Analyse non supervisée de données issues de Systèmes de Transport Intelligent-Coopératif

Unsupervised analysis of Cooperative-Intelligent Transport Systems data

• Auteur / Autrice : Brice Leblanc
• Direction : Hacène Fouchal, Cyril de Runz
• Type : Thèse de doctorat
• Discipline(s) : Info - Informatique
• Date : Soutenance le 08/07/2020
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....)
• Jury : Président / Présidente : Olivier Flauzac
• Jury : Examinateurs / Examinatrices : Cyril de Runz, Lyes Khoukhi, Baya Lydia Boudjeloud-Assala, Hacène Fouchal, Paola Flocchini, Eric Renault, Mustapha Lebbah
• Jury : Rapporteur / Rapporteuse : Lyes Khoukhi, Baya Lydia Boudjeloud-Assala

Mots clés

Mots clés contrôlés

Systèmes de transport intelligent

Réseaux ad hoc de véhicules

Mots clés libres

Vanet

Sti-C

Analyse

Its

Apprentissage Non-Supervisé

Partitionnement de données

Vanet

Communication

Analysis

Its

Unsupervised learning

Clustering

Résumé

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.

This thesis takes place in the context of Vehicular Ad-hoc Networks (VANET), and more specifically the context of Cooperative-Intelligent Transport System (C-ITS). These systems are exchanging information to enhance road safety.The purpose of this thesis is to introduce data analysis tools that may provide road operators information on the usage/state of their infrastructures. Therefore, this information may help to improve road safety. We identify two cases we want to deal with: driving profile identification and road obstacle detection.For dealing with those issues, we propose to use unsupervised learning approaches: clustering methods for driving profile identification, and concept drift detection for obstacle detection. This thesis introduces three main contributions: a methodology allowing us to transform raw C-ITS data in, first, trajectory, and then, learning data-set; the use of classical clustering methods and Points Of Interests for driving profiles with experiments on mobile device data and network logs data; and the consideration of a crowd of vehicles providing network log data as data streams and considered as input of concept drift detection algorithms to recognize road obstacles.