Guillouet, Brendan (2016). Apprentissage statistique : application au trafic routier à partir de données structurées et aux données massives.
Résumé en francais
Cette thèse s'intéresse à l'apprentissage pour données massives. On considère en premier lieu, des trajectoires définies par des séquences de géolocalisations. Une nouvelle mesure de distance entre trajectoires (Symmetrized Segment-Path Distance) permet d'identifier par classification hiérarchique des groupes de trajectoires, modélisés ensuite par des mélanges gaussiens décrivant les déplacements par zones. Cette modélisation est utilisée de façon générique pour résoudre plusieurs types de problèmes liés aux trafic routier : prévision de la destination finale d'une trajectoire, temps d'arrivée à destination, prochaine zone de localisation. Les exemples analysés montrent que le modèle proposé s'applique à des environnements routiers différents et, qu'une fois appris, il s'applique à des trajectoires aux propriétés spatiales et temporelles différentes. En deuxième lieu, les environnements technologiques d'apprentissage pour données massives sont comparés sur des cas d'usage industriels.
Sous la direction du : | Directeur de thèse |
---|
Loubes, Jean-Michel | Besse, Philippe |
|
---|
Ecole doctorale: | Mathématiques, informatique, télécommunications de Toulouse (MITT) |
---|
laboratoire/Unité de recherche : | Institut de Mathématiques de Toulouse (IMT), UMR 5219 |
---|
Mots-clés libres : | Apprentissage - Trajectoire - Classification non supervisée - Données Massives - Trafic Routier |
---|
Sujets : | Mathématiques |
---|
Déposé le : | 10 Apr 2017 11:00 |
---|