Caractérisation et recommandation de zones urbaines à partir de données sociales.

Avec l’avènement des médias sociaux et des données ouvertes, il est important d’analyser ces données afin de décrire finement l’activité d’une ville (i.e., politique publique, SHS, …). Dans ce contexte, un algorithme CityMiner a été développé. S’appuyant sur une modélisation des données sous forme de graphes attribués, il permet de découvrir des zones urbaines exceptionnelles (i.e., des zones dont la concentration de certains attributs diffèrent du reste de la ville).

L’objectif de ce projet est d’étendre l’algorithme CityMiner et de développer une interface d’analyse des données urbaines.

Plus précisément, il s’agira de :

• développer un module qui transforme une base de données sous forme de graphes attribués.
• développer une interface graphique qui permettra de configurer et interagir avec l’algorithme et d’apprendre les préférences de l’utilisateur.
• définir des distances entre zones inter-urbaines pour recommander une zone dans une autre ville à un utilisateur (e.g., étant donné que j’apprécie cette zone à Lyon, où pourrai-je habiter à San Francisco?).

• “Unsupervised Exceptional Attributed Sub-graph Mining in Urban Data”
 Anes Bendimerad, Marc Plantevit, and Céline Robardet. IEEE ICDM 2016.

• TI, DS, IA