Une méthode de découverte de motifs contextualisés dans les traces de mobilité d'une personne

Aimene Belfodil (1) , Mehdi Kaytoue (1) , Céline Robardet (1) , Marc Plantevit (1) , Julien Zarka (2)

1 DM2L - Data Mining and Machine Learning
2 Mobile devices

Les traces de mobilité générées par les divers capteurs qui nous en-tourent peuvent être analysées à des fins prédictives et explicatives pour répondre à divers problèmes du quotidien. Si de nombreuses méthodes ont été propo-sées pour décrire le comportement d'un individu de manière globale à partir des transitions entre ses différents points d'intérêts (par exemple via un modèle de Markov), peu de travaux cherchent à l'expliquer de manière locale. Nous pro-posons dans cet article une méthode qui permet d'extraire pour un individu dont on a une trace de mobilité conséquente des motifs de mobilité dits contextuali-sés. Chaque motif est composé d'une description sur l'ensemble des visites aux différents points d'intérêt de l'individu qui maximise une ou plusieurs mesures avec une sémantique particulière (le motif décrit une phase sédentaire ou excep-tionnel de la mobilité de l'individu). Une expérimentation a été menée à partir de traces de mobilité de véhicules et donne des résultats encourageants.

Domaines: Informatique [cs]; Intelligence artificielle [cs.AI]

Aimene Belfodil, Mehdi Kaytoue, Céline Robardet, Marc Plantevit, Julien Zarka. Une méthode de découverte de motifs contextualisés dans les traces de mobilité d'une personne. 16ème Journées Francophones Extraction et Gestion des Connaissances, Jan 2016, Reims, France. pp.63-68. ⟨hal-01265204⟩