Les réseaux de télécommunications deviennent de plus en plus complexes, notamment de par la multiplicité des technologies mises en oeuvre, leur couverture géographique grandissante, la croissance du trafic en quantité et en variété, mais aussi de par l' évolution des services fournis par les opérateurs. Tout ceci contribue à rendre la gestion de ces réseaux de plus en plus lourde, complexe, génératrice d'erreurs et donc coûteuse pour les opérateurs. On place derrière le terme réseaux autonomiques l'ensemble des solutions visant à rendre la gestion de ce réseau plus autonome. L'objectif de cette thèse est de contribuer à la réalisation de certaines fonctions autonomiques dans les réseaux de télécommunications. Nous proposons une stratégie pour automatiser la gestion des pannes tout en couvrant les différents segments du réseau et les services de bout en bout déployés au-dessus. Il s'agit d'une approche basée modèle qui adresse les deux difficultés du diagnostic basé modèle, à savoir: a) la façon d'obtenir un tel modèle, adapté à un réseau donné à un moment donné, en particulier si l'on souhaite capturer plusieurs couches et segments réseau et b) comment raisonner sur un modèle potentiellement énorme, si l'on veut gérer un réseau national par exemple. Pour répondre à la première diffculté, nous proposons un nouveau concept : l'automodélisation, qui consiste d'abord à construire les différentes familles de modèles génériques, puis à identifier à la volée les instances de ces mod èles qui sont déployées dans le réseau géré. La seconde diffculté est adressée grâce à un moteur d'auto-diagnostic actif, basé sur le formalisme des réseaux Bayesiens et qui consiste à raisonner sur un fragment du modèle du réseau qui est augmenté progressivement en utilisant la capacite d'automodélisation: des observations sont collectées et des tests réalisés jusqu'à ce que les fautes soient localisées avec précision. Cette approche de diagnostic actif a été expérimentée pour réaliser une gestion multi-couches et multi-segments des alarmes dans un reseau IMS (IP Multimedia Subsystem).

L’agroécologie implique la conception de systèmes agricoles intégrant autant que possible les services écosystémiques. Aux produits chimiques souvent employés contre les ravageurs de cultures peut être privilégié la régulation par leurs ennemis naturels. Des résultats en écologie indiquent que des paysages agricoles dont la composition est riche en habitats semi-naturels (bois, forets, prairies, etc) les favorisent en leur fournissant abris, sites de pontes et nourriture. Il serait donc possible de mettre en place une Gestion Paysagère des Ravageurs (GPR), c’est-à-dire de concevoir et d’aménager des paysages agricoles en faveur de ces habitats afin de favoriser les ennemis naturels et le contrôle biologique. Toutefois, l’implémentation d’une telle innovation potentielle par les acteurs de ces paysages reste largement à explorer. Dans cette thèse, dans un esprit de recherche-action, nous avons pris le parti d’explorer la conception de tels paysages régulateurs de ravageurs en s’impliquant avec des acteurs locaux et scientifiques. Nous avons initié une démarche de recherche participative avec des acteurs agricoles d’une région du Tarn-et-Garonne spécialisée dans l’arboriculture fruitière, intensive en traitements chimiques. A partir de leurs représentations et de leurs connaissances nous avons cherché à déterminer quels étaient les facteurs favorables ou non à la GPR. En particulier, nous avons qualifié les conditions dans lesquelles le paysage et les ennemis naturels étaient construit socialement par ces acteurs comme des ressources pourvoyeuses de services écosystémiques de régulation. Nous avons cherché également à identifier si ces acteurs étaient liés entre eux par des dépendances pouvant nécessiter une gestion coordonnée du paysage. Nous avons exploré la possibilité de la gestion paysagère par plusieurs cycles de modélisations participatives. La thèse a ainsi : mis à jour et qualifié la diversité des modèles mentaux des acteurs locaux sur leurs stratégies de gestion des ravageurs, co-construit des modèles Bayésien participatifs afin d’explorer via des scénarios les incertitudes autour de la question de la régulation biologique des ravageurs et, enfin, réalisé la coconstruction d’un modèle multi-agents autour de le la dynamique de population du ravageur invasif Drosophila suzukii et de sa potentielle gestion paysagère. Nous avons pu ainsi déterminer qu’en l’état actuel des représentations des acteurs, qu’ils soient scientifiques ou locaux, la composition du paysage en éléments semi-naturels leur apparaît comme faiblement reliée à un service écosystémique de régulation des ravageurs, quand bien même ce paysage est souvent favorable à la biodiversité fonctionnelle. Actuellement, faute de bénéfices agricoles clairement identifiés, les acteurs impliqués sont en conséquence peu dépendants entre eux et le besoin de se coordonner pour mettre en place une GPR est faible. La plupart des agriculteurs indiquent plutôt une nette préférence pour les solutions individuelles vis-à-vis des ravageurs, par l’utilisation de pesticides et de filets protecteurs entourant les cultures. Ce focus individuel suggère qu’innover dans l’intégration de l’activité des ennemis naturels pourrait être plus aisé au niveau de la végétation naturelle des exploitations individuelles, comme peut l’être l’inter-rang des vergers. Par ailleurs, ces résultats font apparaître le besoin d’études scientifiques liant écologie et économie qui chercheraient à mesurer explicitement les bénéfices obtenus par les acteurs agricoles par le biais de paysages favorables aux ennemis naturels. Des résultats positifs de telles études seraient mobilisateurs pour de futures recherches participatives dans ce domaine. Enfin, cette thèse participative et exploratoire nous a permis également d’identifier de nouveaux terrains et questions de recherches dans le domaine de la GPR qui pourront être poursuivis. / Agroecology requires the design of farming system integrating as much as possible ecosystem services. Biological control by natural enemies may substitute commonly used pesticides. Ecology findings demonstrate that farming landscapes with a high proportion of natural habitats (woods, forests meadows, etc) favor natural enemies by providing them shelter, nesting sites and food. Landscape Pest Control (LPC), i.e. the design of farming landscapes in favor of these habitats, may be implemented to foster natural enemies and biological pest control. However, how stakeholders may design such landscapes remains unexplored. In this PhD, we followed an action-research approach and explored the design of such pest regulating landscapes together with local and scientific stakeholders. We initiated a participatory approach with agricultural stakeholders in a part of the Tarn-et-Garonne region specialized in fruit production. Our research seeks to identify the factors in favor of a LPC according to stakeholders’ representations and knowledge. In particular, we qualified the conditions under which natural enemies and the landscape are socially constructed resources providing ecosystem services. We also seek to identify if these stakeholders were linked through dependencies which may necessitate a coordinated management of the landscape. We explored the possibility of a LPC through several cycle of participatory modelling. This PhD successively established mental models of local stakeholders about their pest control strategies, co-constructed participatory Bayesian models in order to explore uncertainties surrounding LPC, and finally we co-constructed an agent-based model about the population dynamic of the invasive pest Drosophila suzukii and its potential landscape management. Our results show that, according to scientific and local stakeholder’s actual representations, the composition of the landscape in natural habitats is weakly related with pest regulation ecosystem services, even though the landscape is related with higher functional biodiversity. Nowadays, as stakeholders see little benefit, they don’t consider to be dependent to benefit from an enhanced biological control through a LPC strategy. Farmers rather mention their preference towards individual solutions such as pesticides or exclusion nets surrounding their orchards. This individual focus suggests that designing innovation favorable to natural enemies might be more relevant within farms, like focusing on the vegetation between rows of fruit trees. Besides, these results show the need for scientific studies relating economics and ecology to explicitly measure the benefits farmers could obtain from a landscape favorable to natural enemies. Positive results of such study would enhance further participatory research around LPC strategies. Finally, this participatory and exploratory research identified new sites for investigation and raised questions about the LPC which could be further looked into.

La classe des modèles à chaîne de Markov cachée (HMM, Hidden Markov Models) permet, entre autres, de modéliser des données financières. Par exemple, dans ce type de modèle, la distribution du rendement sur un actif financier est exprimée en fonction d'une variable non-observée, une chaîne de Markov, qui représente la volatilité de l'actif. Notons que les dynamiques de cette volatilité sont difficiles à reproduire, car la volatilité est très persistante dans le temps. Les HMM ont la particularité de permettre une variation de la volatilité selon les états de la chaîne de Markov. Historiquement, ces modèles ont été estimés avec un nombre faible de régimes (états), car le nombre de paramètres à estimer explose rapidement avec le nombre de régimes et l'optimisation devient vite difficile. Pour résoudre ce problème une nouvelle sous-classe de modèles à chaîne de Markov cachée, dite à haute dimension, a vu le jour grâce aux modèles dits factoriels et à de nouvelles méthodes de paramétrisation de la matrice de transition. L'objectif de cette thèse est d'étendre cette classe de modèles avec de nouvelles approches plus générales et de montrer leurs applications dans le domaine financier. Dans sa première partie, cette thèse formalise la classe des modèles factoriels à chaîne de Markov cachée et étudie les propriétés théoriques de cette classe de modèles. Dans ces modèles, la dynamique de la volatilité dépend d'une chaîne de Markov latente de haute dimension qui est construite en multipliant des chaînes de Markov de dimension plus faible, appelées composantes. Cette classe englobe les modèles factoriels à chaîne de Markov cachée précédemment proposés dont les composantes sont de dimension deux. Le modèle MDSV (Multifractal Discrete Stochastic Volatility) est introduit afin de pouvoir considérer des composantes de dimension supérieure à deux, généralisant ainsi les modèles factoriels existants. La paramétrisation particulière de ce modèle lui offre suffisamment de flexibilité pour reproduire différentes allures de décroissance de la fonction d'autocorrélation, comme celles qui sont observées sur les données financières. Un cadre est également proposé pour modéliser séparément ou simultanément les données de rendements financiers et de variances réalisées. Une analyse empirique sur 31 séries d'indices financiers montre que le modèle MDSV présente de meilleures performances en termes d'estimation et de prévision par rapport au modèle realized EGARCH. La modélisation par l'entremise des modèles factoriels à chaîne de Markov cachée nécessite qu'on définisse le nombre N de composantes à multiplier et cela suppose qu'il n'existe pas d'incertitude lié à ce nombre. La seconde partie de cette thèse propose, à travers une approche bayésienne, le modèle iFHMV (infinite Factorial Hidden Markov Volatility) qui autorise les données à déterminer le nombre de composantes nécessaires à leur modélisation. En s'inspirant du processus du buffet indien (IBP, Indian Buffet Process), un algorithme est proposé pour estimer ce modèle, sur les données de rendements financiers. Une analyse empirique sur les données de deux indices financiers et de deux actions permet de remarquer que le modèle iFHMV intègre l'incertitude liée au nombre de composantes pour les estimations et les prévisions. Cela lui permet de produire de meilleures prévisions par rapport à des modèles de référence. / Hidden Markov Models (HMMs) are popular tools to interpret, model and forecast financial data. In these models, the return dynamics on a financial asset evolve according to a non-observed variable, a Markov chain, which generally represents the volatility of the asset. This volatility is notoriously difficult to reproduce with statistical models as it is very persistent in time. HMMs allow the volatility to vary according to the states of a Markov chain. Historically, these models are estimated with a very small number of regimes (states), because the number of parameters to be estimated grows quickly with the number of regimes and the optimization becomes difficult. The objective of this thesis is to propose a general framework to construct HMMs with a richer state space and a higher level of volatility persistence. In the first part, this thesis studies a general class of high-dimensional HMMs, called factorial HMMs, and derives its theoretical properties. In these models, the volatility is linked to a high-dimensional Markov chain built by multiplying lower-dimensional Markov chains, called components. We discuss how previously proposed models based on two-dimensional components adhere to the factorial HMM framework. Furthermore, we propose a new process---the Multifractal Discrete Stochastic Volatility (MDSV) process---which generalizes existing factorial HMMs to dimensions larger than two. The particular parametrization of the MDSV model allows for enough flexibility to reproduce different decay rates of the autocorrelation function, akin to those observed on financial data. A framework is also proposed to model financial log-returns and realized variances, either separately or jointly. An empirical analysis on 31 financial indices reveals that the MDSV model outperforms the realized EGARCH model in terms of fitting and forecasting performance. Our MDSV model requires us to pre-specify the number of components and assumes that there is no uncertainty on that number. In the second part of the thesis, we propose the infinite Factorial Hidden Markov Volatility (iFHMV) model as part of a Bayesian framework to let the data drive the selection of the number of components and take into account the uncertainty related to the number of components in the fitting and forecasting procedure. We also develop an algorithm inspired by the Indian Buffet Process (IBP) to estimate the iFHMV model on financial log-returns. Empirical analyses on two financial indices and two stocks show that the iFHMV model outperforms popular benchmarks in terms of forecasting performance.

Cette thèse propose de nouvelles méthodes d'analyse d'enregistrements cérébraux intra-crâniens (potentiels de champs locaux), qui pallie les lacunes de la méthode temps-fréquence standard d'analyse des perturbations spectrales événementielles : le calcul d'une moyenne sur les enregistrements et l'emploi de l'activité dans la période pré-stimulus. La première méthode proposée repose sur la détection de sous-ensembles d'électrodes dont l'activité présente des synchronisations cooccurrentes en un même point du plan temps-fréquence, à l'aide de modèles bayésiens de mélange gaussiens. Les sous-ensembles d'électrodes pertinents sont validés par une mesure de stabilité calculée entre les résultats obtenus sur les différents enregistrements. Pour la seconde méthode proposée, le constat qu'un bruit blanc dans le domaine temporel se transforme en bruit ricien dans le domaine de l'amplitude d'une transformée temps-fréquence a permis de mettre au point une segmentation du signal de chaque enregistrement dans chaque bande de fréquence en deux niveaux possibles, haut ou bas, à l'aide de modèles bayésiens de mélange ricien à deux composantes. À partir de ces deux niveaux, une analyse statistique permet de détecter des régions temps-fréquence plus ou moins actives. Pour développer le modèle bayésien de mélange ricien, de nouveaux algorithmes d'inférence bayésienne variationnelle ont été créés pour les distributions de Rice et de mélange ricien. Les performances des nouvelles méthodes ont été évaluées sur des données artificielles et sur des données expérimentales enregistrées sur des singes. Il ressort que les nouvelles méthodes génèrent moins de faux-positifs et sont plus robustes à l'absence de données dans la période pré-stimulus.