Paper Title (use style: paper title)
Transcription
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.