Direction de recherche : Patrick GALLINARI

Co-encadrement : BASKIOSTIS Nicolas, GUIGUE Vincent

Apprentissage de représentations pour les traces de mobilité

Le transport urbain est un enjeu crucial pour la gestion des territoires. Dans les grandes métropoles, les transports publics urbains représentent le principal moyen de déplacement de nombreux habitants.
Si la caractérisation des réseaux et des usagers est historiquement abordée par l'analyse de données de questionnaires, depuis la fin des années 1990, nous voyons l'apparition de nouveaux types de données (GPS, données billétiques, etc.) qui décrivent la mobilité des individus en ville et son évolution à moyen terme. Disponibles dans de grandes quantités, échantillonnés précisément, mais contenant peu de sémantique et beaucoup de bruit.
Au cours de cette thèse, nous proposons de travailler sur la modélisation des usagers et du réseau d'une part et la détection d'anomalies d'autre part, à partir de données collectées dans un contexte de réseaux de transports urbains, en utilisant des méthodes d'apprentissage automatique. Grâce à ces méthodes adaptées à l'analyse et la mise en valeur de grandes masses de données, nous voulons traiter ces données brutes et bruitées. Nous porterons une attention particulière sur l'adaptation de ces méthodes aux problématiques particulières des données de mobilité. Nous verrons que la modélisation orientée usager d'un réseau de transports permet d'obtenir des profils fins et robustes que l'on peut agréger efficacement afin d'obtenir une valorisation plus précise et plus descriptive du réseau qu'une modélisation orientée réseau; que l'utilisation de ces profils permet de traiter des tâches complexes; que la contextualisation des modèles (spatial, temporel, comportements partagés) améliore les performances quantitatives et qualitatives.

Publications 2016-2019

• 2019
  • E. Tonnelier : “Apprentissage de représentations pour les traces de mobilité”, soutenance de thèse, soutenance 11/07/2019, direction de recherche Gallinari, Patrick, co-encadrement : Baskiostis, Nicolas, Guigue, Vincent (2019)
• 2018
  • E. Tonnelier, N. Baskiotis, V. Guigue, P. Gallinari : “Anomaly detection in smart card logs and distant evaluation with Twitter: a robust framework”, Neurocomputing, vol. 298, pp. 109-121, (Elsevier) (2018)
  • E. Tonnelier, N. Baskiotis, V. Guigue, P. Gallinari : “Factorisation de Tenseurs pour l’analyse de réseaux de mobilité”, 1^ères Rencontres Francophones Transport-Mobilité (RFTM), Lyon, France (2018)
• 2017
  • E. Tonnelier, N. Baskiotis, V. Guigue, P. Gallinari : “Anomaly detection and characterization in smart card logs using NMF and Tweets”, ESANN 2017 - 25^th European Symposium on Artificial Neural Networks, Bruges, Belgium (2017)
• 2016
  • E. Tonnelier, N. Baskiotis, V. Guigue, P. Gallinari : “Smart card in public transportation: designing a analysis system at the human scale”, ITSC, Rio de Janeiro, Brazil (2016)
  • M. Poussevin, E. Tonnelier, N. Baskiotis, V. Guigue, P. Gallinari : “Mining ticketing logs for usage characterization with nonnegative matrix factorization”, chapter in Big Data Analytics in the Social and Ubiquitous Context, vol. 9546, Lecture Notes in Computer Science, pp. 147-164, (Springer), (ISBN: 978-3-319-29008-9) (2016)