondences between different observations. The results demonstrate that the application of these methods enables the identification of relevant patterns and enhances predictions of time series. Furthermore, this research highlights the importance of normalization and smoothing of data to ensure precise analyses. The experiments conducted show that machine learning algorithms can not only predict future values with notable accuracy but also detect anomalies within the data, thereby reinforcing the value of archaeological analyses. This thesis contributes to a better understanding of ancient practices and paves the way for new perspectives in the study of interactions between human societies and their environment. By integrating modern methods into archaeological analysis, this research represents a significant step toward better management and preservation of historical heritage.
Type de document: | Thèse ou mémoire de l'UQAC (Mémoire de maîtrise) |
---|---|
Date: | 2024 |
Lieu de publication: | Chicoutimi |
Programme d'étude: | Maîtrise en informatique |
Nombre de pages: | 94 |
ISBN: | Non spécifié |
Sujets: | Sciences sociales et humaines > Sciences sociales > Archéologie Sciences naturelles et génie > Sciences mathématiques > Informatique Sciences naturelles et génie > Sciences mathématiques > Statistiques |
Département, module, service et unité de recherche: | Départements et modules > Département d'informatique et de mathématique > Programmes d'études de cycles supérieurs en informatique |
Directeur(s), Co-directeur(s) et responsable(s): | Bouchard, Kévin Vandevelde, Ségolène |
Mots-clés: | alignement de séries temporelles, apprentissage automatique, archéologie, détection de pics, dynamic time warping, fenêtrage des séries temporelles, DTW, données environnementales, analyse des motifs, prédiction de séries temporelles, strates archéologiques, intelligence artificielle |
Déposé le: | 17 janv. 2025 08:30 |
---|---|
Dernière modification: | 20 janv. 2025 21:57 |
Éditer le document (administrateurs uniquement)