SYSTEMS, METHODS, COMPUTER PROGRAMS FOR PREDICTING WHETHER A DEVICE WILL CHANGE STATE

A method (700) for predicting, for each device included in a set of devices, whether the device will change state at a particular future point in time. The method includes, for a first device within the set of devices, obtaining a first state value indicating the current state of the first device. The method also includes, for a second device within the set of devices, obtaining a second state value indicating the current state of the second device. The method also includes forming an input vector, the input vector comprising the first state value, the second state value, and a temporal feature (e.g., a set of one or more time values indicating the current time). The method also includes inputting the input vector into a trained machine learning (ML) model. The method also includes, after inputting the input vector into the trained ML model, obtaining a probability vector from the ML model, the probability vector comprising, for each device included in the set of devices, a state change prediction value indicating a likelihood that the device will change state at the particular future point in time. Procédé (700) permettant de prédire, pour chaque dispositif d'un ensemble de dispositifs, si le dispositif va changer d'état à un moment futur particulier. Le procédé consiste à obtenir une première valeur d'état indiquant l'état actuel d'un premier dispositif d'un ensemble de dispositifs. Le procédé consiste également, pour un second dispositif de l'ensemble de dispositifs, à obtenir une seconde valeur d'état indiquant l'état actuel du second dispositif. Le procédé consiste également à former un vecteur d'entrée comprenant la première valeur d'état, la seconde valeur d'état et une caractéristique temporelle (par ex. un ensemble d'une ou de plusieurs valeurs temporelles indiquant l'heure actuelle). Le procédé consiste également à entrer le vecteur d'entrée dans un modèle d'apprentissage automatique (ML) entraîné. Le procédé consiste également, après l'entrée du vecteur d'entrée dans le modèle ML entraîné, à obtenir du modèle ML un vecteur de probabilité comprenant, pour chaque dispositif de l'ensemble de dispositifs, une valeur de prédiction de changement d'état indiquant une probabilité de changement d'état du dispositif au moment futur particulier.