Prez labo paris_6_meetup_open_transport_paris_17042019
•
1 gefällt mir•183 views
Modélisation du comportement des usagers dans les réseaux de transports en commun à partir des données de billettique en Ile-de-France Vincent Guigue, Maître de conférences au Laboratoire d’Informatique de Paris 6, Sorbonne Université Nous nous intéressons depuis quelques années à l’analyse des données billéttiques d’Ile-de-France Mobilités. Nous avons travaillé successivement sur la prédiction des flux de passagers puis sur l’identification des anomalies sur le réseau. Pour ces deux tâches, la modélisation des usagers est la clé pour améliorer les modèles prédictifs et, à terme, sortir du paradigme de la boite noire; c’est à dire être capable d’expliquer l’usage individuel des transports et les implications sur le réseau.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Prez labo paris_6_meetup_open_transport_paris_17042019
Ähnlich wie Prez labo paris_6_meetup_open_transport_paris_17042019 (20)
Mehr von Open Transport meetup by Kisio
Mehr von Open Transport meetup by Kisio (20)
Prez labo paris_6_meetup_open_transport_paris_17042019
- 1. APPORT DES TECHNIQUES D’INTELLIGENCE ARTIFICIELLE POUR LE TRANSPORT 17 avril 2019 Vincent Guigue
- 2. Introduction Applications Conclusion Short resume 98-2001 Ingénieur en mécanique (INSA de Rouen) 2005 PhD : Traitement du signal & SVM S. Canu & A. Rakotomamonjy 2006 Maître de conférences LIP6, Sorbonne Université (ex UPMC) Equipe MLIA, Patrick Gallinari Centres d’intérêt: Données textuelles Apprentissage de profils divers en particulier, les personnes et les textes Systèmes de transport intelligent Interface Cerveau-Machine (BCI) Transport et IA 2/12
- 3. Introduction Applications Conclusion Données spatio-temporelles Capter des positions = différentes sources Différentes caractéristiques ± bruit / manque de précision ± coupures de signaux ± informations de contexte (activité, intention, ...) Données billétiques (parisiennes) Uniquement les entrées Données manquantes (fraude / pb de capteurs) Imprécisions (réseau bus) Transport et IA 3/12
- 4. Introduction Applications Conclusion Données billétiques Traces spatio-temporelles triplets: temps, station, usager Ile de France Mobilités 13 semaines 80M de logs, 600k usagers, 20k stations (300 de métro) week00 week01 week02 week03 week04 week05 week06 week07 week08 week09 week10 week11 week12 week13 Différentes problématiques, différentes échelles Politiques de développement [Black et al., 2002, Golias, 2002] Prédiction du trafic [Ceapa et al., 2012, Louail et al., 2014] Détection d’anomalies [Tonnelier et al., 2017] Analyse des comportements d’usagers [Poussevin et al., 2014] Prédiction de log [Song et al., 2010, Foell et al., 2013] Transport et IA 4/12
- 5. Introduction Applications Conclusion Des statistiques au machine-learning Au niveau statistique: sondage (EGT) ⇒ analyse de log Cette période correspond à la fois aux plus faibles volumes de validation et aux comportements les moins reproductibles (sorties ponctuelles, lieux variables, ...). Ces deux facteurs vont dans le même sens : il faut un échantillonnage très serré pour décrire de manière robuste les phénomènes rare. Les données billétiques sont plus à même de proposer une description efficace de ce qui se passe sur cette période. 07h-09h 09h-16h30 16h30-19h30 19h30-07h EGT - 2014 0.80117917 0.56945029 0.73599937 1.07044505 EGT - 2015 0.75419758 0.52067299 0.68501185 1.0038716 2014 - 2015 0.01930336 0.02018346 0.01791501 0.026127 TABLE 1 – Divergence KL entre les sources de données (agrégation des différentes origines). Les principaux écarts sont en rouge, les plus faibles en vert. Comparaison spatiale Nous proposons ensuite d’étudier les divergences du point de vue spatial en figure 8. Concernant les écarts entre données billétiques et EGT, la projection spatiale est malheureusement difficile à interpréter : les écarts sont biaisés par les volumes. La conclusion générale serait : plus il y a de volume à partir d’une origine, plus il y a d’écart entre les mesures 5 . Nous nous attendions à des écarts sensibles autour des gares ouvertes du réseau partant de St Lazare 6 , mais il n’y a aucun phénomène statistique marquant. En ce qui concerne les écarts entre données billétiques 2014 et 2015 (figure 8, droite), deux conclusions s’imposent : d’une part, les écarts sont faibles (au moins 25 fois plus faibles que les écarts entre EGT et données billétiques) et d’autre part ces écarts sont concentrés sur le réseau issu de la gare du nord et la zone entourant la forêt de Sénart (Vigneux-sur-seine). Analyses temporelles, spatiales, modales, ... Enjeux: Dépasser les statistiques pour comprendre les usages, prédire les flux Transport et IA 5/12
- 6. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays 5 usagers (aléatoires) données agrégées sur 24h 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20 0 5 10 15 20 ⇒ Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 7. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 8. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 25 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 9. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 25 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 10. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 25 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 11. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 25 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 12. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 25 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 13. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 0 5 10 15 20 Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 14. Introduction Applications Conclusion Séparation de sources et comportement usager Usage = phénomène collectif... ... avec des variations personnelles 8am Week days 7pm Week days 11pm Thursdays Focus sur l’usager #1 Catégorisation de la population Distinction des activités [Poussevin et al., 2014] Distinction des heures de réalisation des activités [Tonnelier et al., 2016] Dictionnaire: 0 5 10 15 20 E=2.6e+01 0 5 10 15 20 E=2.5e+01 0 5 10 15 20 E=2.4e+01 0 5 10 15 20 E=2.1e+01 0 5 10 15 20 E=2e+01 Code: 0 2 4 6 8 0 1 2 3 4 Transport et IA 6/12
- 15. Introduction Applications Conclusion Projection spatiale des comportements gare de lyon marcadet poissonniers montgallet ranelagh villejuif louis aragon aubervilliers pantin porte de la chapelle campo formio billancourt chardon lagache pyramides couronnes danube volontaires saint maur telegraphe kleber monceau gare de l'est lourmel reaumur sebastopol ternes maraichers creteil pointe du lac charonne porte de bagnolet commerce tuileries villiersrome saint fargeau vaugirard ecole militaire buzenval chateau landon bir hakeim trinite d'estienne d'orves olympiades bel air gaite bolivar pyrenees pont marie rambuteau sevres lecourbe pont de levallois becon jacques bonsergent botzaris porte de vincennes montparnasse belleville franklin roosevelt pigalle reuilly diderot felix faure convention picpus nationale pont de sevres victor hugo plaisance jaures pont de neuilly blanche jules joffrin les agnettes ourcq palais royaltrocadero madeleine colonel fabien le kremlin bicetre richelieu drouot la chapelle europe charenton ecoles porte doree saint michel duroc bourse varenne mairie de montreuil vaneau creteil universite filles du calvaire odeon temple wagram 8 mai 1945 porte de charenton sevres babylone george v pelleport concorde malakoff rue etienne dolet creteil prefecture rennes porte de pantin dupleix michel bizot charles de gaulle etoile bastille mirabeau corentin cariou chaussee d'antin chateau rouge chevaleret brochant miromesnil crimee alexandre dumas avenue emile zola opera saint philippe du roule menilmontant place des fetes edgar quinet chateau d'eau saint sulpice la defense mairie de clichy gare du nordcourcelles glaciere creteil l'echat porte de vanves poissonniere pont neuf notre dame de lorette gabriel peri quai de la rapeejavel saint marcel corvisart charles michels maisons alfort stade louis blanc basilique de saint denis assemblee nationale michel ange auteuil les sablons cambronne malesherbes goncourtstrasbourg saint denis maisons alfort les juilliottes porte des lilas les gobelins pierre et marie curie hoche porte de la villette place monge argentine saint sebastien froissart pere lachaise boulogne pont de saint cloud eglise d'auteuil gallieni bibliotheque francois mitterrand place d'italie bobigny pantin jourdain laumiere etienne marcel buttes chaumont place de clichy bonne nouvelle villejuif leo lagrange corentin celton louise michel rue des boulets falguiere riquet mairie de saint ouen iena louvre rivoli la motte picquet grenelle sully morland bobigny pablo picasso berault avron sentier austerlitz la muette stalingrad carrefour pleyel maubert mutualite exelmans quatre septembre boissiere maison blanche bercy rue de la pompe grands boulevards porte de clignancourt michel ange molitor fort d'aubervilliers les halles segur saint jacques ecole veterinaire de maisons alfort villejuif paul vaillant couturier saint francois xavier porte de montreuil porte de versailles quai de la gare champs elysees clemenceau saint germain des pres mairie des lilas alma marceau pre saint gervais saint lazare pereire porte d'orleans chatillon montrouge anatole france lamarck caulaincourt pasteur raspail pernety alesia marcel sembat cardinal lemoine denfert rochereau republique mouton duvernet le peletier eglise de pantin les courtilles asnieres gennevilliers mabillon croix de chavaux saint ambroise porte de saint ouen notre dame des champs breguet sabin saint mande porte de clichy invalides boucicaut havre caumartin marx dormoy porte de choisy liege porte de saint cloud vavin liberte cour saint emilion saint placide porte d'ivry mairie d'issy porte maillot la tour maubourg censier daubenton cadet jasmin barbes rochechouart jussieu porte dauphine richard lenoir ledru rollin arts et metiers porte d'italie saint georges esplanade de la defense saint denis universite mairie d'ivry oberkampf faidherbe chaligny balard saint paul malakoff plateau de vanves simplon daumesnil chateau de vincennes saint augustin guy moquet robespierre voltaire porte de champerret garibaldi hotel de ville gambetta citerue du bac saint denis porte de paris parmentier solferino chatelet porte d'auteuil tolbiac dugommier anvers nation abbesses boulogne jean jaures passy chemin vert la fourche philippe auguste c01 c02 c03 c04 c05 Transport et IA 7/12
- 16. Introduction Applications Conclusion Projection spatiale des comportements Analyse différentiée des comportements gare de lyon marcadet poissonniers montgallet ranelagh villejuif louis aragon aubervilliers pantin porte de la chapelle campo formio billancourt chardon lagache pyramides couronnes danube volontaires saint maur telegraphe kleber monceau gare de l'est lourmel reaumur sebastopol ternes maraichers creteil pointe du lac charonne porte de bagnolet commerce tuileries villiersrome saint fargeau vaugirard ecole militaire buzenval chateau landon bir hakeim trinite d'estienne d'orves olympiades bel air gaite bolivar pyrenees pont marie rambuteau sevres lecourbe pont de levallois becon jacques bonsergent botzaris porte de vincennes montparnasse belleville franklin roosevelt pigalle reuilly diderot felix faure convention picpus nationale pont de sevres victor hugo plaisance jaures pont de neuilly blanche jules joffrin les agnettes ourcq palais royaltrocadero madeleine colonel fabien le kremlin bicetre richelieu drouot la chapelle europe charenton ecoles porte doree saint michel duroc bourse varenne mairie de montreuil vaneau creteil universite filles du calvaire odeon temple wagram 8 mai 1945 porte de charenton sevres babylone george v pelleport concorde malakoff rue etienne dolet creteil prefecture rennes porte de pantin dupleix michel bizot charles de gaulle etoile bastille mirabeau corentin cariou chaussee d'antin chateau rouge chevaleret brochant miromesnil crimee alexandre dumas avenue emile zola opera saint philippe du roule menilmontant place des fetes edgar quinet chateau d'eau saint sulpice la defense mairie de clichy gare du nordcourcelles glaciere creteil l'echat porte de vanves poissonniere pont neuf notre dame de lorette gabriel peri quai de la rapeejavel saint marcel corvisart charles michels maisons alfort stade louis blanc basilique de saint denis assemblee nationale michel ange auteuil les sablons cambronne malesherbes goncourtstrasbourg saint denis maisons alfort les juilliottes porte des lilas les gobelins pierre et marie curie hoche porte de la villette place monge argentine saint sebastien froissart pere lachaise boulogne pont de saint cloud eglise d'auteuil gallieni bibliotheque francois mitterrand place d'italie bobigny pantin jourdain laumiere etienne marcel buttes chaumont place de clichy bonne nouvelle villejuif leo lagrange corentin celton louise michel rue des boulets falguiere riquet mairie de saint ouen iena louvre rivoli la motte picquet grenelle sully morland bobigny pablo picasso berault avron sentier austerlitz la muette stalingrad carrefour pleyel maubert mutualite exelmans quatre septembre boissiere maison blanche bercy rue de la pompe grands boulevards porte de clignancourt michel ange molitor fort d'aubervilliers les halles segur saint jacques ecole veterinaire de maisons alfort villejuif paul vaillant couturier saint francois xavier porte de montreuil porte de versailles quai de la gare champs elysees clemenceau saint germain des pres mairie des lilas alma marceau pre saint gervais saint lazare pereire porte d'orleans chatillon montrouge anatole france lamarck caulaincourt pasteur raspail pernety alesia marcel sembat cardinal lemoine denfert rochereau republique mouton duvernet le peletier eglise de pantin les courtilles asnieres gennevilliers mabillon croix de chavaux saint ambroise porte de saint ouen notre dame des champs breguet sabin saint mande porte de clichy invalides boucicaut havre caumartin marx dormoy porte de choisy liege porte de saint cloud vavin liberte cour saint emilion saint placide porte d'ivry mairie d'issy porte maillot la tour maubourg censier daubenton cadet jasmin barbes rochechouart jussieu porte dauphine richard lenoir ledru rollin arts et metiers porte d'italie saint georges esplanade de la defense saint denis universite mairie d'ivry oberkampf faidherbe chaligny balard saint paul malakoff plateau de vanves simplon daumesnil chateau de vincennes saint augustin guy moquet robespierre voltaire porte de champerret garibaldi hotel de ville gambetta citerue du bac saint denis porte de paris parmentier solferino chatelet porte d'auteuil tolbiac dugommier anvers nation abbesses boulogne jean jaures passy chemin vert la fourche philippe auguste c01 c02 c03 c04 c05 high day high week medium day medium week low day low week Transport et IA 7/12
- 17. Introduction Applications Conclusion Prédiction de flux Signaux stationnaires Modèle de référence = moyenne du passé (jour, station) Idée: exploiter des réseaux à mémoire [Gers et al., 1999] − de monde le matin ⇒ − de monde le soir Impossible avec les modèles makoviens Difficile avec les modèles AR / ARIMA Un modèle par station We propose three recurrent architectures, introducing three different ways of dealing with spatial context. Two of them model it implicitly while the third one explicitly learns it. Each architecture is composed of a recurrent encoder E transforming the observations into hidden latent states. These states are then decoded into predictions using a linear layer D. Each of the models can then be completed with temporal context. Univariate RNN First of all, we consider each station separately. That is, we explicitly train S distinct RNNs over as many matrices of samples Xs 2 RN⇥T . In this case the input dimension of each RNN is 1, i.e. we compute p(xs t+1|xs t , ..., xs 0). The underlying assumption is that every station has a different dynamics and therefore requires a singular RNN. At time step t, for a station s the observation xs t 2 R and hidden state hs t 2 Rh are encoded via a singular encoder Es into a hidden state representing only this station, then decoded into a single- valued prediction ˆxs t+1. The process is described in Equation 1 and Figure 1. 8(s, t) 2 {1, .., S} ⇥ {1, .., T 1}, ˆxs t+1 = Ds (hs t+1) = Ds (Es (xs t , hs t )) (1) Observation Prediction Linear decoder Ds Encoder Es S distinct decoders S distinct encoders Figure 1: Computing one station’s s predictions using the univariate architecture. Vector xs of observations is processed by a dedicated recurrent encoder Es which computes a hidden state hs t+1 for each t which is decoded into the prediction by Ds .Transport et IA 8/12
- 18. Introduction Applications Conclusion Prédiction de flux Signaux stationnaires Modèle de référence = moyenne du passé (jour, station) Idée: exploiter des réseaux à mémoire [Gers et al., 1999] − de monde le matin ⇒ − de monde le soir Impossible avec les modèles makoviens Difficile avec les modèles AR / ARIMA Un modèle unique pour le réseau Under review as a conference paper at ICLR 2019 Observations Predictions Linear decoder DRecurrent encoder E Figure 2: Computing predictions using the multivariate architecture. Vector x of observations is processed by a recurrent encoder which computes a hidden state ht+1 for each t. This state, which Transport et IA 8/12
- 19. Introduction Applications Conclusion Prédiction de flux Signaux stationnaires Modèle de référence = moyenne du passé (jour, station) Idée: exploiter des réseaux à mémoire [Gers et al., 1999] − de monde le matin ⇒ − de monde le soir Impossible avec les modèles makoviens Difficile avec les modèles AR / ARIMA Un modèle contextuel (modèle unique, représentation du contexte fournie) Multivariate RNN - that allows to take into account the correlations between the statio y reduces the number of weights. ime, spatial context is explicitly learned in the form of a matrix of spatial embe RS⇥ s , hence the name Spatial RNN. For each station s, the corresponding emb oncatenated to the observation as in Equation 3 where c is the concatenation operation e step t, for a station s, the observation xs t 2 R is concatenated to the embedding zs 2 sulting vector and hidden state hs t 2 Rh are encoded via the common encoder E into a epresenting only this station. This state is then decoded into a single-valued prediction gure 3 for an illustration. 8(s, t) 2 {1, .., S} ⇥ {1, .., T 1}, ˆxs t+1 = D(hs t+1) = D(E(c(xs t , zs ), hs t )) Observation Prediction Linear decoder DRecurrent encoder E 3: Computing one station’s s predictions using the spatial architecture. ObservationTransport et IA 8/12
- 20. Introduction Applications Conclusion Prédiction de flux : résultats Evolution de l’erreur en fonction de l’horizon de prédiction Prédiction sur un jour particulier non appris t+1 t+2 t+3 t+4 t+5 t+6 t+7 t+8 t+9 t+10 25 30 35 40 45 50 55 Increase in RMSE with the number of steps to predict Baseline Multivariate GRU Day&Time Multivariate GRU Spatial GRU Day&Time Spatial GRU Univariate GRU Day&Time Univariate GRU 04:00 05:00 06:00 07:00 08:00 09:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 00:00 01:00 02:00 03:00 0 200 400 600 800 Logs Wed - 2015-11-04 PONT DE LEVALLOIS-BECON Ground truth Baseline - RMSE = 108.60 Multivariate GRU - RMSE = 34.93 Univariate GRU - RMSE = 19.01 Spatial GRU - RMSE = 16.35 Transport et IA 9/12
- 21. Introduction Applications Conclusion Prédiction/caractérisation des anomalies Modèle Usager Histo Logs Modèle Station Nouveaux Logs Ecarts Anomalies Ecarts Différents modèles Variations de flux sur une station : données brutes vs données analysées Variations des comportements des usagers : spatial / temporel Agrégation [résistance au bruit] Prédiction / caractérisation des anomalies Problème de supervision / évaluation [Tonnelier et al., 2017] Transport et IA 10/12
- 22. Introduction Applications Conclusion Prédiction/caractérisation des anomalies Modèle Usager Histo Logs Modèle Station Nouveaux Logs Ecarts Anomalies Ecarts Différents modèles Variations de flux sur une station : données brutes vs données analysées Variations des comportements des usagers : spatial / temporel Agrégation [résistance au bruit] Prédiction / caractérisation des anomalies Problème de supervision / évaluation [Tonnelier et al., 2017] Transport et IA 10/12
- 23. Introduction Applications Conclusion Conclusions et perspectives Nombreuses opportunités : Comportements d’usagers, de conducteurs, de réseaux, ... Peu de travaux en machine learning sur les données billétique Perspectives: Dépendances spatiales & temporelles dans les anomalies Applications connexes: Maintenance prédictive, prédictions climatiques, réseaux de capteurs ⇒ des séries spatio-temporelles multivariées RGPD : quelles données demain? Transport et IA 11/12
- 24. Introduction Applications Conclusion Bibliography Black, J. A., Paez, A., and Suthanaya, P. A. (2002). Sustainable urban transportation: performance indicators and some analytical approaches. Journal of urban planning and development, 128(4):184–209. Ceapa, I., Smith, C., and Capra, L. (2012). Avoiding the crowds: understanding tube station congestion patterns from trip data. In ACM SIGKDD 2012, pages 134–141. ACM. Foell, S., Kortuem, G., Rawassizadeh, R., Phithakkitnukoon, S., Veloso, M., and Bento, C. (2013). Mining temporal patterns of transport behaviour for predicting future transport usage. In UbiComp 13, pages 1239–1248. ACM. Gers, F. A., Schmidhuber, J., and Cummins, F. (1999). Learning to forget: Continual prediction with lstm. Golias, J. C. (2002). Analysis of traffic corridor impacts from the introduction of the new athens metro system. Louail, T., Lenormand, M., Cantú, O. G., Picornell, M., Herranz, R., Frias-Martinez, E., Ramasco, J. J., and Barthelemy, M. (2014). From mobile phone data to the spatial structure of cities. arXiv:1401.4540. Poussevin, M., Baskiotis, N., Guigue, V., and Gallinari, P. (2014). Mining ticketing logs for usage characterization with nonnegative matrix factorization. In ECML, Workshop SenseML. Song, C., Qu, Z., Blumm, N., and Barabási, A.-L. (2010). Limits of predictability in human mobility. Science, 327(5968):1018–1021. Tonnelier, E., Baskiotis, N., Guigue, V., and Gallinari, P. (2016). Smart card in public transportation: designing a analysis system at the human scale. In ITSC. Tonnelier, E., Baskiotis, N., Guigue, V., and Gallinari, P. (2017). Anomaly detection and characterization in smart card logs using nmf and tweets. Transport et IA 12/12