L’étude de la mobilité humaine devient de plus en plus cruciale de nos jours dans les études sur les transports, la planification urbaine, les comportements de mobilité des foules et bien plus encore. Dans cet article, nous proposons une nouvelle approche pour étudier le type de mobilité en en construisant un modèle léger d’apprentissage machine (ML) basé sur l’observation des informations de réseau sans fil pour déterminer la situation réelle de l’appareil, qui peut être fixe (bureau, domicile, maison, etc), ou mobile (bus, piéton, voiture, etc). Le modèle est entraîné sur un ensemble de données réelles de balises WiFi et BLE collectées pendant environ 90 heures cumulées dans différents scénarios et conditions. Les résultats montrent que les algorithmes ML d’assemblage basés sur des arbres de décision, comme Random Forest, ont donné les meilleurs résultats, en termes de précision (94%) et de score f1. Nous pensons qu’une telle approche pourrait être utilisée pour étudier la mobilité humaine et constituer une étape importante vers le déploiement à grande échelle d’applications basées sur la mobilité en exploitant les téléphones mobiles de tous les jours.