Résumé
Les motifs séquentiels ontétéétudiés depuis main-tenant plusieurs années. Ils permettent de traiter de gros volumes de données et d'en extraire des règles incluant la dimension temporelle de la forme : < (chocolat pain)(lait) > signifiant que les clients qui achètent simultanément du chocolat et du pain achètent plus tard du lait. Cependant, les algorithmes proposés ne travaillent que sur des données binaires qui indiquent l'absence ou la présence d'éléments. Or la plupart des données réelles, intéressantes dans le contexte de données séquentielles, sont numériques (par exemple pour décrire des données issues de capteurs prélevées au cours du temps). Dans ce contexte, nous proposons une extension des méthodes existantes pour permettre l'extraction de motifs séquentiels flous.