Marc Plantevit

User Tools

Site Tools

Trace:
prim1415escargot

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

Page Tools

CNRS INSA de Lyon Université Lyon 1 Université Lyon 2 École centrale de Lyon