Dans le cadre de ma thèse, nous explorons différentes méthodes permettant une extraction et une représentation automatique d'informations pertinentes. Nous travaillons sur des données de type série temporelle discrète au sein desquelles l’événement d'intérêt apparaît sous la forme de rares anomalies. Ces anomalies peuvent être distribuées sur une séquence d'observations successives dans le temps. Nous utiliserons des méthodes d'apprentissage supervisé et non-supervisé afin de modéliser l'évolution des événements normaux et des anomalies. Ces modèles devraient permettre d'extraire une représentation pertinente caractérisant les motifs temporaux. Une comparaison de ces représentations pourrait par exemple mettre en évidence les points communs et différences entre deux séquences d'événements. Nous cherchons aussi à intégrer des connaissances contextuelles provenant des Linked Open Data afin d'enrichir l'information contenue dans ces séries temporelles.