Communication Dans Un Congrès Année : 2026

Predicting mobility in a small area without dedicated sensors: a hybrid approach combining NMF and supervised learning, applied to the Bordeaux university campus

Prédire la mobilité d'un micro-environnement sans capteurs dédiés : une approche hybride par NMF et apprentissage supervisé appliquée au campus universitaire de Bordeaux

Résumé

Efficient mobility infrastructure management requires going beyond traditional time-series approaches in order to uncover latent structures in traffic data. While urban networks have been widely studied, dense and complex micro-environments—such as university campuses—remain relatively underexplored, despite their strong interactions with surrounding urban traffic. The key challenge is therefore to predict local traffic conditions using external data, avoiding the need to install and maintain dedicated sensors. In this work, we develop a predictive model capable of reconstructing campus traffic flows using data from permanent city sensors. This approach not only reduces infrastructure costs but also enables the simulation of how external conditions affect mobility within the site. To achieve this, we propose a structured low-rank learning framework that combines Non-negative Matrix Factorization (NMF), an unsupervised learning method, with supervised learning techniques. Traffic time series collected from nine bidirectional sensors located around the University of Bordeaux campus between 2022 and 2024 are decomposed using NMF into four latent and interpretable patterns. This decomposition explicitly separates temporal activation profiles from spatial weights associated with campus access points, while preserving the non-negativity constraint consistent with physical traffic flows. Each latent component corresponds to a distinct mobility regime, such as morning arrivals, urban transit traffic, or evening departures. Building on this decomposition, we develop two predictive models. The first model estimates temporal activation patterns based on data from external permanent sensors, incorporating lagged variables and cyclical time encoding. The second model predicts the spatial distribution of these patterns across campus access points using aggregated external traffic statistics and campus metadata. By combining these two models, we reconstruct and forecast traffic time series around the campus. Model robustness is assessed through extensive Monte Carlo simulations under varying noise levels and perturbation scenarios. Compared to direct regression on high-dimensional data, the NMF-based approach offers three key advantages, particularly in data-scarce settings: (i) significant dimensionality reduction, (ii) structural regularization that limits overfitting, and (iii) inherent interpretability that facilitates counterfactual analysis. Overall, this framework provides a stable and explainable tool for mobility forecasting and decision support, with strong potential for transferability to other urban micro-environments and low-carbon mobility strategies

La gestion efficace des infrastructures de mobilité nécessite de dépasser les approches classiques de séries temporelles afin de mettre en évidence les structures latentes présentes dans les données de trafic. Si les réseaux urbains sont largement étudiés, les micro-environnements denses et complexes, tels que les campus universitaires, restent encore peu analysés, alors même qu’ils interagissent fortement avec le trafic urbain environnant. L’enjeu est donc de prédire les conditions de circulation locales à partir de données externes, afin de s’affranchir de l’installation et de la maintenance de capteurs dédiés. Dans ce travail, nous développons un modèle prédictif capable de reconstituer les flux d'un campus à partir des capteurs permanents de la ville. Cette approche permet non seulement une économie de moyens, mais offre également la possibilité de simuler l'impact de conditions externes sur l'usage des infrastructures du site. Nous proposons pour cela un cadre d’apprentissage structuré et de faible rang combinant la factorisation de matrices non négatives (Non-negative Matrix Factorization, NMF - apprentissage non supervisé) et des méthodes d’apprentissage supervisé. Les séries temporelles de trafic collectés par 9 capteurs bidirectionnels disposés autour du campus de l’Université de Bordeaux, sur les années 2022 à 2024, sont décomposés par NMF en 4 motifs latents et interprétables. Cette décomposition sépare explicitement les activations temporelles des poids spatiaux associés aux accès du campus, tout en respectant la contrainte de non-négativité, cohérente avec la nature physique des flux de trafic. Chaque composante latente correspond à un régime de mobilité identifiable, tel que les arrivées matinales, le trafic de transit urbain ou les départs en fin de journée. En nous appuyant sur cette décomposition, nous développons deux modèles prédictifs. Le premier modèle prédit les motifs d’activation temporelle en fonction des capteurs permanents situés à l’extérieur du périmètre du campus, en intégrant des variables retardées et des encodages cycliques du temps. Le second modèle prédit la répartition spatiale des motifs sur les points d’accès du campus à partir de statistiques de trafic externe agrégées et de métadonnées du campus. La combinaison de ces deux modèles prédictifs nous permet de reconstruire et de prédire les séries temporelles de trafic autour du campus. Pour évaluer la robustesse, nous réalisons des simulations de Monte Carlo étendues, en testant plusieurs niveaux de bruit et différents types de perturbations. Par rapport à une régression directe sur des données haute-dimension, l’approche basée sur la NMF présente trois avantages principaux en situation de données limitées, ce qui la rend particulièrement adaptée à la construction de modèles prédictifs avec un nombre restreint d’observations. Elle présente trois atouts majeurs : (i) une forte réduction de la dimensionnalité, (ii) une régularisation structurelle limitant le surapprentissage, et (iii) une interprétabilité directe facilitant l'analyse de scénarios contrefactuels. Ce cadre fournit ainsi un outil stable et explicable pour la prévision de la mobilité et l’aide à la décision, transférable à d’autres micro-environnements urbains et aux stratégies de mobilité bas-carbone

Fichier principal
Vignette du fichier
Communication_RFTM_2026_Fernandes_Mosbah_Anglais.pdf (237.66 Ko) Télécharger le fichier
Communication_RFTM_2026_Fernandes_Mosbah.pdf (468.62 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
licence
Origine Fichiers produits par l'(les) auteur(s)
licence

Dates et versions

hal-05609610 , version 1 (18-05-2026)

Licence

Identifiants

  • HAL Id : hal-05609610 , version 1

Citer

R. Fernandes, Mohamed Mosbah. Prédire la mobilité d'un micro-environnement sans capteurs dédiés : une approche hybride par NMF et apprentissage supervisé appliquée au campus universitaire de Bordeaux. Rencontres Francophones Transport Mobilité, May 2026, Hammamet (TUN), Tunisie. ⟨hal-05609610⟩
0 Consultations
0 Téléchargements

Partager

  • More