ATELIER - Prédiction de valeurs manquantes : application à des mesures de capteurs

Présentation des intervenants

• Yewan Wang, data scientist chez Miratlas
• Guillaume Simon, data scientist chez Miratlas

Introduction
Miratlas déploie et gère un réseau mondial d'instruments optiques afin de surveiller les conditions atmosphériques et les conditions météorologiques, notamment la turbulence, en continue et en temps réel.
Mais malheureusement les relevés de turbulence s'accompagnent de nombreuses valeurs manquantes. En revanche les stations météorologiques, elles, obtiennent des mesures sans interruption, ainsi, dans cet atelier, Miratlas nous propose d'analyser les relations internes potentielles entre les variables de turbulence et les données météorologiques, avec l'objectif d'obtenir des prédictions pouvant venir combler les trous dans les séries temporelles.

Points abordés : 

• Data Engineering : Prise de connaissance des données, nettoyage des données, re-échantillonnage des données à une période de 1 minute.
• Data Enrichment : Ajout des modalités supplémentaires (altitude du soleil,  temporalité) à l'ensemble de données 
• Data Analysis : Analyse statistique des jeux de données, en termes de corrélation, de saisonnalité et de détection des valeurs aberrantes pour explorer les relations potentielles entre les variables météorologiques et de turbulence
• Imputation : Présentation de méthodes classiques d'imputation de valeurs manquantes puis recherche de méthodes plus complexes pour prédire les valeurs manquantes

Si notre atelier vous intéresse, n’hésitez pas à regarder nos prochains événements sur notre agenda.

N’hésitez pas également à retrouver les slides ici et à retrouver les codes sur GitHub.