Un modèle de prédiction et de classification des visites moteurs basé sur les machines à vecteur de support

Abstract

En tant que contribution pour l'amélioration du service clients aux détenteurs d'avions, ce modèle de prédiction et de classification des visites moteurs à [i.e. a] été inspiré des machines à vecteur de support (SVM) afin d'unifier les méthodes de prédiction des visites en usines. Ainsi, un tout nouveau modèle de classification de haut niveau pour la prédiction des visites de maintenance des moteurs d'avion en atelier se présente, permettant également l'identification des types de maintenances effectuées. Les SVM classiques permettent de résoudre des problèmes de classification binaire, mais comme le problème abordé n'est pas de type binaire, certaines modifications sont nécessaires sur les SVM afin de les rendre plus flexibles et efficaces pour résoudre des problèmes de classes multiples. Les résultats de l'expérimentation effectuée sur le modèle de prédiction et de classification des visites moteurs démontrent l'efficacité du modèle, ainsi que sa performance, sur des modèles multi-classes. Ces derniers sont beaucoup plus appropriés que d'autres résultats obtenus en utilisant les arbres de décision, ou encore l'algorithme des K plus proches voisins. L'un des plus grands avantages de cette méthode, comparativement aux méthodes traditionnelles de classification et de prédiction, est qu'elle permet de soutirer les relations présentent [i.e. présentes] dans la structure arborescente et d'ainsi déduire les relations entre les classes dans les noeuds de l'arbre. Ceci constitue une percée importante dans l'avancement des techniques d'apprentissage automatique qui utilisent un historique de données pour classer ou prédire les valeurs futures qui risquent d'être rencontrées. Il s'agit également d'un point tournant dans le passage d'un travail laborieux effectué manuellement par des experts à un algorithme performant qui déduit lui-même les règles intrinsèques enfouies dans un entrepôt de données.