Caractérisation des traces de mobilité humaine à l'aide de procédé d'apprentissage par représentation dynamique et de graphe de connaissance

Characterizing mobility traces using dynamic embeddings and knowledge graph

• Auteur / Autrice : Romain Haton
• Direction : Amel Bouzeghoub
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/11/2022
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

Mots clés

Mots clés libres

Mobilité humaine

Représentation dynamique

Graphe de connaissance

Human mobility

Dynamic embeddings

Knowledge graph

Résumé

Avec l'adoption généralisée des appareils mobiles connectés, il est désormais facile de collecter des données de mobilité via des données cellulaires (CDR, XDR) ou via l'enregistrement direct d'informations GPS. Ces ensembles de données ont élargi notre compréhension de la loi qui sous-tend les comportements de mobilité humaine, ce qui est crucial dans une variété de domaines tels que la modélisation des épidémies (Digital Contact Tracing), la gestion du trafic et la sécurité nationale pour n'en citer que quelques-uns. L'une des façons de modéliser la mobilité spatio-temporelle des personnes a été par une approche de graphe bipartite. En effet, par rapport à d'autres approches de modélisation, il nous permet de lier dynamiquement les utilisateurs avec des POI (point d'intérêt) qui nous permettent d'utiliser une technique basée sur la prédiction de liens pour prédire les déplacements futurs ou des motifs/graphes et pour produire des informations sémantiques sur la localisation des personnes. Dans ce contexte, l'apprentissage de la représentation présente une opportunité intéressante de modéliser l'évolution dynamique du graphe bipartite des utilisateurs et des POI, où chaque utilisateur/POI peut être intégré dans un espace euclidien et son évolution peut être modélisée par une trajectoire d'intégration dans cet espace. Au-delà des trajectoires spatio-temporelles pour prédire avec précision la mobilité, il faut aussi comprendre le rôle du contexte sur la mobilité humaine. Par exemple, nous voulons comprendre si le fait de savoir qu'une personne fait du shopping nous informera souvent de la prévisibilité globale de cette personne. Intuitivement, les graphes de connaissances peuvent naturellement décrire ces corrélations provenant de multiples sources. Par conséquent, ils fournissent une solution prometteuse pour extraire des connaissances structurées à partir de données massives. Intégrer la corrélation sémantique des données multi-sources est la clé pour améliorer la capacité à prédire la mobilité. Les approches traditionnelles produisent des représentations vectorielles qui capturent les distributions mondiales. Cependant, de telles représentations d'utilisateurs ou d'éléments ne capturent pas les connaissances de base, le contexte situationnel ou l'historique séquentielle des événements. Par exemple, la recommandation d'un restaurant peut dépendre d'informations sur le type de cuisine, de facteurs contextuels tels que l'heure de la journée, la météo ou le lieu, ainsi que de l'historique et de l'expérience de cet utilisateur dans des situations précédentes. L'objectif de cette thèse sera de développer un modèle d'apprentissage de la représentation graphique pour dériver des caractéristiques significatives liées aux mouvements humains qui profitent à la fois de la dynamique spatio-temporelle de la mobilité des personnes et de l'information sur les connaissances.

With the widespread adoption of connected mobile devices, it is now easy to collect mobility data via cellular data (CDR, XDR) or via direct recording of GPS information. These datasets have expanded our understanding of the law behind human mobility behaviors, which is crucial in a variety of areas such as epidemic modeling (Digital Contact Tracing), traffic management, and national security. One way to model the spatio-temporal mobility of people has been through a bipartite graph approach. Indeed, compared to other modeling approaches, it allows to dynamically link users with POIs (points of interest) which allows to use a link prediction based technique to predict future trips or patterns/graphs and to produce semantic information about the location of people. In this context, representation learning offers an interesting opportunity to model the dynamic evolution of the bipartite graph of users and POIs, where each user/POI can be embedded in a Euclidean space and its evolution can be modeled by an embedding trajectory. Beyond spatio-temporal trajectories to accurately predict mobility, we also need to understand the role of context on human mobility. Intuitively, knowledge graphs can naturally describe these correlations from multiple sources. Therefore, they provide a promising solution for extracting structured knowledge from massive data. Integrating the semantic correlation of multi-source data is key to improving the ability to predict mobility. Traditional approaches produce vector representations that capture global distributions. However, such representations of users or items do not capture background knowledge, situational context or sequential event history. For example, a restaurant recommendation may depend on information about the type of food, contextual factors such as time of day, weather, or location, as well as the history and experience of that user in previous situations. The goal of this thesis will be to develop a graphical representation learning model to derive meaningful features related to human movement that take advantage of both the spatio-temporal dynamics of human mobility and knowledge information.