Biographie
Mike Pereira est un chercheur dont les travaux se concentrent sur la modélisation mathématique et géostatistique appliquée à des systèmes dynamiques complexes. Ses recherches portent sur le développement de méthodes avancées pour la prédiction et la simulation de phénomènes spatio-temporels, intégrant des outils tels que les équations aux dérivées partielles stochastiques (SPDE) et les modèles de champs aléatoires gaussiens. Ses travaux récents explorent également l’intersection entre les méthodes géostatistiques et les approches issues de l’apprentissage automatique, notamment pour la prédiction en temps réel des flux de trafic ou la simulation de champs aléatoires sur des variétés riemanniennes.
Publication(s)
-
2025
Kriging Alluvial Thicknesses in Valley Bottoms Using Nonstationary Geometric Anisotropies DOI : 10.1007/s11004-025-10200-w
-
2024
Mean-square exponential stabilization of mixed-autonomy traffic PDE system DOI : 10.1016/j.automatica.2024.111859
-
2024
Continuous Simulation of Heterogeneous Media: The Karhunen-Loève Approach Versus the Turning Bands Method DOI : 10.1007/978-3-031-58665-1_3
-
2024
The Traffic Reaction Model: A kinetic compartmental approach to road traffic modeling DOI : 10.1016/j.trc.2023.104435
-
2023
Mean-square exponential stabilization of coupled hyperbolic systems with random parameters DOI : 10.1016/j.ifacol.2023.10.991
-
2023
Data-Driven Distance Metrics for Kriging-Short-Term Urban Traffic State Prediction DOI : 10.1109/TITS.2023.3251022
-
2023
Galerkin–Chebyshev approximation of Gaussian random fields on compact Riemannian manifolds DOI : 10.1007/s10543-023-00986-8
-
2022
Short-term traffic prediction using physics-aware neural networks DOI : 10.1016/j.trc.2022.103772
-
2022
Geostatistics for Large Datasets on Riemannian Manifolds: A Matrix-Free Approach DOI : 10.6339/22-JDS1075
-
2022
Parameter and density estimation from real-world traffic data: A kinetic compartmental approach DOI : 10.1016/j.trb.2021.11.006
-
2019
SPDE geostatistical filtering for seismic data DOI : 10.3997/2214-4609.201900848
-
2019
Efficient simulation of Gaussian Markov random fields by Chebyshev polynomial approximation DOI : 10.1016/j.spasta.2019.100359
-
2019
Plurigaussian simulations with the stochastic partial differential equation (SPDE) approach DOI : 10.3997/2214-4609.201902174
-
2019
Geostatistical filtering of noisy seismic data using Stochastic Partial Differential Equations (SPDE) DOI : 10.3997/2214-4609.201902264
Projets
- 2024-2029 SICIM - PEPR Maths-Vives Participant Le projet scientifique SICIM a pour objectif de développer une approche statistique permettant la reconstitution spatio-temporelle des trajectoires de fronts de glaciers, à partir des positions observées des moraines datées, en incluant les incertitudes de datation et les moraines manquantes. La question probabiliste associée est de savoir comment, conditionnellement aux positions et dates de données censurées (les moraines non-détruites), simuler des tirages aléatoires du processus spatio-temporel complet, puis d’être capable d’effectuer l’inférence. Il s’agit donc de combiner de façon innovante théorie des records, théorie des valeurs extrêmes, et simulation conditionnelles dans un cadre statistique spatial.
Enseignements
Calcul Différentiel, Intégral et Stochastique II (Math2)
L’EC2 est constitué de deux blocs : Equations Différentielles Probabilités. Le cours d’équations différentielles a pour but d’initier les étudiants à l’étude des systèmes dynamiques: existence, unicité et régularité des solutions d’une équation différentielle (théorèmes de Peano-Arzela, Cauchy-Lipschitz, régularité par rapport aux conditions initiales en temps fini, systèmes chaotiques), ainsi qu’une introduction à l’étude du comportement asymptotiques des solutions (cycles périodiques, stabilité asymptotique de points d’équilibre etc.) Une sensibilisation à la simulation et l’analyse numérique des équations différentielles est aussi donnée (schémas de discrétisation, analyse de consistance/convergence, différence schémas explicites/implicites pour systèmes raides, apport des schémas symplectiques pour systèmes hamiltoniens etc.) Le cours de probabilités vise à consolider et compléter les connaissances en théorie des probabilités acquises en CPGE mais surtout à acquérir le raisonnement probabiliste. En CPGE, les probabilités ont été vues dans le cadre de phénomènes aléatoires qui admettent un nombre au plus dénombrable de résultats possibles. Les probabilités définies sur la droite réelle, ainsi que les variables et vecteurs aléatoires réels sont d’abord introduits dans le formalisme général de la théorie de la mesure, vu à l’EC1, et qui permet d’englober le cas discret. Les notions d'indépendance et de conditionnement de variables aléatoires, les suites de variables aléatoires et enfin les méthodes de simulation stochastique sont successivement abordées de manière à couvrir l’ensemble des pré-requis nécessaires aux différentes spécialités d'ingénierie proposées à l’école, en particulier la science des données.
Géostatistique
introduction générale et introduction au logiciel R (www.r-project.org) modèles de fonctions aléatoires inférence prédiction (krigeage et simulations) modélisation spatio-temporelle
Option Géostatistique et Probabilités Appliquées
Direction(s) de thèse(s)
- 2025 Reconstruction de l'évolution spatio-temporelle des fronts de glaciers par simulation stochastique MEGRET Maud
- 2024 Modélisation des épisodes d'événements extrêmes sur graphes MAATOUK Rita