. Dans, de concepts, s'appuyant sur un modèle temporel des données qui met en exergue les objets d'intérêt, 2) une phase d'extraction de po-motifs à partir des résultats de l'ARC et 3) une phase de sélection des po-motifs intéressants en utilisant des mesures de distribution, richesse et support sur les extensions de concepts. Nous avons évalué notre proposition sur des jeux de données réels issus du projet Fresqueau. Néanmoins, une analyse systématique des po-motifs obtenus reste à faire par un expert du domaine pour confirmer la pertinence de la méthode de sélection proposée. Dans l'avenir, nous étudierons l'intérêt des attributs relationnels vagues, qui mettent en évi-dence des liens généraux entre les paramètres biologiques et physico-chimiques. Nous approfondirons l'étude des mesures d, nous avons proposé une approche originale pour explorer des données temporelles avec l'ARC. L'approche comporte un processus complet pour explorer des données séquentielles comprenant : 1) une phase d'analyse relationnelle

R. Agrawal and R. Srikant, Mining sequential patterns, International Conference on Data Engineering, ICDE, pp.3-14, 1995.

G. Arévalo, M. J.-r.-falleri, C. Huchard, and . Nebut, Building abstractions in class models : Formal concept analysis in a model-driven approach, MoDELS, pp.513-527, 2006.

S. Bimonte, K. Boulil, A. Braud, S. Bringay, F. Cernesson et al., Un système décisionnel pour l'analyse de la qualité des eaux de rivières, Ingénierie des Systèmes d'Information, vol.20, issue.3, pp.143-167, 2015.

A. Buzmakov, E. Egho, N. Jay, S. O. Kuznetsov, A. Napoli et al., On mining complex sequential data by means of FCA and pattern structures, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01186715

G. Casas-garriga, Summarizing sequential data with closed partial orders, 2005 SIAM International Conference on Data Mining, pp.380-391, 2005.

M. Fabrègue, A. Braud, S. Bringay, C. Grac, F. L. Ber et al., Discriminant temporal patterns for linking physico-chemistry and biology in hydro-ecosystem assessment, Ecological Informatics, vol.24, pp.210-221, 2014.

M. Fabrègue, A. Braud, S. Bringay, F. L. Ber, and E. M. Teisseire, Mining closed partially ordered patterns, vol.79, pp.68-79, 2015.

S. Ferré, The efficient computation of complete and concise substring scales with suffix trees, Formal Concept Analysis, pp.98-113, 2007.

C. Frankfort-nachmias and A. Leon-guerrero, Social Statistics for a Diverse Society, Chapter Measures of Variability, 2010.

B. Ganter and . Et-r.-wille, Formal Concept Analysis : Mathematical Foundations, 1999.

M. Klimushkin, S. Obiedkov, and C. Roth, Approaches to the selection of relevant concepts in the case of noisy data, Formal Concept Analysis, pp.255-266, 2010.

S. O. Kuznetsov, On stability of a formal concept, Annals of Mathematics and Artificial Intelligence, vol.49, issue.1-4, pp.101-115, 2007.

C. Nica, X. Dolques, A. Braud, M. Huchard, and F. L. Ber, Exploration de données temporelles avec des treillis relationnels, EGC, Actes de l'atelier GAST, pp.45-56, 2015.

J. Pei, H. Wang, J. Liu, K. Wang, J. Wang et al., Discovering frequent closed partial orders from strings, IEEE Transactions on Knowledge and Data Engineering, vol.18, issue.11, pp.1467-1481, 2006.

J. Poelmans, P. Elzinga, S. Viaene, and G. Dedene, A Method based on Temporal Concept Analysis for Detecting and Profiling Human Trafficking Suspects, Artificial Intelligence and Applications, AIA 2010, pp.1-9, 2010.

M. Rouane-hacene, M. Huchard, A. Napoli, and P. Valtchev, Relational concept analysis : Mining concept lattices from multi-relational data, Annals of Mathematics and Artificial Intelligence, vol.67, issue.1, pp.81-108, 2013.
URL : https://hal.archives-ouvertes.fr/lirmm-00816300

G. Stumme, Efficient data mining based on formal concept analysis, Database and Expert Systems Applications, pp.534-546, 2002.

K. E. Wolff, Temporal Concept Analysis, ICCS-01 Workshop on Concept Lattice for KDD, 9th International Conference on Conceptual Structures, pp.91-107, 2001.

, that is applied to sequential datasets, dealing with biological and physico-chemical (PhC) parameters sampled in waterbodies. Our aim is to reveal meaningful and hierachical partially ordered patterns (po-patterns) linking the two types of parameters. We propose a comprehensive temporal data mining process starting by using RCA on an ad hoc temporal data model. Then, we continue with the extraction of sets of subsequences summarized as popatterns. Finally, we select relevant po-patterns, using Relational Concept Analysis (RCA)