suivi prédictif des processus : amélioration des modèles prédictifs grâce aux informations centrées sur les objets
14/10/2025 à 14h00
M. Wissam GHERISSI présente ses travaux en soutenance le 14/10/2025 à 14h00
À l'adresse suivante : Université Paris Dauphine - PSL- Place du Maréchal de Lattre de Tassigny 75016 Salle des thèses - D520
En vue de l'obtention du diplôme : Doctorat en Informatique
La soutenance est publique
Titre des travaux
suivi prédictif des processus : amélioration des modèles prédictifs grâce aux informations centrées sur les objets
École doctorale
École doctorale Dauphine SDOSE
Équipe de recherche
UMR 7243 - Laboratoire d'Analyse et de Modélisation de Systèmes d'Aide à la Décision
Section CNU
9 - Sciences et technologies de l'information et de la communication
Directeur(s)
Daniela GRIGORI
Membres du jury
| Nom | Qualité | Établissement | Rôle |
|---|---|---|---|
| Mme Daniela GRIGORI | Professeur des universités | UNIVERSITE PARIS DAUPHINE - PSL | Directeur de these |
| M. Han VAN DER AA | Professeur | UNIVERSITY OF VIENNA | Rapporteur |
| M. François CHAROY | Professeur | UNIVERSITE DE LORRAINE | Rapporteur |
| Mme Salima BENBERNOU | Professeur | UNIVERSITE PARIS CITE | Examinateur |
| M. Nizar MESSAI | Maître de conférences | UNIVERSITE DE TOURS | Examinateur |
| Mme Joyce EL-HADDAD | Maître de conférences | UNIVERSITE PARIS DAUPHINE - PSL | CoDirecteur de these |
Résumé
Le suivi prédictif des processus (PPM) s'impose comme une discipline essentielle du Process Mining, ayant pour objectif d'anticiper les comportements futurs des exécutions de processus en cours. Si les approches classiques se sont principalement articulées autour des journaux d'événements avec une seule perspective, la complexité croissante des processus métiers contemporains, caractérisée par l'interdépendance de multiples objets, a rendu inéluctable l'émergence des journaux d'événements centrés sur les objets (OCELs). Cette thèse aborde les défis et les opportunités de la surveillance prédictive des processus object-centriques (OCPPM) en proposant une série de méthodologies innovantes pour exploiter efficacement ces informations riches et améliorer les performances prédictives.
Les contributions de cette thèse se déclinent en trois axes. Premièrement, nous proposons une approche qui adapte l'architecture LSTM aux OCELs en l'enrichissant de caractéristiques centrés-objet obtenues par ingénierie de features sur des journaux aplaties. Ce modèle intègre également une prédiction directe du temps restant, plus précise que les méthodes itératives traditionnelles. Deuxièmement, pour pallier la perte d'information liée à l'aplatissement, nous développons une méthodologie avancée basée sur les graphes. Celle-ci préserve l'intégrité structurelle des données en utilisant les graphes de suivi direct directe centré-objet (OCDFGs) pour encoder le contexte du processus, ensuite intégré aux données temporelles via un modèle hybride GAT-LSTM.
Enfin, face à l'absence d'une plateforme unifiée pour la recherche en OCPPM, cette thèse présente un framework modulaire et extensible. Ce dernier facilite l'intégration, la configuration et l'évaluation comparative de diverses techniques d'enchâssement de graphes et de modèles prédictifs. Les expérimentations menées avec ce framework démontrent que la performance des modèles dépend fortement du jeu de données et de la tâche de prédiction, soulignant ainsi la pertinence d'un tel outil pour standardiser et accélérer la recherche dans ce domaine.