Thèse soutenue

Analyse non supervisée de données issues de Systèmes de Transport Intelligent-Coopératif
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Brice Leblanc
Direction : Hacene FouchalCyril de Runz
Type : Thèse de doctorat
Discipline(s) : Info - Informatique
Date : Soutenance le 08/07/2020
Etablissement(s) : Reims
Ecole(s) doctorale(s) : Ecole doctorale Sciences du Numérique et de l’Ingénieur (Reims, Marne)
Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (CRESTIC) EA 3804 (Reims, Marne)
Jury : Président / Présidente : Olivier Flauzac
Examinateurs / Examinatrices : Cyril de Runz, Lyes Khoukhi, Baya Lydia Boudjeloud-Assala, Hacène Fouchal, Paola Flocchini, Eric Renault, Mustapha Lebbah
Rapporteurs / Rapporteuses : Lyes Khoukhi, Baya Lydia Boudjeloud-Assala

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Cette thèse se situe dans le contexte des réseaux véhiculaires (VANET), et plus particulièrement dans le contexte des Systèmes de Transport Intelligent-Coopératif (STI-C). Ces systèmes échangent des informations pour améliorer la sécurité routière.Le but de cette thèse est d'introduire des outils d'analyse de données qui peuvent fournir aux opérateurs routiers des informations sur l'utilisation et état de leurs infrastructures. Par conséquent, ces informations peuvent contribuer à améliorer la sécurité routière. Nous identifions deux cas que nous voulons traiter : l'identification des profils de conduite et la détection des obstacles routiers.Pour traiter ces questions, nous proposons d'utiliser des approches d'apprentissage non supervisées : des méthodes de regroupement pour l'identification des profils de conduite, et la détection de changement de concept pour la détection des obstacles. Cette thèse présente trois contributions principales : une méthodologie nous permettant de transformer les données brutes des STI-C en un ensemble de trajectoires puis de données d'apprentissage ; l'utilisation de méthodes classiques de regroupement et des points d'intérêt pour les profils de conduite avec des expériences sur les données issues des appareils mobiles et des journaux du réseau ; et la prise en compte d'une foule de véhicules fournissant des journaux du réseau considérés comme flux de données en entrée d'algorithmes de détection de changement de concept pour reconnaître les obstacles routiers.