Tirer profit des données externes pour une meilleure compréhension et attribution causale des anomalies dans les systèmes des réseaux des eaux – LUCAS

Ce projet a pour objectif d'exploiter des données externes pour représenter, analyser, comprendre et identifier les causes des anomalies observées dans les réseaux d'eau. L'idée est de rompre avec les approches traditionnelles d'analyse des problèmes basées sur une seule source et de tirer parti de bases de données conçues indépendamment afin de mieux traiter les problèmes rencontrés dans les réseaux urbains. Nous utiliserons le domaine des réseaux d'eau comme fil conducteur pour illustrer les méthodologies génériques développées dans ce projet. Les données des réseaux d'eau sont riches, comprenant des systèmes d'information géographique (SIG) qui fournissent des informations sur les infrastructures du réseau, ainsi que des vidéos d'inspections télévisées, essentielles pour annoter les anomalies observées dans les canalisations. Notre objectif est d'aller au-delà des données spécifiques aux réseaux pour inclure des informations contextuelles sur le voisinage, telles que les bâtiments, le trafic routier, la densité de population, etc. Le but est de proposer des solutions innovantes aux défis posés par ces données massives et variées. Cela comprend la tâche de collecte et de représentation des données ainsi que celle de compléter et de sélectionner les données pertinentes. Le projet inclut ensuite des tâches de développement de méthodes efficaces pour combiner ces données afin d'identifier, comprendre et expliquer les causes des anomalies, et surtout, de les prédire. Une attention est portée à l'attribution causale qui vise à identifier parmi les événements observés celui qui est responsable de l'apparition d'une anomalie. Les méthodes développées doivent tenir compte de l'incomplétude des données qui sont intrinsèques à l'analyse des données des réseaux. Le consortium de ce projet est multidisciplinaire, réunissant des chercheurs en sciences de l'eau, en science des données et en intelligence artificielle pour relever les défis identifiés dans ce projet.