Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
prim1415escargot [2014/10/24 16:27]
mplantev [Travail demandé]
prim1415escargot [2014/10/24 16:28] (current)
mplantev [Contexte]
Line 10: Line 10:
 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. ​ 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  ​ 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 systèmes ​de vélos en libre service lyonnais VELO'​V. ​+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. ​
  
  
prim1415escargot.txt · Last modified: 2014/10/24 16:28 by mplantev
CC Attribution-Noncommercial-Share Alike 3.0 Unported
www.chimeric.de Valid CSS Driven by DokuWiki do yourself a favour and use a real browser - get firefox!! Recent changes RSS feed Valid XHTML 1.0