Les flux de données générés par des systèmes industriels complexes sont souvent accompagnés de dérives de concepts et de dépendances spatio-temporelles dynamiques évolutives, ces facteurs endommageant conjointement les performances et la fiabilité des modèles de prévision classiques supposant une distribution de données stable. Pour relever ce défi, cet article propose un réseau neuronal graphique hiérarchique sensible à l'incertitude pour les flux de données dérivants (UHGNN). Cette méthode fusionne une topologie physique avec des interactions de haut niveau entre capteurs dans une structure graphique hiérarchique, extrayant explicitement les caractéristiques temporelles et spatiales du flux de données. De plus, le modèle introduit un mécanisme de détection de dérive basé sur l'incertitude cognitive, permettant d'identifier en temps réel la dérive de concept et de déclencher un ajustement du modèle pour une adaptation rapide. Les expériences basées sur un véritable système industriel en ligne — un jeu de données de procédé de raffinage par hydrogénation du diesel — montrent que l’UHGNN atténue efficacement les effets indésirables de la dérive conceptuelle et obtient une précision prédictive supérieure aux modèles de référence dans les tâches de prévision des flux dérivants. Cette méthode démontre également une forte robustesse vis-à-vis des hyperparamètres clés tout en maintenant une efficacité de calcul compatible avec une mise en œuvre industrielle.

dérive de concept;flux de données;réseau neuronal graphique hiérarchique;incertitude cognitive