%0 Conference Paper %F Oral %T Co-clustering de courbes fonctionnelles multivariées %+ Lim France %+ Entrepôts, Représentation et Ingénierie des Connaissances (ERIC) %+ Statistique, Analyse et Modélisation Multidisciplinaire (SAmos-Marin Mersenne) (SAMM) %+ Laboratoire de Biomécanique et Mécanique des Chocs (LBMC UMR T9406) %A Schmutz, Amandine %A Jacques, Julien %A Bouveyron, Charles %A Chèze, Laurence %A Martin, Pauline %< avec comité de lecture %B Journées des Statistiques %C Nancy, France %8 2019-06-03 %D 2019 %K Datamining %K Computational statistics %K Case study %K Functional co-clustering %Z Statistics [stat]Conference papers %X The exponential growth of smart devices in all aspect of everyday life, leads to the collection of high frequency data for a same individual. Those devices also ease the collection of several variables simultaneously for an individual, which results in growing needs of methods to summarise and read such multivariate functional data. This work shows a new functional co-clustering method in order to help highlighting groups of individuals and variables that look alike. This method relies on a functional latent block model and model inference is done with a SEM-Gibbs algorithm. The model efficiency will be shown on a practical example of smart houses where the consumption of electricity and the temperature is monitored over time. %X La croissance exponentielle des objets connectés présents maintenant dans tous les aspects de la vie quotidienne entraîne une collecte de données à haute fréquence pour un même individu. Ces objets facilitent aussi la collecte de plusieurs variables simultanément pour un même individu, entraînant des besoins croissants de méthodes pour résumer et interpréter ces données fonctionnelles multivariées. Ce travail propose une nouvelle méthode de co-clustering fonctionnelle de façon à faciliter la mise en évidence de groupes d'individus et de variables se ressemblant au sein de bases de données multivariées. Cette méthode s'appuie sur un modèle à blocs latents fonctionnels et l'inférence du modèle est faite à l'aide d'un algorithme SEM-Gibbs. L'efficacité de ce modèle sera testée sur un exemple de suivi de consommation électrique et de température au sein de maisons intelligentes connectées. %G French %2 https://hal.science/hal-02095004/document %2 https://hal.science/hal-02095004/file/JDS2019.pdf %L hal-02095004 %U https://hal.science/hal-02095004 %~ UNIV-PARIS1 %~ UNIV-LYON1 %~ UNIV-LYON2 %~ SAMOS %~ SAMM %~ ERIC %~ IFSTTAR %~ LYON2 %~ LBMC %~ UDL %~ UNIV-LYON %~ UNIV-EIFFEL %~ IFSTTAR-UNIVEIFFEL %~ TS2