L’UTILISATION DES TECHNIQUES D’APPRENTISSAGES AUTOMATIQUE POUR LA PRÉDICTION DE MOBILITÉ DANS LES RÉSEAUX VÉHICULAIRES

Abstract

Le développement rapide des technologies d’acquisition de localisation et de communication mobile a favorisé plusieurs services basés sur la localisation, tels que la prédiction de mobilité. La prédiction de la mobilité des objets (personne, véhicule, etc.) est devenue un élément clé de la gestion de la mobilité dans les villes intelligentes, les environnements informatiques mobiles, les systèmes de transport intelligent (STI), les réseaux véhiculaires et les services basés sur la localisation (SBL). Il a plusieurs applications importantes pour la prédiction de congestion du trafic, la conception de protocoles de routage basés sur la localisation, la génération d’annonces ciblées, etc. La prédiction de mobilité consiste à prévoir les futurs emplacements à visiter par un utilisateur. Plusieurs modèles ont été proposés pour la prédiction de la mobilité, dont la partie majeure est constituée de techniques basées sur l’apprentissage automatique (machine learning). Ce sont généralement des modèles probabilistes (par exemple, les modèles de Markov) ou des modèles basés sur la fouille de données (par exemple, des modèles séquentiels basés sur des règles). Bien que ces modèles se soient bien comportés, un travail supplémentaire devrait être effectué sur plusieurs défis spécifiques à la mobilité humaine, tels que la nécessité de concevoir des prédicteurs 1) tolérants au bruit pour traiter les données GPS bruitées, 2) fonctionnant en temps réel pour aider leur déploiement sur des dispositifs avec une capacité de de traitement limités (par exemple, les téléphones intelligents), et 3) modèles sans perte (lossless) pour prendre en compte toutes les données pour effectuer une prédiction. Pour faire face à ces défis, notre recherche vise à appliquer des techniques d’apprentissage automatique à la prédiction de la mobilité. Pour ce faire, un ensemble de techniques d’apprentissage automatique sera utilisé et adapté pour accomplir cette tâche, en utilisant des données réels et synthétiques et en tenant compte de plusieurs facteurs de la mobilité humaine, notamment les facteurs séquentiels, sociaux et temporels.