Extraction de motifs séquentiels sous contraintes dans des donnes contenant des répétitions consécutives

Cette thèse concerne l\u27axe particulier du data mining qu\u27est l\u27extraction de motifs séquentiels sous contraintes dans des bases de séquences (e.g., séquences d\u27achats, de navigation, d\u27ADN). Parmi les algorithmes existants, ceux qui exploitent une représentation en mémoire des positions des motifs (listes d\u27occurrences), subissent une perte de leurs performances en présence de répétitions consécutives dans les données (i.e., redondance de certaines informations dans le temps).Cette thèse apporte des solutions efficaces au problème de l\u27extraction, contrainte ou non, de motifs séquentiels, dans le cas de données contenant des répétitions consécutives. Celles-ci s\u27appuient sur une généralisation des listes d\u27occurrences et propose de condenser les informations qu\u27elles contiennent, sans perte pour les extractions de motifs. Cette nouvelle représentation a donné lieu aux développements d\u27extracteurs de motifs séquentiels, GoSpade (traitement de la seule contrainte de fréquence minimum) et GoSpec (traitement avec ajout de contraintes temporelles), particulièrement bien adaptés à la présence de répétitions consécutives dans les données. Les algorithmes correspondants ont respectivement fait l\u27objet d\u27une démonstration de justesse et de complétude et des expérimentations sur des jeux de données réelles et synthétiques ont montrés une nette amélioration des performances en présence de répétitions consécutives. Une application dans le domaine des marchés financiers a été effectuée, visant à construire une représentation synthétique de tendances boursières sous forme de motifs séquentiels