Détecter et prédire les mouvements d'utilisateurs est très étudié dans le domaine de l'apprentissage artificiel et des bases de données ces dernières années. En effet, comprendre (et prédire) les trajectoires démographiques au sein d'une ville est un enjeu majeur dans de nombreux domaines (e.g., systèmes de recommandation, politiques d'aménagement, …). Une façon de modéliser les traces des utilisateurs est de construire un graphe où les noeuds représentent des points d'intérêt (lieux) et les arc sont pondérés par le nombre d'usagers. De nombreuses techniques permettent d'apporter des éclairages intéressants (composantes connexes, ..) sur le comportement global des usagers. Dernièrement, nous avons développé une technique permettant d'identifier des composantes qui sont spécifiques d'un type d'utilisateur particulier, c'est à dire propre à un contexte. Par exemple, un sous-graphe retourné peut identifier les déplacements nocturnes des utilisateurs masculins de moins de 30 ans. L'algorithme ainsi défini permet de fouiller des trajectoires contextuelles identifiées par des attributs de différents types (e.g., numériques, binaires, ordinaux, symboliques). Cet algorithme a été utilisé pour étudier les déplacements des usagers du système de vélos en libre service lyonnais VELO'V.
L'objectif de ce projet de recherche est de développer un cadre interactif de fouille de trajectoires contextuelles. Etant donné un graphe (possiblement projeté sur une carte), nous souhaitons qu'un utilisateur puisse interagir avec l'algorithme de façon pleinement interactive :
Dans ce contexte, le travail demandé est le suivant :
Ce projet est pertinent pour les étudiants désirant s'orienter vers les masters M2TI(W) ou M2IADE ou les étudiants intéressés par la science des données.