Analyser la Mobilité avec un Système Multi-Agents Ensembliste d’Apprentissage par Contexte
Analyzing Human Mobility with an Ensemblist Multi-Agent Context Learning System
Résumé
Knowledge of the state of mobility in a given area is a major challenge for local authorities. Knowing how and why users travel can influence urban planning and development choices in terms of public transport, safety and the climate change policy. The emergence of large-scale mobility data sources, in particular measurements taken directly from users' smartphones, makes it possible to use machine learning models to produce analyses of the state of mobility at any given time, where conventional surveys are expensive and very infrequent. Considering the use case of transport world detection, which is a non-linear supervised classification problem, prerequisites are established for the implementation of a machine learning model. These prerequisites have led to the construction of Smapy, a new kind of cooperative classifier that lies at the intersection of adaptive multi-agent systems (AMAS), self-adaptative context learning (SACL), ensemblist and constructivist aggregation of classifiers, neighbourhood model and reinforcement learning. A first experiment pitted Smapy, whose agents are equipped with linear models, against these same linear models alone on three data sets of varying degrees of linearity. The results show that Smapy succeeds in solving non-linear problems by transforming them into cooperation problems between agents equipped with linear models, whereas these same models alone are incapable of doing so. Two other experiments introduce an end-to-end transport mode detection chain based on geolocation and acceleration data collected from users via smartphone applications, and compare Smapy's performance with other classifiers in the literature. The results show that Smapy performs similarly to other reference models in the majority of cases, while having a high potential for explanability due to its geometric characteristics. Prospects for further research are identified, particularly with regard to Smapy's explicability. Avenues for improving the contributions and solving the problem of classifying activity at stops are also presented.
La connaissance de l'état de la mobilité sur un territoire est un enjeu majeur pour les collectivités locales. Savoir comment et pourquoi les usagers se déplacent peut notamment influer sur les choix d'urbanisme et de développement en matière de transports en commun, de sécurité et de lutte contre le changement climatique. L'émergence de sources de données de mobilité à grande échelle, en particulier de mesures effectuées directement sur les smartphones des usagers, rend possible l'utilisation de modèles d'apprentissage automatique pour produire des analyses de l'état de mobilité à n'importe quel moment là où les enquêtes classiques sont chères et très peu fréquentes. En considérant le cas d'usage de la détection du monde de transport, qui est un problème de classification supervisée non linéaire, des pré-requis sont établis pour la mise en place d'un modèle d'apprentissage automatique. Ces pré-requis mènent à la construction de Smapy, un classifieur coopératif d'un genre nouveau qui se positionne à l'intersection entre système multi-agents adaptatif (AMAS) d'apprentissage par contexte (SACL), agrégation ensembliste et constructiviste de classifieurs, modèle de voisinage et apprentissage par renforcement. Une première expérimentation met en concurrence Smapy, dont les agents sont munis de modèles linéaires, avec ces mêmes modèles linéaires seuls sur trois jeux de données de degrés de linéarité variables. Les résultats montrent que Smapy parvient à résoudre les problèmes non linéaires en les transformant en problèmes de coopération entre agents munis de modèles linéaires, là où ces mêmes modèles seuls en sont incapables. Deux autres expérimentations introduisent une chaîne de détection du mode de transport de bout en bout à partir de données de géolocalisation et d'accélération collectées sur des usagers via des applications smartphone, et comparent les performances de Smapy avec d'autres classifieurs de la littérature. Les résultats montrent que Smapy présente des performances semblables aux autres modèles de référence dans la majorité des cas, tout en disposant d'un fort potentiel d'explicabilité du à ses caractéristiques géométriques. Des perspectives de recherche sont établies, notamment en ce qui concerne l'explicabilité de Smapy. Des pistes d'amélioration des contributions et de résolution du problème de classification de l'activité aux arrêts sont également présentées.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|