Paper Title (use style: paper title)

Réflexions sur la conception des
modèles de mobilité humaine
Etienne Thuillier
UTBM, OPERA, 90000 Belfort France
{pré[email protected]}
Résumé—
La
localisation
par
les
réseaux
de
télécommunication est développée et utilisée depuis plusieurs
années dans différents domaines d’application ; initialement
prévue pour fournir des informations de position à destination
des utilisateurs du réseau. Ces données ont apporté de nouvelles
perspectives dans divers champs technologiques comme la
planification urbaine, le positionnement en environnement
indoor, mais surtout pour la prévision et modélisation de la
mobilité humaine. Pour cela, et de manière instinctive, la plupart
des systèmes visant à localiser et modéliser cette mobilité
humaine ont basé leur conception sur un même ensemble de
processus jusqu’alors non formalisé. Nous proposons ici un métamodèle de conception des modèles de mobilité humaine divisé en
trois parties : la Collection des données de mobilité (récupération
des sources), l’Interprétation des données (génération
d’indicateurs de mobilité) et la Visualisation des données
(retranscription des indicateurs). Nous appelons ce modèle le «
modèle CIV ». La formalisation de ce modèle de processus
s’applique particulièrement pour décrire les systèmes présentés
dans la littérature, notamment sur les travaux de mobilité
présentés par le SENSEable City Laboratory du MIT (Real Time
Rome, LIVE Singapore!), IBM Research (AllAboard) ou encore
le projet Territoires Mobile de l’UTBM.
Mots clés— mobilité humaine ; modèles de mobilité ; ITS
I. ENJEUX ET OBJECTIFS
Les modèles de mobilité sont des outils de simulation et de
visualisation des mouvements générés par des objets mobiles
dans un environnement. Les modèles de mobilité humaine,
variantes de ces modèles de mobilité, sont utilisés depuis
plusieurs décennies par les organismes de gestion de territoire
mais également dans les systèmes de transport intelligents ;
ces modèles permettent de pallier l’acquisition de données
couteuses temporellement et financièrement. C’est suite aux
demandes croissantes d’innovations dans la planification
d’offres de transport dès les années 1950 que les modèles de
mobilité ont été créés [1]. Initialement conçus pour fournir des
prévisions sur le trafic routier, ils ont rapidement apporté de
nouvelles perspectives dans divers champs technologiques
comme la prévision de l’utilisation et de la saturation de
réseaux de télécommunication [2], le positionnement en
environnement indoor [3], la planification urbaine et la
conception de nouvelles infrastructures de transport [4], la
dispersion de maladies [5][6], etc. Les modèles de mobilité
sont donc utilisés par un grand nombre de champs
scientifiques, mais bénéficient également des retours de ces
domaines d’application.
Il s’avère que dans tous ces différents domaines un des
objectifs communs reste de modéliser et de prévoir les
mouvements d’individus en environnements plus ou moins
clos. De manière instinctive, la plupart des travaux qui visent à
modéliser la mobilité humaine se sont calqués sur un même
schéma de conception jusqu’alors non normalisé, et que l’on
pourrait qualifier de méta-modèle.
L’utilisation d’un même méta-modèle pour la conception
de systèmes de simulation de mobilité humaine est notamment
un enjeu important dans le domaine des transports intelligents.
La normalisation notamment de la conception de ces systèmes
prévisionnels permettrait un échange de données simplifié à
différentes échelles entre les différents acteurs de la
conception du système de mobilité.
Nous proposons dans cet article de décrire et de formaliser
ce méta-modèle de conception. Nous essayons également de
comprendre quels sont les véritables enjeux d’un tel système,
et nous proposons quelques réflexions sur les axes de
recherche à explorer.
Cet article est composé de cinq parties, d’abord nous
faisons un point sur les modèles de mobilité et sur les
systèmes de simulation de mobilité humaine. Dans la
troisième section nous présentons quelques projets et travaux
de recherche internationaux sur la mobilité. La quatrième
section présente nos réflexions sur un méta-modèle de
conception. Enfin, la dernière partie reviendra sur les
perspectives offertes par ce méta-modèle.
II. MODÉLISATION DE LA MOBILITÉ HUMAINE
A. Modélisation et simulation
Les modèles de mobilité humaine sont des outils de
simulation et de visualisation de la mobilité engendrée par des
individus au sein d’un territoire. Ces modèles ont été créés
dans un but de simulation de flux de mobilité et sont
notamment utilisé par différents acteurs territoriaux pour
pouvoir comprendre la dynamique de leur territoire.
L’avantage de ces modèles de mobilité humaine est de
pouvoir pallier l’absence de données de mobilité. En effet, les
données de mobilité dites classique telles que les enquêtes
ménage déplacement (EMD) sont souvent longues à
implémenter, à générer, et à utiliser. Elles sont donc couteuses
en temps et en argent. Les modèles de mobilité humaine
permettent alors de virtualiser des mouvements que pourraient
avoir des individus dans des zones d’études.
La plupart de ces modèles utilisent des modèles
synthétiques. Les modèles synthétiques (ou mathématiques)
correspondent au cœur d’un modèle de mobilité humaine, ce
sont les algorithmes et fonctions mathématiques qui vont
prendre en compte l’environnement, les individus, et générer
les mouvements virtuels de ces individus [2][7][8]. On
comprend alors l’importance pour de tels modèles d’avoir
accès à un maximum d’informations sur l’environnement et le
type d’individus à simuler.
B. Les modèles synthétiques
On retrouve la définition de modèle synthétique dans [7]
qui propose déjà de classifier ces modèles mathématiques en
différentes catégories selon leurs caractéristiques de
conception et dépendances. Les modèles synthétiques sont
définis par différentes composantes ; l’application demandée
par l’utilisateur de ce modèle (simulation de mobilité ou
représentation de la mobilité), le niveau de détail souhaité
(micro ou macro modèles selon l’échelle), la dimension de la
représentation (par exemple en 2 ou 3 dimensions), et le degré
d’aléa dans la simulation.
Nous proposons de revenir sur trois principaux types de
modèles synthétiques.
1) Les modèles aléatoires
Les modèles aléatoires ont été introduits pour permettre la
simulation de réseaux ad-hoc, notamment pour simuler
l’occupation et l’utilisation de cellules radio par une
population. Dans ces modèles, les positions, vitesses et angles
des objets mobiles sont déterminés aléatoirement. On pourra
citer par exemple les modèles random walk, random waypoint
et random trip. Cependant, du à leur faible propension à
représenter les mouvements humains, les modèles aléatoires
ne sont généralement pas utilisés dans les modèles de mobilité
humaine.
Figure 1: Différentes visualisations de modèles aléatoires : modèles
random walk, random waypoint et random trip
2) Les modèles dépendants
Les modèles dépendants sont également utilisés pour
simuler les flux dans des réseaux ad-hoc. Contrairement aux
modèles aléatoires, pour déterminer les prochaines positions
d’un objet mobile, les modèles dépendants utilisent les
informations concernant les précédentes positions, vitesses et
mouvements. Pour cela on distingue plusieurs types de
dépendances : par exemple, une dépendance au temps, à
l’espace simulé, ou à la géographie de l’environnement. On
pourra citer respectivement les modèles Gauss-Markov,
reference-point group et mask-based. On considère que ces
modèles proposent une représentation plus fidèle des
mouvements et des déplacements générés par les humains.
Figure 2: Différentes visualisations de modèles dépendants:
modèles Gauss-Markov, reference-point group et mask-based
3) Les modèles déterministes
Les modèles déterministes utilisent les données issues de
traces réelles de mobilité pour déterminer les positions des
objets mobiles. Ils utilisent donc un très faible degré d’aléa
pour la simulation de la mobilité. Parmi ces modèles on
retrouve les modèles de gravité [9], de fluides, mais également
les modèles à quatre étapes [10]. Ces modèles déterministes
sont généralement les plus performants quant à la simulation
de la mobilité humaine.
Figure 3: Visualisation du modèle à 4 étapes
C. Les modèles de mobilité
Les modèles synthétiques ont cependant une conception
assez simple et leur fonctionnement peut être assimilé à une
boite noire: Entrée, Modélisation, Sortie. Ils utilisent en entrée
des données de mobilité plus ou moins aléatoires, ainsi que
des informations sur l’environnement et sur la temporalité,
puis en utilisant les algorithmes ils génèrent des traces de
mobilité.
Cependant, ces modèles synthétiques ne sont utilisés que
pour simuler la mobilité, et en aucun cas ils ne permettent de
prospecter les sources disponibles de mobilité, ni ne
permettent les mêmes utilisations que des outils avancés de
simulation de mobilité urbaine et d’aide à la décision.
On parle alors de modèles de mobilité, qui permettent de
prendre en compte ces deux étapes : de collection des sources
de mobilité et de conception d’outils de visualisation.
Ces modèles de mobilité sont notamment utilisés par les
collectivités locales pour : l’étude et la compréhension de la
mobilité de leur territoire, le dimensionnement de leur réseau
et la création de nouvelles infrastructures.
III. ETAT DE L’ART
Nous proposons d’étudier plusieurs modèles de mobilité
conçus et utilisés pour de grands projets internationaux. Nous
décrivons les modèles synthétiques utilisés, leur degré d’aléa,
les sources réelles de mobilité utilisées pour la simulation ainsi
que les données de sorties du modèle. Ces données de sorties
correspondent dans la majorité des cas à une simple
représentation des flux de mobilité.
A.
Amsterdam
Le projet Amsterdam Real Time Project1 de 2002 a été
présenté pour l’exposition « Maps of Amsterdam 18662000», il constitue l’un des premiers cas d’étude de la mobilité
humaine à grande échelle. Les habitants d’Amsterdam ont été
invités à utiliser des PDA équipés de traceurs GPS. Ces
récepteurs ont récupéré les données en temps réel des
positions des utilisateurs. Puis l’algorithme utilisé a permis
d’accumuler les traces observées. Les positions repérées ont
ainsi pu être affichées sur un fond de carte noire, révélant les
routes naturelles les plus empruntées par la population du
territoire. (Waag Society & Esther Polak)
B.
Milan
C’est en 2004 que le projet Mobile landscape – Milan : A
case study [11] a été proposé dans le but de montrer le
potentiel des services basés sur la localisation quant à la
représentation de la mobilité humaine. Le modèle de mobilité
utilise en entrée des données provenant d’un opérateur de
téléphonie italien : des données d’activité des cellules radio
d’un territoire donné (Milan), des données d’enregistrement
anonymes (Call Detail Records) et les positions géographiques
des cellules radios étudiées. Les données ont ensuite été
utilisées dans un modèle mathématique qui a pu estimer les
densités de population à différents moments et différents
endroits. La représentation de ces données s’est faite sous
forme de carte de chaleur. (SENSEable City Laboratory)
C.
Rome
Le projet Real Time Rome [12] a été présenté la première
fois à la biennale de Venise en 2006. Comme pour le projet de
Milan, les auteurs ont cherché à révéler des aspects inconnus
d’une grande ville. Pour cela, le modèle de mobilité utilise des
données de télécommunication, des données d’enregistrement
provenant d’opérateur de téléphonie, des données de
trajectoires GPS d’opérateurs de bus et de taxis, mais
également des données sonores, des données de densité de
piétons et de voitures. Ces données ont ensuite été traitées
mathématiquement pour pouvoir générer des cartes de densité
et des estimations de trajectoires. (SENSEable City
Laboratory)
D.
Belfort
Le projet Territoires Mobiles2 proposé dans le cadre du
« Pole Véhicule du Futur » de 2009 vise à comprendre la
mobilité engendrée par les utilisateurs d’un territoire. Ce
modèle de mobilité utilise pour cela des données provenant
d’opérateurs de téléphonie mobile dans le but de les interpréter
et de les corréler avec des données de description du sursol
ainsi que des données provenant d’enquêtes nationales comme
des enquêtes ménage-déplacement (EMD). Le modèle
synthétique utilisé est basé sur le mask-based mobility model
[13], et permet un découpage maillé du territoire en attribuant
des coefficients d’attractivité de chaque maille en fonction de
chaque moment de la journée. Le modèle de mobilité affiche
alors les flux origine-destination mais également des cartes de
densité. Par ailleurs le modèle de mobilité est complété par des
outils d’aide à la décision concernant la dynamique du
territoire. (OPERA, Université de Technologie de BelfortMontbéliard)
E.
Paris
Le modèle GLOBAL [14] proposé par la RATP en 2010
est un projet national français qui utilise des données
provenant d’enquêtes ménages déplacement pour alimenter un
modèle à quatre étapes (modèle déterministe). Ce modèle de
mobilité propose une planification complète des
infrastructures de transport couplé à une planification des
offres de transport. En parallèle ce modèle de mobilité utilise
des données de densité de population, catégories socioprofessionnelles des résidents du territoire, et des données
d’information géographiques. En sortie du modèle de mobilité
on retrouve divers outils de visualisation comme les offres de
transport générées, temps de trajets, cartes de congestion du
trafic et information multi-modale. (RATP)
F.
Singapore
Dans la lignée des projets sur Milan et Rome, LIVE
Singapore!3 est un projet présentant un modèle de mobilité
urbaine. Le modèle de mobilité vise à montrer comment une
ville réagit aux interactions de ses résidents, et permet ainsi
aux décideurs d’avoir une vision améliorée de leurs territoires.
En entrée du modèle de mobilité on retrouve les mêmes types
de données que pour le projet de Rome comme les trajectoires
GPS de bus et taxis, des données météorologiques,
consommation d’électricité, données téléphoniques et données
portuaires. Puis une plateforme de collecte de données urbaine
en temps réel utilise ces données et génère des indicateurs de
mobilité sur le territoire. Par la suite un module de
visualisation affiche les indicateurs souhaités par les
utilisateurs comme des cartes isochroniques, cartes de chaleur,
détection de foules, information en temps réel des réseaux
cellulaires, etc. (SENSEable City Laboratory)
2
1
http://realtime.waag.org/en_index.html
3
http://www.youtube.com/watch?v=xUTgraID07w
http://senseable.mit.edu/livesingapore/index.html
G.
Abidjan
Le projet Data 4 Development en 2012 a permis la libre
utilisation d’une large quantité de données cellulaires en Côte
d’Ivoire pour des recherches scientifiques. A cette occasion, le
projet AllAbroad [15] a été présenté : il s’agit d’un modèle de
mobilité visant à optimiser le transit routier et les flux de
déplacements en Côte d’Ivoire. Le système est basé sur une
architecture modulaire : un module d’étude de la mobilité
réelle, un module de planification d’offre de transport, et un
module d’étude sur les utilisateurs. Le modèle de mobilité
utilise des données de réseaux de téléphonie ainsi que des
informations relatives au territoire. Le premier module utilise
différents algorithmes pour générer des flux originedestination, détection de trajectoires et d’arrêts, détection de
profils récurrents de mobilité, etc. Le second module utilise les
indicateurs de mobilité générés précédemment afin de
modéliser une offre de transport adaptée au territoire.
Finalement, des outils de visualisation permettent une
représentation de ces indicateurs de mobilité, mais également
des offres de transport proposées. (IBM Research)
H.
Riyadh
Le projet Urban Traffic System [16] est un modèle de
mobilité qui vise à proposer des solutions à court et long terme
quant aux problèmes de mobilité humaine et urbaine dans la
ville de Riyad. Ce modèle de mobilité propose à court terme
d’utiliser un modèle de trafic routier pour améliorer les
performances du réseau actuel. Sur le long terme, le modèle de
mobilité prévoit d’étudier l’impact des modifications des
infrastructures sur les utilisateurs du territoire. Ces interactions
sont alors utilisées pour extraire des schémas de mobilité et
comprendre la dynamique du territoire. Par ailleurs le modèle
de mobilité utilise deux modèles synthétiques : un macro
modèle qui étudie la mobilité humaine, les flux routiers, les
offres de transport et l’étude des impacts sur le long terme,
ainsi qu’un micro modèle qui identifie les problèmes de
congestion en temps réel du trafic et qui propose des solutions
mathématiques pour les réduire. Les deux modèles
synthétiques utilisent des données plus ou moins agrégées
provenant de réseaux de téléphonie, de comptages routiers, et
d’informations routières. Les indicateurs de mobilité ainsi
générés sont ensuite affichés au travers d’une interface
graphique interactive. (SENSEable City Laboratory)
graphiquement pour fournir des aides à la décision, ou alors
pour de simples représentations de la dynamique du territoire.
Il est donc évident que tous les modèles de mobilité
suivent un même processus de conception. L’observation des
modèles de mobilité humaine utilisés dans ces grands projets
nous permet de proposer un framework conceptuel divisé en
trois parties : La Collection, L’Interprétationet la Visualisation
des données de mobilité. Nous appelons ce modèle le modèle
CIV. Ce dernier bien que très simpliste n’a pour autant jamais
été explicitement décrit dans la littérature. Il s’agit alors d’un
patron, une sorte de méta-modèle de conception des modèles
de mobilité. Nous proposons une formalisation de chacune
des étapes nécessaires au développement d’un modèle de
mobilité. Par ailleurs, nous explicitons comment chacun des
modèles de mobilité étudiés précédemment s’inscrit dans ce
méta-modèle de conception.
Le modèle CIV est construit selon un enchainement
d’étapes logiques, suivant l’ordre Collection, Interprétation
puis Visualisation des données de mobilité. En se référant aux
différents travaux étudiés, on remarque que la visualisation
des indicateurs de mobilité entraine de profondes
modifications de nos rapports vis-à-vis du territoire, impactant
ainsi les deux étapes de collection des données et
d’interprétation des données. Cet effet de feedback influe sur
le choix des données de mobilité à utiliser, mais également sur
la calibration des modèles synthétiques utilisés.
La figure suivante représente le processus de conception
des modèles de mobilité. Chaque case représente une étape du
modèle CIV. Les flèches représentent les liens entre les
différentes étapes du modèle. L’impact intervient sur les deux
premières étapes du modèle.
IV. REFLEXIONS
Nous venons de présenter différents modèles de mobilité
qui ont chacun apporté des idées nouvelles dans l’étude de la
mobilité humaine. Chaque modèle de mobilité utilise des
sources de données de mobilité qui lui sont propres (données
de téléphonies, enquêtes ménages-déplacement, traces GPS,
etc.) qui servent comme base pour un ou plusieurs modèles
synthétiques. Ces modèles synthétiques sont utilisés pour
simuler la mobilité au sein d’un territoire avec un degré d’aléa
plus ou moins contrôlé. Ils génèrent ensuite des indicateurs de
mobilité, des traces, des flux de déplacements, qui sont utilisés
Figure 4: Le modèle CIV
A. Collection
La collection des données constitue la première étape du
modèle CIV. Dans cette partie le modèle essaye de construire
les bases qui seront utilisées par le ou les modèles
synthétiques, ainsi que les indicateurs de mobilité qui devront
être générés.
Dans cette partie différentes sous-étapes s’enchainent.
Premièrement, le modèle de mobilité doit rechercher
différentes sources de mobilité, construire des relations avec
des fournisseurs de données ainsi que définir le cadre
d’utilisation de ces données. Puis, une campagne de collection
des données est lancée : il s’agit d’extraire les données
sélectionnées telles que données par le fournisseur. Les
données peuvent ensuite transiter vers des espaces de
stockages généralisés. Ces données peuvent être formatées de
différentes manières, il faut donc penser à la corrélation entre
elles. En fonction de l’architecture des modèles synthétiques
employés par la suite, de l’information de mobilité est extraite
de ces données.
Il y a une forte corrélation entre les différentes sous-étapes
de cette partie. Les formats d’échanges, les bases de données
formées, les informations extraites sont des points sensibles et
extrêmement influents sur le reste de la conception du modèle
de mobilité.
B. Interprétation
L’interprétation des données constitue la deuxième partie
du modèle CIV. Elle utilise les informations extraites de
l’étape de collection des données pour alimenter un ou
plusieurs modèles synthétiques qui fournissent des indicateurs
de mobilité. C’est lors de cette étape que le modèle essaye
d’utiliser la meilleure combinaison d’algorithmes pour générer
les indicateurs de mobilité. Les modèles synthétiques peuvent
être choisis selon les informations de mobilité disponibles,
mais leur calibration passe avant tout par la pertinence des
sources de mobilité choisies.
Cette étape est divisée en trois sous-parties : premièrement
l’introduction d’information de mobilité dans les modèles
synthétiques, puis l’utilisation de ces modèles, et enfin la
génération d’indicateurs de mobilité. Une étape de calibration
est également nécessaire pour adapter et ajuster les paramètres
des modèles synthétiques.
Lors de la première sous-partie, l’extraction des
informations de mobilité peut avoir déjà été effectuée par la
partie Collection du modèle CIV. Cependant, dans la plupart
des cas, les modèles synthétiques sont implémentés de telle
sorte qu’ils puissent effectuer l’extraction lors de cette
deuxième étape. Lors de la deuxième sous-partie, les modèles
synthétiques utilisent les informations de mobilité pour
générer leur simulation de mobilité. Cette simulation se doit
d’être la plus proche possible de la réalité. La troisième souspartie correspond à la génération d’indicateurs de mobilité tels
que les flux origine-destination, informations de densité, de
temps de parcours, génération d’offres de transport, etc. Ces
indicateurs sont également utilisés pour calibrer les modèles
synthétiques : ils permettent d’ajuster les différents
paramètres.
C. Visualisation
La dernière étape du modèle CIV est la visualisation des
indicateurs de mobilité. Cette troisième étape est cependant
plus complexe qu’une simple représentation des données
d’entrée du modèle : elle permet de retranscrire les indicateurs
de mobilité générés, mais également d’impacter sur les deux
précédentes étapes grâce notamment aux outils d’aide à la
décision, mais également aux outils de data mining.
Le modèle utilise une combinaison d’outils de
visualisation de deux types : un affichage des indicateurs de
mobilité avec différents filtres possibles, mais également
l’affichage d’informations utiles pour de l’aide à la décision.
La visualisation est très importante pour les décideurs
territoriaux, elle impacte les choix présents, mais également
les choix futurs sur les sources de données à utiliser. Par
ailleurs, grâce aux outils d’analyse de données de masse, cette
étape permet de révéler différents problèmes ou blocages qui
seraient passés inaperçus aux outils d’analyse traditionnels.
D. Cas d’étude
Notre approche est d’elle-même auto-validée par les
précédents travaux que nous avons étudiés ; tous sont
construits selon les 3 étapes du modèle CIV. Nous allons donc
essayer de valider notre modèle en imaginant la conception
d’un modèle de mobilité humaine qui sera utilisé pour
l’analyse de la dynamique d’un territoire.
Premièrement l’étape de Collection : Il faut tout d’abord
savoir quels sont les opérateurs de transport dans le territoire,
quelle est la couverture téléphonique, la possibilité d’utiliser
des dispositifs GPS pour la population (applications
smartphone par exemple), et s’il y a d’autres indicateurs de
mobilité présents sur le territoire. Puis il faut pouvoir collecter
ces données de mobilité, les stocker, les formater, mais surtout
extraire des informations de mobilité : une donnée GPS donne
une information de localisation en quatre dimensions par
exemple, et une collection de traces GPS donne une
trajectoire. Nous supposerons ici que nous n’avons accès qu’a
des données de réseau de téléphonie mobile.
Une fois les informations de mobilité extraites, la partie
Interprétation du modèle se charge d’analyser ces
informations, et de les utiliser pour générer des traces de
mobilité. En l’occurrence, un modèle synthétique de type
mask-based utilise les informations de localisation, couplées à
des informations sur le sursol du territoire pour attribuer des
coefficients d’attractivité sur les différentes zones de ce
territoire. Il génère ainsi des flux origine-destination redressés
en fonction des coefficients. On pourra également utiliser
d’autres modèles synthétiques pour de l’aide à la décision. Les
modèles synthétiques génèrent des indicateurs de mobilité du
territoire.
Enfin, il faut afficher ces indicateurs de mobilité, pour cela
la partie Visualisation du modèle se charge de la présentation,
le plus souvent imagé de façon graphique pour l’utilisateur
final. C’est dans cette partie également que se retrouvent les
outils d’aide à la décision, qui permettent aux acteurs
territoriaux de mieux comprendre leur environnement. Par
ailleurs, on retrouve dans cette partie les outils d’analyse de
données, qui permettent d’impacter les deux précédentes
étapes : tout d’abord, si les indicateurs ne sont pas assez fiable,
on pourra inclure une nouvelle source de données et impacter
la partie Collection, ensuite si les indicateurs ne renvoient pas
une information jugée précise, on pourra alors modifier les
modèles synthétiques et impacter la partie Interprétation.
V. CONCLUSION
De par nos observations de différents modèles de mobilité
utilisés dans divers projets nationaux nous avons pu retirer une
structure commune utilisée pour la conception de ces modèles.
Bien que n’ayant jamais été explicitement décrit, ce processus
très simple permet de structurer la conception des modèles de
mobilité en trois axes ; Collection des données de mobilité,
Interprétation des données par un ou plusieurs modèles
synthétiques et enfin Visualisation de ces données et
indicateurs de mobilité.
Il apparait alors que la normalisation de cette structure
pour la conception de ces modèles de mobilité humaine est un
véritable chalenge sur le long terme. Les échanges
d’indicateurs de mobilité à différentes étapes de ces modèles
pourraient permettre des avancées significatives dans les
domaines du développement urbain et du transport en général
à des échelles nationales et internationales.
VI. REFERENCES
[1] PREDIT, “La modélisation dans les transports terrestres,
présidé par Gilles Kahn, directeur scientifique INRIA,”
PREDIT, 1999.
[2] M. Musolesi and C. Mascolo, “Mobility Models for
Systems Evaluation,” in Middleware for Network
Eccentric and Mobile Applications, B. Garbinato, H.
Miranda, L. Rodrigues, B. Garbinato, H. Miranda, and L.
Rodrigues, Eds. Berlin, Heidelberg: Springer Berlin
Heidelberg, 2009, pp. 43–62.
[3] J. Krumm and E. Horvitz, “LOCADIO: inferring motion
and location from Wi-Fi signal strengths,” in The First
Annual International Conference on Mobile and
Ubiquitous Systems: Networking and Services, 2004.
MOBIQUITOUS 2004, 2004, pp. 4–13.
[4] M. Wegener, “Transport Geography and Spatial
Systems,” vol. 5, D. A. Hensher and K. Button, Eds.
Pergamon/Elsevier Science, Kidlington, UK, 2004, pp.
127–146.
[5] S. Meloni, N. Perra, A. Arenas, S. Gómez, Y. Moreno,
and A. Vespignani, “Modeling human mobility responses
to the large-scale spreading of infectious diseases,” Sci.
Rep., vol. 1, Aug. 2011.
[6] EPIcx, GleamViz, global epidemic and mobility Model,
Northeastern University, Boston, USA, ISI Foundation,
Turin, Italy. .
[7] T. Camp, J. Boleng, and V. Davies, “A Survey of
Mobility Models for Ad Hoc Network Research,” Wirel.
Commun. Mob. Comput. WCMC Spec. Issue Mob. Ad
Hoc Netw. Res. Trends Appl., vol. 2, no. 5, pp. 483–502,
2002.
[8] F. Bai and A. Helmy, Chapter 1 A SURVEY OF
MOBILITY MODELS in Wireless Adhoc Networks. .
[9] G. Krings, F. Calabrese, C. Ratti, and V. D. Blondel,
“Urban gravity: a model for inter-city telecommunication
flows,” J. Stat. Mech. Theory Exp., vol. 2009, no. 07, p.
L07003+, Jul. 2009.
[10] M. G. Mcnally, “The four step model,” in Handbook of
Transport Modelling, 2000, pp. 35–52.
[11] C. Ratti, R. M. Pulselli, S. Williams, and D. Frenchman,
“Mobile Landscapes: using location data from cell
phones for urban analysis,” Environ. Plan. B Plan. Des.,
vol. 33, no. 5, pp. 727–748, 2006.
[12] F. Calabrese, M. Colonna, P. Lovisolo, D. Parata, and C.
Ratti, “Real-Time Urban Monitoring Using Cell Phones:
A Case Study in Rome,” IEEE Trans. Intell. Transp.
Syst., vol. 12, no. 1, pp. 141–151, Mar. 2011.
[13] C. Joumaa, A. Caminada, and S. Lamrous, “Mask Based
Mobility Model A new mobility model with smooth
trajectories,” in Modeling and Optimization in Mobile, Ad
Hoc and Wireless Networks and Workshops, 2007. WiOpt
2007. 5th International Symposium on, 2007, pp. 1–6.
[14] RATP, “Réseau de métro automatique du Grand Paris •
Prévisions de trafic,” 2010.
[15] M. Berlingerio, F. Calabrese, G. D. Lorenzo, R. Nair, F.
Pinelli, and M. L. Sbodio, “AllAboard: A System for
Exploring Urban Mobility and Optimizing Public
Transport Using Cellphone Data,” in Machine Learning
and Knowledge Discovery in Databases, H. Blockeel, K.
Kersting, S. Nijssen, and F. Železný, Eds. Springer Berlin
Heidelberg, 2013, pp. 663–666.
[16] F. Alhasoun, A. Almaatouq, K. Greco, R. Campari, A.
Alfaris, and C. Ratti, “The City Browser: Utilizing
Massive Call Data to Infer City Mobility Dynamics,”
2014.
Etienne Thuillier received a DUT (B.S.
degree) in computer sciences from the IUT
of Lannion, France, in 2010 and the title of
engineer in computer sciences (M.S.
degree) at Belfort-Montbéliard University
of Technology (UTBM), France, in 2013.
He is currently pursuing a Ph.D. degree in
computer sciences at the OPERA
laboratory, at the UTBM.
During the first semester of 2011 he was a research intern at
the Wuhan University of Technology, Wuhan, Hubei
Province, China. He did his last year project in 2013 at the
Advanced Information Technologies Research Group
(GITIA), San Miguel de Tucuman, Argentina. In 2014 he was
a team leader as part of the ComplexCity project between the
UTBM and the Institute of Smart City, at Shanghai University
of Technology (UTSEUS), in China. His research interest
includes
Intelligent
Transportation
Services
(ITS)
technologies, and more generally human and urban mobility.