Soutenance de thèse de Feda ALMUHISEN

Cette thèse porte sur l’analyse et la fouille de trajectoires d’objets mobiles. L'objectif est d'extraire des informations inhérentes sur les objets mobiles et les régions où les mouvements se sont produits. Ces informations sont utiles à différentes applications telles que la surveillance, le suivi, la compréhension de la mobilité humaine dans le contexte de ville intelligente. Plusieurs points doivent être considérés pour l'analyse de trajectoires. En premier lieu, les données de trajectoires GPS sont complexes, riches et volumineuses, empêchant ainsi l'utilisation directe d'outils d’analyse de données trajectoires sans une méthode de prétraitement. En deuxième lieu, il est nécessaire de fournir des cadres de travail qui permettent d'extraire des motifs cachés et d’encoder la correspondance optimale entre ces motifs et ces trajectoires. En dernier lieu, des outils de visualisation doivent être fournis pour faciliter l’interprétation des connaissances extraites. Pour répondre à ces besoins, cette thèse présente un cadre de travail d'analyse de trajectoires contenant une phase de prétraitement et un processus d’extraction de trajectoires d’objets mobiles. En outre, le cadre offre des fonctions visuelles reflétant l'évolution des motifs de trajectoires. L'originalité de l’approche est d’allier extraction de motifs fréquents, extraction de motifs émergents et analyse formelle de concepts pour analyser les trajectoires d’objets en mouvement. A partir des données de trajectoires, les méthodes proposées détectent et caractérisent les comportements d'évolution des motifs dans le temps. Trois contributions sont proposées : (1) Une méthode d'analyse des trajectoires, basée sur les concepts formels fréquents, est utilisée pour détecter les différents comportements d’évolution de trajectoires dans le temps. Ces comportements sont “latent”, "emerging", "decreasing", "lost" et "jumping". Ils caractérisent la dynamique de la mobilité par rapport à l'espace urbain et le temps. Les comportements détectés sont visualisés sur des cartes générées automatiquement à différents niveaux spatio-temporels pour affiner l'analyse de la mobilité dans une zone donnée de la ville. (2) Une deuxième méthode basée sur l'extraction des concepts formels séquentiels fréquents a également été proposée pour exploiter la direction des mouvements dans la détection de l'évolution. (3) Enfin, une méthode de prédiction basée sur les chaînes de Markov est présentée pour prévoir le comportement d’évolution dans la future période pour une région. Ces trois méthodes sont évaluées sur deux ensembles de données réelles contenant les déplacements de taxis dans les villes de Pékin et de San Francisco. Les résultats expérimentaux obtenus sur ces données valident la pertinence de la proposition et l'utilité des cartes produites. Tous les résultats ont été intégrés dans un portail web appelé TBA (Trajectory Behavior Analysis).

This thesis investigates mining moving objects trajectories. The aim behind mining trajectory datasets is to extract inherent information about the moving objects and the regions where movements have occurred. Such information is useful for a wide range of applications, for instance, monitoring, tracking, and human mobility understanding for smart city applications. Several challenges need to be addressed in mining trajectories. First, the fact that GPS trajectory data are complex, rich, and huge prevents using mining tools directly without preprocessing method. The second challenge focuses on providing frameworks that extract hidden patterns and encode useful correspondence between these patterns and trajectories. The third challenge lies in providing visualization tools that help in understanding the extracted knowledge. To overcome these challenges, this dissertation presents a trajectory analysis framework, which includes both a preprocessing phase and trajectory mining process. Furthermore, the framework offers visual functions that reflect trajectory patterns evolution. The originality of the mining process is to leverage frequent emergent pattern mining and formal concept analysis for moving objects trajectories. These methods detect and characterize pattern evolution behaviors bound to time in trajectory data. Three contributions are proposed: (1) a method for analyzing trajectories based on frequent formal concepts is used to detect different trajectory patterns evolution over time. These behaviors are "latent", "emerging", "decreasing", "lost" and "jumping". They characterize the dynamics of mobility related to urban spaces and time. The detected behaviors are automatically visualized on generated maps with different spatio-temporal levels to refine the analysis of mobility in a given area of the city, (2) a second trajectory analysis framework that is based on sequential concept lattice extraction is also proposed to exploit the movement direction in the evolution detection process, and (3) prediction method based on Markov chain is presented to predict the evolution behavior in the future period for a region. These three methods are evaluated on real-world datasets containing the taxi movements for the cities of Beijing and San Francisco. The obtained experimental results from these data show the relevance of the proposal and the utility of the generated maps. All the results are integrated in a web portal called TBA (Trajectory Behavior Analysis).