Etienne Come : Apprentissage non supervisé, application à des données smart-cards (vélos en libre service et transport en commun)

Apprentissage non supervisé, application à des données de
mobilité
Etienne Côme UGE/COSYS/GRETTIA
Séminaire IA & Mobilité, 18 Mars 2021
Firefox https://www.comeetie.fr/partage/iamob/
1 sur 71 04/05/2021 à 17:10

Etienne Côme
UGE, recherche appliquée
données urbaines, données transport
apprentissage semi,non-supervisé, modèles génératifs
2 sur 71 04/05/2021 à 17:10

Background
Données massive de mobilité
3 sur 71 04/05/2021 à 17:10

Des capteurs partout ...
pour qui, pour quoi ?
4 sur 71 04/05/2021 à 17:10

Nécessite de fouiller !
5 sur 71 04/05/2021 à 17:10

Distopie ?
Améliorer la gouvernance urbaine (co-réguler) ?
Quelles limites à l'observation ?
6 sur 71 04/05/2021 à 17:10

Traces Numériques
de mobilité
7 sur 71 04/05/2021 à 17:10

Intérêt des données billettiques
faciliter la gestion des payements mais aussi ...
Données billettiques vs. données classiques (ex. enquêtes)
Meilleure couverture des usagers
Meilleure précision temporelle et spatiale
Possibilité d'étude longitudinale sur une longue période
Intérêt majeur pour les opérateurs de transport...
Évaluer les performances du réseau
Mieux comprendre et prédire la demande
... et pour les autorités organisatrices des transports
8 sur 71 04/05/2021 à 17:10

Visualiser et analyser des données Vélib'
2 sources de données :
Les Stocks
en open-data quasiment partout
Les Flux
Origines / Destinations parfois en open-data et parfois pas
9 sur 71 04/05/2021 à 17:10

Des stocks en mouvements
10 sur 71 04/05/2021 à 17:10

Des stocks en mouvements
Un déséquilibrage important
Un challenge pour la régulation
Un mouvement // une pulsation répétitive
11 sur 71 04/05/2021 à 17:10

Stocks data : vlsstat
12 sur 71 04/05/2021 à 17:10

Stocks data : vlsstat
Données historique pour analyse
Aggrégation / Comparaison
http://vlsstats.ifsttar.fr/rawdata/
13 sur 71 04/05/2021 à 17:10

Clustering sur les données de stock
The Discriminative Functional Mixture Model for the Analysis of Bike Sharing Systems [preprint]
14 sur 71 04/05/2021 à 17:10

15 sur 71 04/05/2021 à 17:10

16 sur 71 04/05/2021 à 17:10

17 sur 71 04/05/2021 à 17:10

Des flux pour décortiquer la dynamique urbaine
http://www.comeetie.fr/galerie/velib/
18 sur 71 04/05/2021 à 17:10

Modèle
(observée): Nbr de vélos arrivant/partant
(latente): cluster de la station s
(observée): cluster des jours (week end / semaine)
Approche générative :
+ contraintes ,
avec nbr de jours du cluster .
Xsdt
Zs
Wd
∼ M(1, π)
Zs
|{ = 1, = 1} ∼ P( )
Xsdt Zsk Wdl αsλklt
= DT, ∀k ∈ {1, . . . , K}
∑l,t Dlλklt
Dl l
19 sur 71 04/05/2021 à 17:10

20 sur 71 04/05/2021 à 17:10

21 sur 71 04/05/2021 à 17:10

Données contextuelles
hab/ha emp/ha serv/ha com/ha
* 162 237 4.2 3.7
Leisure (1) 367 189 6.3 4.4
Leisure (2) 261 322 7.7 6.9
Parks 172 90 2 1.7
Stations 209 206 2.4 1.8
Mixed 375 108 3.8 2.7
Jobs(1) 138 409 4.5 2.8
Jobs(2) 157 456 5.7 5.6
Average 301 163 3.8 2.8
22 sur 71 04/05/2021 à 17:10

Latent Dirichlet Allocation
Pour l'analyse de matrices Origine-Destination dynamiques
OD générées par un processus localement stationaires
Segmentation en petits sacs de déplacements consécutifs stationarité
Documents (sac de mots) = sacs de déplacements consécutifs (5000)
Avec :
Mots = couples Origin/Destination
Topics = Activités Latentes
≈
23 sur 71 04/05/2021 à 17:10

Latent Dirichlet Allocation
Pour l'analyse de matrices Origine-Destination dynamiques
Pour chaque activité latente :
Pour chaque sac de déplacement
Tirer les portions de chaque activité :
Pour chaque déplacement
    Tirer son activité

    Tirer l'origine-destination

a ∼ D(β)
Λa
∼ D(α)
πt
A ∼ M(1, )
πt
D ∼ M(1, )
ΛA
24 sur 71 04/05/2021 à 17:10

Résultats de la décomposition
Sélection de modèle perplexité
(saut abrupt pour K=5)
πt
25 sur 71 04/05/2021 à 17:10

Balances des stations : Domicile→Travail
26 sur 71 04/05/2021 à 17:10

Balances des stations : Travail→Domicile
27 sur 71 04/05/2021 à 17:10

Balances des stations : Début de soirée
28 sur 71 04/05/2021 à 17:10

Données billetiques TC
29 sur 71 04/05/2021 à 17:10

Des données simples
identiﬁant anonymisé de l'usager (3 mois)
type de titre de transport
station de la validation (+ligne et direction pour les bus)
jour et heure de la validation
Open-Data ? (ex STIF données aggrégées)
30 sur 71 04/05/2021 à 17:10

Des données simples
Une donnée à part l'identifiant usager
31 sur 71 04/05/2021 à 17:10

Un jeu de données riche
2 ans de profondeur temporelle
32 sur 71 04/05/2021 à 17:10

Que faire sans identifiant ?
Analyse des volumes entrants
Clustering des jours
→ détection d'outliers, prévision moyen terme,...
Clustering des stations
→ analyse de l'oﬀre, prévision moyen terme,...
Que permet de faire l'identifiant usager ?
Reconstruction des destinations
→ analyse des correspondances, matrice OD dynamique,...
Prévision court terme des OD
Clustering des usagers
33 sur 71 04/05/2021 à 17:10

Analyse des volumes entrant
34 sur 71 04/05/2021 à 17:10

Des profils qui varient dans l'espace et dans le temps
35 sur 71 04/05/2021 à 17:10

36 sur 71 04/05/2021 à 17:10

37 sur 71 04/05/2021 à 17:10

Une variété inter journalière visible (CAH)
38 sur 71 04/05/2021 à 17:10

39 sur 71 04/05/2021 à 17:10

40 sur 71 04/05/2021 à 17:10

41 sur 71 04/05/2021 à 17:10

42 sur 71 04/05/2021 à 17:10

Qui s'explique majoritairement par des effets calendaires
43 sur 71 04/05/2021 à 17:10

Qui peuvent être exploités pour détecter des outliers
44 sur 71 04/05/2021 à 17:10

Qui peuvent être exploités pour détecter des outliers
#Rennes #metro #Star des chaises jetées sur la ligne aérienne de métro à Villejean. Dégâts
importants. Traﬁc interrompu pendant 2h?
— Samuel Nohra (@SamuelNohra) 29 mars 2016
45 sur 71 04/05/2021 à 17:10

Ou faire des prévisions à moyen terme
46 sur 71 04/05/2021 à 17:10

Ou faire des prévisions à moyen terme
47 sur 71 04/05/2021 à 17:10

Une variabilité également spatiale
48 sur 71 04/05/2021 à 17:10

49 sur 71 04/05/2021 à 17:10

50 sur 71 04/05/2021 à 17:10

51 sur 71 04/05/2021 à 17:10

L'identifiant usager
Pour enrichir les données
52 sur 71 04/05/2021 à 17:10

Permet de reconstituer une partie siginificative des trajets
53 sur 71 04/05/2021 à 17:10

54 sur 71 04/05/2021 à 17:10

55 sur 71 04/05/2021 à 17:10

56 sur 71 04/05/2021 à 17:10

57 sur 71 04/05/2021 à 17:10

Enrichissement des données
Utilisation de l'origine suivante pour inférer la destination
Utilisation de seuils spatiaux et temporels
Détection des correspondances
Nécessite de garder les identiﬁants 48h
72% de destinations reconstruites
→ Permet des aggrégations par OD
→ Analyse des Pôles d'échange (C. Richer)
→ Matrice OD dynamique ou serpent de charge
58 sur 71 04/05/2021 à 17:10

Sankeystif
http://www.comeetie.fr/galerie/sankeystif/
59 sur 71 04/05/2021 à 17:10

Clustering usagers
pour une analyse centrée sur l'utilisateur
60 sur 71 04/05/2021 à 17:10

Objectif
Etudier les habitudes temporelle des usagers
Regarder comment se décompose la charge
Mieux connaitre les usagers
Méthode
Proﬁl d'utilisation
Clustering
61 sur 71 04/05/2021 à 17:10

Objectif
Etudier les habitudes temporelle des usagers
Regarder comment se décompose la charge
Mieux connaitre les usagers
Méthode
Proﬁl d'utilisation
Clustering
62 sur 71 04/05/2021 à 17:10

Un usage pendulaire
Proﬁl moyen d'un cluster 4.55% du jeu de données
63 sur 71 04/05/2021 à 17:10

Un usage pendulaire
64 sur 71 04/05/2021 à 17:10

Un usage pendulaire
65 sur 71 04/05/2021 à 17:10

Mais pas que
66 sur 71 04/05/2021 à 17:10

Mais pas que
67 sur 71 04/05/2021 à 17:10

Mais pas que
68 sur 71 04/05/2021 à 17:10

Conclusion
Traces numérique ne répondent pas à toute les questions
Les traces numériques de mobilités sont riches
Modèles à variables latentes discrètes cadre riche et ﬂexible
Analyse exploratoire / mise en avant des variations
Nécessite des outils de fouilles (volume des données)
Outils prédictifs dans un contexte stationaire
! Pas adapté à l'extrapolation
Couplage / simulation / modélisation
69 sur 71 04/05/2021 à 17:10

Travaux en cours
Données de téléphonie
Modèle gravitaire sur graphes // dc-SBM
Graph embedding
Prédiction de la charge dans les métros (RATP)
Analyse des ﬂux dans un pôle multimodal (RATP)
70 sur 71 04/05/2021 à 17:10

Merci de votre attention !
@comeetie, http://www.comeetie.fr, scholar
71 sur 71 04/05/2021 à 17:10

Etienne Come : Apprentissage non supervisé, application à des données smart-cards (vélos en libre service et transport en commun)

Recommandé

Recommandé

Contenu connexe

Plus de Mahdi Zarg Ayouna

Plus de Mahdi Zarg Ayouna (9)

Etienne Come : Apprentissage non supervisé, application à des données smart-cards (vélos en libre service et transport en commun)