Actualités

  • Prochain séminaire

    December 14th 2017 par E. Thuillier :

    Extraction of mobility information through heterogeneous data fusion: A multi-source, multi-scale, and multi-modal problem
    Fusion de données hétérogènes pour l’extraction d’informations de mobilité : un problème mutli-source, multi-échelle, et multi-modal

    Résumé :

    Aujourd’hui c’est un fait, nous vivons dans un monde où les enjeux écologiques, économiques et sociétaux sont de plus en plus pressants. Au croisement des différentes lignes directrices envisagées pour répondre à ces problèmes, une vision plus précise de la mobilité humaine est un axe central et majeur, qui a des répercussions sur tous les domaines associés tels que le transport, les sciences sociales, l’urbanisme, les politiques d’aménagement, l’écologie, etc. C’est par ailleurs dans un contexte de contraintes budgétaires fortes que les principaux acteurs de la mobilité sur les territoires cherchent à rationaliser les services de transport, et les déplacements des individus. La mobilité humaine est donc un enjeu stratégique aussi bien pour les collectivités locales que pour les usagers, qu’il faut savoir observer, comprendre, et anticiper.

    Cette étude de la mobilité passe avant tout par une observation précise des déplacements des usagers sur les territoires. Aujourd’hui les acteurs de la mobilité se tournent principalement vers l’utilisation massive des données utilisateurs. L’utilisation simultanée de données multi-sources, multi-modales, et multi-échelles permet d’entrevoir de nombreuses possibilités, mais cette dernière présente des défis technologiques et scientifiques majeurs. Les modèles de mobilité présentés dans la littérature sont ainsi trop souvent axés sur des zones d’expérimentation limitées, en utilisant des données calibrées, etc. et leur application dans des contextes réels, et à plus large échelle est donc discutable. Nous identifions ainsi deux problématiques majeures qui permettent de répondre à ce besoin d’une meilleure connaissance de la mobilité humaine, mais également à une meilleure application de cette connaissance. La première problématique concerne l’extraction d’informations de mobilité à partir de la fusion de données hétérogènes. La seconde problématique concerne la pertinence de cette fusion dans un contexte réel, et à plus large échelle. Nous apportons différents éléments de réponses à ces problématiques dans cette thèse. Tout d’abord en présentant deux modèles de fusion de données, qui permettent une extraction d’informations pertinentes. Puis, en analysant l’application de ces deux modèles au sein du projet ANR Norm-Atis.

    Dans cette thèse, nous suivons finalement le développement de toute une chaine de processus. En commençant par une étude de la mobilité humaine, puis des modèles de mobilité, nous présentons deux modèles de fusion de données, et nous analysons leur pertinence dans un cas concret. Le premier modèle que nous proposons permet d’extraire 12 comportements types de mobilité. Il est basé sur un apprentissage non-supervisé de données issues de la téléphonie mobile. Nous validons nos résultats en utilisant des données officielles de l’INSEE, et nous déduisons de nos résultats, des comportements dynamiques qui ne peuvent pas être observés par les données de mobilité traditionnelles. Ce qui est une forte valeur-ajoutée de notre modèle. Le second modèle que nous proposons permet une désagrégation des flux de mobilité en six motifs de mobilité. Il se base sur un apprentissage supervisé des données issues d’enquêtes de déplacements ainsi que des données statiques de description du sursol. Ce modèle est appliqué par la suite aux données agrégés au sein du projet Norm-Atis. Les temps de calculs sont suffisamment performants pour permettre une application de ce modèle dans un contexte temps-réel.

    Mots-clés: Fusion de données hétérogènes, Mobilité humaine, Modèles d’apprentissage, Intelligent Transportation System, Call Detail Records, Application pratique, partitionnement de données, Systèmes surdéterminés
  • Séminaire passé

    November 30th 2017 par C. Boucetta : Towards an adaptative routing in large scale wireless sensor networks

    Abstract :

    Wireless sensor networks (WSNs) consist of a large number of autonomous nodes. They are usually deployed randomly with high densities and they are often implemented in hostile environments. WSNs are widely used for military, environmental, and scientific applications. Sensor nodes, having a short distance from each other, gather information and transmit it to the base station. They are characterized by short lifetime, limited power, computational capacities, and memory. Therefore, the minimization of energy consumption is considered as an important criterion to provide the maximum lifetime of the network.

    The objective of this work is to optimize the energy consumption in routing algorithms in large scale wireless sensor networks. Initially, we propose an hierarchical model based on the equivalence property of redundant nodes to group sensor nodes into many disjoint subsets. To avoid redundancy and increase network lifetime, redundant sensors are turning off and only a subset of nodes are kept active to generate data and keep network connectivity. We propose then a Power Aware Scheduling and Clustering Algorithm (PASC) for homogenous large scale WSN. It combines intra and inter cluster scheduling with multi-hop routing and exploits nodes redundancy to reduce and balance nodes energy consumption ensuring thus a longer network lifetime. Simulation results showed that nodes near the sink run out of energy more rapidly than the other zones. To mitigate this problem we add to PASC a new fault tolerance scheme based on the redeployment of redundant sensors, in an optimized way, using cascaded movement to achieve optimal connectivity and coverage of the network. Finally, we use bio-inspired techniques and heuristics to transmit data to the base station. We present two routing protocols based on an Ant Colony Optimisation (ACO) approach and Cuckoo Search (CS) approach. The goal of different algorithms to maintain network lifetime while discovering the optimum paths from the source nodes to the base station.

    Key words : WSN, Energy efficiency, Hierarchical routing, Clustering, Scheduling, Redeployment, coverage, connectivity, Ant Colony Optimisation, Cuckoo Search.

  • Séminaire passé

    November 16th 2017 par B. Berruet : Indoor localization performance analysis  with CSI-based feature extraction algorithms

    The expansion of location-based applications for monitoring the crowd and giving specific services in personal assitance activities requires the development of solutions working with the ambient connectivity and without industrial installations. That requirement is widely covered by the global navigation satellite systems (GNSS) present all around the world but the GNSS signals is severely attenuated in the urban canyon or the indoor environments. The wireless communication systems such as the WiFi or the bluetooth low enery (BLE) become then for the industrial and the academic researches as an alternative solution to the GNSS in these complex scenarios. Hence, many propositions emerge from the ashes based on different localization approaches. My thesis looks for developing a system respecting the IoT and ambient connectivity paradigms: Battery saving, low-cost and fast deployement. From this, the fingerprinting approach based on the channel state information (CSI) completes the above requirements. CSI reveals the influence of the channel propagation on the transmitted signal such as the multiple paths taken by this one or the fading. The fingerprinting approach consists in acquiring the CSI at regularly spaced positions in the study field. In this way, the system try to determine a function from the signal space to the spatial space. One solution is to implement machine learning techniques. My last works was to study the spectral methods such as the principal component analysis (PCA) in order to improve the machine learning algorithm.

  • Ils ont soutenu…

    • Omar DIB a soutenu le 6 novembre 2017 sa thèse de Doctorat intitulée : Reroutage dynamique des passagers dans les réseaux de transport multimodaux
    • Oumaya BAALA a soutenu le 10 novembre son Habilitation à Diriger des Recherches intitulée : De la modélisation et de l’optimisation de la qualité des systèmes multi-échelles
  • Rentrée 2017, nous souhaitons la bienvenue aux nouveaux membres OPERA !

    • Hamza Ouarnoughi, docteur en Informatique, nous rejoint en tant qu’Attaché Temporaire d’Enseignement et de Recherche pour renforcer l’équipe projet MISC. Il contribuera également aux enseignements du département INFO.
    • Cherifa Boucetta, docteur en Informatique, nous rejoint en tant qu’Attaché Temporaire d’Enseignement et de Recherche pour renforcer l’équipe projet IoT. Elle contribuera également aux enseignements du département INFO.
  • Séminaire passé

    26 octobre 2017 par L. Li : Conception de la chaîne d’approvisionnement de l’hydrogène

    Résumé :

    L’hydrogène est considéré depuis longtemps comme un carburant écologique plein d’avenir parce qu’il ne produit aucune émission polluante. Après de grandes avancées technologiques relatives à l’hydrogène ces dernières années, de nouvelles problématiques émergent. Un des grands défis actuels concerne le déploiement des infrastructures associées. Dans ce contexte, le travail de recherche porte sur la conception d’une chaîne d’approvisionnement de l’hydrogène. La première partie du travail a porté sur un état de l’art du domaine et fera l’objet de l’exposé.