Les objets connectés de l'Internet des objets (IoT) prolifèrent dans tous les domaines, menant à de nombreuses séries temporelles. Dans cet article, nous proposons une approche de croisement de ces sources (par exemple au sein d'un lac de données) pour en comprendre la dynamique temporelle. Dans ce but, nous visons à extraire des motifs temporels flous. Notre approche est conçue pour être parallélisée, et nous mesurons quelques performances de calcul pour en démontrer la faisabilité sur des données réelles.
Les motifs graduels permettent de retrouver les corrélations entre attributs au moyen de règles telles que “plus l'entrainement sportif augmente, plus le stress physique diminue”. Cependant, un décalage dans le temps peut exister entre les modifications de certains attributs et leur impact sur d'autres. Les méthodes actuelles ne prennent pas cela en compte. Dans cet article, nous étendons les méthodes existantes pour gérer ces situations afin d'extraire des motifs tels que : “Plus l'entrainement augmente, plus le stress diminue 1 mois plus tard”. Nous étendons également nos motifs graduels pour inclure des contraintes temporelles floues telles que “Plus l'entrainement augmente, plus le stress diminue environ 1 mois plus tard”. Nous proposons trois algorithmes qui ont été implémentés et testés sur des données réelles.