FR3046006A1 - Procede d'estimation de trajectoires utilisant des donnees mobiles - Google Patents

Procede d'estimation de trajectoires utilisant des donnees mobiles Download PDF

Info

Publication number
FR3046006A1
FR3046006A1 FR1562736A FR1562736A FR3046006A1 FR 3046006 A1 FR3046006 A1 FR 3046006A1 FR 1562736 A FR1562736 A FR 1562736A FR 1562736 A FR1562736 A FR 1562736A FR 3046006 A1 FR3046006 A1 FR 3046006A1
Authority
FR
France
Prior art keywords
data
trajectory
network
user
mobile device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1562736A
Other languages
English (en)
Other versions
FR3046006B1 (fr
Inventor
Vincent Gauthier
Fereshteh Asgari
Yacoubi Mounim El
Alexis Sultan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institut Mines Telecom IMT
Original Assignee
Institut Mines Telecom IMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institut Mines Telecom IMT filed Critical Institut Mines Telecom IMT
Priority to FR1562736A priority Critical patent/FR3046006B1/fr
Publication of FR3046006A1 publication Critical patent/FR3046006A1/fr
Application granted granted Critical
Publication of FR3046006B1 publication Critical patent/FR3046006B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0269—Inferred or constrained positioning, e.g. employing knowledge of the physical or electromagnetic environment, state of motion or other contextual information to infer or constrain a position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0269—Inferred or constrained positioning, e.g. employing knowledge of the physical or electromagnetic environment, state of motion or other contextual information to infer or constrain a position
    • G01S5/02695—Constraining the position to lie on a curve or surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G7/00—Traffic control systems for simultaneous control of two or more different kinds of craft
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

La présente invention concerne un procédé d'estimation de la trajectoire d'un utilisateur se déplaçant sur des axes de transport au sein d'une zone géographique, notamment des axes de transport routiers et/ou publics, le procédé utilisant un appareil mobile (2) porté par l'utilisateur et relié à un réseau de télécommunications mobiles, et des données cartographiques (3) représentant les axes de transport de la zone à étudier, procédé dans lequel : - au cours du déplacement de l'utilisateur, on capture plusieurs données de signalisation représentatives de la connexion successive de l'appareil mobile (2) à différentes stations de base (4) du réseau, et - connaissant la position des stations de base (4) par rapport aux axes de transport de la zone à étudier, on fait correspondre, à l'aide d'un modèle statistique, ces données de signalisation aux données cartographiques, afin d'estimer la trajectoire de l'utilisateur.

Description

La présente invention concerne un procédé d’estimation de trajectoires d’utilisateurs se déplaçant sur des axes de transport d’une zone, notamment des axes de transport routiers et/ou publics, utilisant un réseau de télécommunications. L'analyse macroscopique de la fluidité de la circulation dans les grandes villes est une tâche difficile, en particulier lorsqu’il y a différents types de réseaux de transport, comme les routes, le réseau ferroviaire, et/ou le réseau de métro. En raison de l'absence d'une source commune d'information sur ces systèmes de transport en commun, il est souvent difficile pour les autorités de la ville d’avoir une vue unifiée des schémas de mobilité humaine. Dans ce contexte, les données provenant d’appareils mobiles sont récemment devenues une source intéressante d'informations sur les comportements de mobilité humaine. Ces données pouvant être capturées de façon passive pour une grande population d'utilisateurs, elles peuvent intelligemment être mises à profit pour recueillir des informations de mobilité pour une population donnée. L’analyse de la mobilité humaine, à partir de données collectées dans les réseaux de téléphonie mobile, dans un réseau de transport urbain multimodal, englobant notamment les routes, les lignes de bus, le réseau de métro, de RER, et les lignes de train, consiste à estimer, à partir des traces spatio-temporelles sous-échantillonnées correspondant à un appareil mobile en déplacement, la trajectoire réelle sur le réseau multimodal de transport urbain. L’objectif de cette analyse, appelée « mapping » en anglais, est l’analyse des mobilités humaines origine-destination sur un large territoire d’un réseau de transport urbain multimodal. Une telle analyse permet de fournir des indications essentielles aux opérateurs de téléphonie mobile et aux compagnies de transport, comme la RATP ou la SNCF, telles que l’inférence du mode de transport des utilisateurs, l’estimation de la charge volumétrique sur les lignes du réseau ferré, de bus et sur les routes, et la détection de congestion et d’autres anomalies dans le réseau de transport.
En informatique, « inférence » désigne la déduction de données confidentielles par recoupement de données non sensibles auxquelles une personne ou toute autre entité a normalement accès. Le problème d’inférence du mode de transport pour un opérateur de téléphonie mobile nécessite le traitement d’une large volumétrie de données pour estimer, de manière régulière, la trajectoire réelle d’un ensemble significatif des utilisateurs de cet opérateur.
Il existe de nombreux travaux utilisant les données du système GPS, « Global Positionning System » en anglais, pour réaliser une telle analyse, comme décrit par exemple dans rarticle de C.Y.Goh et al. « Online map-matching basedon HiddenMarkov modelfor real-time traffic sensing applications », conférence on Intelligent Transportation Systems, pages 776-781, 2012. Cependant, ces études se sont limitées principalement à l’estimation de trajectoires et de leurs durées sur le réseau routier.
Les travaux d’analyse de mobilité considérant des données d’appels de type CDR, « Call Data Record » en anglais, se sont intéressés principalement aux problèmes d’inférence du mode transport de longue distance, par route, train ou avion, comme expliqué dans l’article de Zbigniew Smoreda et al. « Spatiotemporal data from mobile phones for personal mobility assessment », International conférence on transport survey Methods: Scoping the Future while Staying on Track, 2013, et à l’estimation de trajectoire entre deux villes où il s’agit de trouver le chemin optimal entre des autoroutes et des lignes de train, comme décrit dans l’article de John Doyle et al. « Utilizing mobile phone billing records for travel mode discovery", IET Irish Signais and Systems Conférence, 2011.
Les travaux sur la mobilité humaine à partir des données mobiles de type CDR dans un réseau intra-urbain se sont limités à l’inférence du mode de mobilité, c’est-à-dire conduire, marcher ou utiliser un transport en commun, à partir de la vitesse obtenue par agrégation des données CDR, mais sans analyser les trajectoires relatives aux observations spatiotemporelles de ces données, ne permettant pas le « mapping », comme décrit dans l’article de Huayong Wang et al. « Transportation Mode Inference from Anonymized and Aggregated Mobile Phone Call Detail Records », IEEE Conférence on Intelligent Transportation Systems, 2010.
Comme expliqué dans l’article de Timothy Hunter et al. « Scaling the mobile millennium System in the cloud », ACM Symposium on Cloud Computing, pages 1-8, 2011, les algorithmes de « mapping » correspondent en général à des modèles d’inférence statistiques tels que le filtre de Kalman, décrit dans les articles de Congwei Hu et al. « Adoptive kalman filtering for vehicle navigation », Journal of Global Positioning Systems, 2(1):42—47, 2003, et de Hao Xu et al. « Development and application of a kalman filter and gps error correction approach for improved map matching», Journal of Intelligent Transportation Systems, 14(1):27-36, 2010, ou les modèles de Markov cachés, HMM pour “Hidden Markov Models” en anglais, décrits dans l’article de Paul Newson et al. “Hidden markov map matching through noise and sparseness”, ACM SIGSPATIAL International Conférence on Advances in Géographie Information Systems, pages 336— 343, 2009. Ces derniers ont été utilisés que ce soit sur des données GPS, comme dans l’article de Arvind Thiagarajan et al. « Vtrack: Accurate, energy-aware road traffic delay estimation using mobile phones”, SenSys 2009, ou sur des données CDR, comme dans l’article de Arvind Thiagarajan et al. « Accurate, low-energy trajectory mappingfor mobile devices”, USENIX conférence on Networked Systems design and implémentation, 2011. Les paramètres des modèles, dans les deux cas, ont été estimés à partir de données manuellement étiquetées.
Le brevet US 9 094 797 décrit un procédé pour obtenir la localisation d’un appareil mobile, utilisant des informations relatives à la connexion de l’appareil à des stations de base d’un réseau de télécommunications mobiles.
La demande CN 102867406 décrit la détection de véhicules utilisant des données GPS dans un réseau sans fil, afin d’estimer les trajectoires des véhicules dans un réseau de transports routiers.
La demande CN 101976500 divulgue l'utilisation des positions des stations de base du réseau mobile et des plans des axes routiers et de transports publics pour optimiser au mieux la gestion de la topologie du réseau.
Il est connu de la demande CN 104066057 d’analyser et d’optimiser un réseau de métro en utilisant des informations provenant des appareils mobiles des utilisateurs du réseau et les informations géographiques du réseau.
Il existe un besoin pour permettre d’estimer efficacement la trajectoire réelle suivie par les appareils mobiles interagissant avec un opérateur de téléphonie mobile sur des axes de transport routiers et publics, afin de déterminer l’inférence du mode de transport des utilisateurs, d’estimer la charge volumétrique sur les lignes du réseau ferré ou routier, et de détecter des congestions ou d’autres anomalies dans le réseau de transport. L'invention a pour but de répondre à ce besoin et elle y parvient, selon l'un de ses aspects, grâce à un procédé d’estimation de la trajectoire d’un utilisateur se déplaçant sur des axes de transport au sein d’une zone géographique, notamment des axes de transport routiers et/ou publics, le procédé utilisant un appareil mobile porté par l’utilisateur et relié à un réseau de télécommunications mobiles, et des données cartographiques représentant les axes de transport de la zone à étudier, procédé dans lequel : au cours du déplacement de F utilisateur, on capture plusieurs données de signalisation représentatives de la connexion successive de l’appareil mobile à différentes stations de base du réseau, et connaissant la position des stations de base par rapport aux axes de transport de la zone à étudier, on fait correspondre, à l’aide d’un modèle statistique, ces données de signalisation aux données cartographiques, afin d’estimer la trajectoire de l’utilisateur.
Les données de signalisation capturées correspondent avantageusement à des métadonnées échangées entre les éléments actifs du réseau de données mobiles et contiennent des informations sur la station de base associée à un appareil mobile à un instant donné. L’invention permet ainsi d’estimer la trajectoire réelle suivie par les appareils mobiles d’un opérateur de téléphonie mobile sur des axes de transport routiers et/ou publics, afin de fournir des indications utiles aux opérateurs de téléphonie mobile et aux compagnies de transport, telles que l’inférence du mode de transport préféré des utilisateurs ou la détection d’anomalies sur les réseaux de transport, comme une congestion ou un accident. L’invention permet d’estimer une trajectoire réelle pouvant être composée de sous-trajectoires correspondant à des modalités de transport différentes.
Grâce à l'invention, la triangulation de l’appareil mobile n’est pas nécessaire, la localisation de l’endroit où l’utilisateur s’est connecté au réseau étant directement extraite. Il n’est pas non plus nécessaire que l’utilisateur soit localisé et suivi en permanence, au contraire d’un GPS notamment. Ceci n’est pas pénalisant car seule la localisation à des instants et/ou endroits précis est nécessaire. Au contraire, une localisation permanente nécessite une solution plus complexe, gourmande en ressources.
La capture est passive, c’est-à-dire qu’elle est indépendante de l’équipementier de l’appareil mobile, la structure des données capturées étant avantageusement définie par le standard 3GPP, et de l’opérateur de téléphonie mobile. Ce mode de capture, qui consiste à enregistre les évènements de signalisation émis pas les équipements du réseau, ne perturbe pas le réseau dans son fonctionnement nominal et ne sollicite aucun équipement supplémentaire. L’utilisation d’un modèle statistique permet d’obtenir le chemin le plus probable. Le procédé selon l’invention permet ainsi d’analyser les trajectoires de l’ensemble du parc mobile d’un opérateur de téléphonie mobile, en mettant en œuvre une estimation non-supervisée des paramètres du modèle statistique utilisé, n’exploitant pas un corpus de données manuellement étiqueté. Un corpus manuellement étiqueté correspondrait à un ensemble de trajectoires d’appareils mobiles manuellement associées aux vraies trajectoires sur le réseau de transport multimodal, ce qui est coûteux en termes de prix et de temps, et fastidieux à réaliser. L’estimation non-supervisée permet de déterminer automatiquement les paramètres du modèle statistique en exploitant la structure des axes de transport et les connaissances a priori des positions des stations de base par rapport aux stations des lignes du réseau ferré et aux intersections du réseau routier.
Bien que la position des appareils mobiles soit très fortement bruitée, le procédé selon l’invention permet de collecter l’information spatio-temporelle sur une large population en un point de concentration du trafic de données d’un opérateur de téléphonie mobile. Les applications connues utilisant des données transmises par les utilisateurs, « crowd sourcing » en anglais, telles que « Waze® », ne possèdent pas un accès aussi facile à une population représentative de la situation à mesurer.
Certaines méthodes connues, mentionnées plus haut, proposent une modélisation multimodale pour l’inférence du mode de transport interurbain, problème moins difficile étant donné que les trajectoires induites par des modes de transport différents sont généralement bien discernables. L’invention permet d’analyser les trajectoires au sein d’une même métropole, pour un réseau de transport multimodal intra-urbain, où la complexité introduite par un tel réseau, comparée avec un réseau de transport uni-modal, augmente très fortement la complexité d’inférence statistique.
Appareil mobile et données de signalisation
Les données de signalisation proviennent de préférence de données de contexte du réseau de données mobiles, notamment appelées données de contexte PDP, « Packet Data Protocol » en anglais, dans le protocole mobile GTP, « GPRS Tunnelling Protocol » en anglais, issu de la norme mobile GPRS, « General Packet Radio Service » en anglais. Les standards concernés sont 3GPP TS 29.060 et 3GPP TS 29.274.
Comme représenté à la figure 1, ces données de signalisation mobiles transitent avantageusement sur la liaison Gn entre les nœuds SGSN, « Serving GPRS Support Node » en anglais, et les nœuds GGSN, « Gateway GPRS Support Node » en anglais, pour les deuxième, deuxième et demi et troisième générations de normes mobiles (2G, 2.5G et 3G), et sur la liaison SI 1 entre les entités MME, « Mobility Management Entity » en anglais, et les entités SGW, « Serving GateWay » en anglais, pour la norme mobile LTE, « Long Term Evolution » en anglais.
Les données de contexte PDP, décrites dans l’article de Florian Metzger et al. « Exploratory Analysis of a GGSN's PDP Context Signaling Load », Journal of Computer Networks and Communications, 2014, permettent d’établir un tunnel de données entre les nœuds GGSN et les nœuds SGSN. Ces flux de données de signalisation informent sur la position des appareils mobiles, dès que leur connexion au réseau internet est établie et tant que la connexion est active. Aujourd'hui, de nombreuses applications exécutées sur les appareils mobiles dits intelligents, ou « smartphones » en anglais, fonctionnent en permanence et se connectent fréquemment au réseau de données mobiles, notamment des applications de courrier électronique, envoyant des notifications lorsqu’un nouveau courriel est reçu, ou des applications de réseaux sociaux, envoyant des notifications signalant une nouvelle action. Ces applications maintiennent généralement des sessions de données mobiles actives en permanence.
En outre, à chaque modification du lien de données, par exemple lors du passage de 2G vers 3G, ou lors du passage de la connexion en mode veille au mode actif, ou lors d’un changement de station de base, des messages sont échangés sur le réseau de télécommunications mobiles. Dans chacun de ces messages, se trouve l'identifiant de la station de base à laquelle l’utilisateur est connecté, et ainsi il est possible de connaître l'aire géographique dans laquelle celui-ci se trouve. Contrairement aux données d’appels CDR, le procédé selon l’invention permet de connaître la position de l’appareil mobile sans qu'il y ait besoin d’une communication téléphonique.
Les appareils mobiles suivant le même chemin physique peuvent être connectés à différentes stations de base et le nombre d'échantillons associés à la position d’un appareil est lié au trafic généré par celui-ci et à son déplacement. De plus, un appareil mobile est généralement connecté à la station de base la plus proche en termes de distance euclidienne. Néanmoins, pour des raisons d'optimisation et de répartition de charge du réseau de télécommunications mobiles, cela n’est pas toujours le cas. Malgré le caractère bruité de ces données, l’invention permet, grâce à l’exploitation optimale de la topologie du graphe des axes de transport et à la modélisation probabiliste des paramètres du modèle statistique utilisé, d’inférer la trajectoire réelle optimale de l’appareil mobile sur le réseau de transports.
Par le biais des données de signalisation, la fréquence de mise à jour du contrôle de la connexion de l’appareil mobile à une station de base est avantageusement comprise entre 1 minute et 18 minutes, mieux entre 5 minutes et 15 minutes. Cette fréquence de mise à jour est très largement supérieure à celle obtenue par les autres techniques basées sur l’analyse de métadonnées d’appareils mobiles, comme les données d’appels CDR.
Dans une variante, les données de signalisation proviennent des canaux voix du réseau de télécommunications mobiles, notamment provenant du protocole MAP, « Mobile Application Part » en anglais, protocole dérivé du protocole SS7, « Signalling System n°7 » en anglais. Les standards concernés sont 3GPP TS 09.02 et 3GPP TS 29.002.
Le protocole MAP utilise avantageusement, pour transmettre les données sur les canaux voix, différentes interfaces de circuit, notamment l’interface B communiquant avec le registre VLR, « Visitor Location Register » en anglais, ou les interfaces C et D communiquant avec le registre HLR, « Home Location Register » en anglais.
La fréquence de mise à jour des données de signalisation provenant des canaux voix dépend avantageusement de la connexion de l’appareil mobile à un nouveau groupe de cellules (LAC), et/ou de chaque appel ou message texte reçu ou émis.
Les données de signalisation capturées conduisent avantageusement à une séquence d’observations (0i,..., On), où On est le triplet On = {x„y>n,tn} défini par la position {xn,yn) de la station de base à laquelle l’appareil mobile est connecté à l’instant tn.
Données cartographiques
Les données cartographiques correspondent avantageusement à un graphe des axes de transport de la zone à étudier, comportant des nœuds associés soit aux intersections des routes pour le réseau routier, soit aux stations correspondant aux intersections des lignes du réseau ferré, notamment des lignes de métro, tramway, RER ou train, et des arcs correspondant aux liens entre ces intersections.
Les données cartographiques peuvent être fournies par un fournisseur d’archives cartographiques ouvertes, tel OpenStreetMap (OSM), et/ou par l'Institut Géographique National (IGN), ou par des sociétés de réseaux de transport, telles la RATP ou la SNCF.
Les données cartographiques peuvent être enregistrées dans une base de données, de préférence accessible par un serveur mettant en œuvre le procédé, notamment une base de données cartographiques du type MongoDB.
Modèle statistique
Le modèle statistique est de préférence un modèle de Markov caché, où les états cachés correspondent avantageusement aux stations du réseau ferré et/ou aux intersections du réseau routier. Dans ce cas, les positions des stations de base correspondent avantageusement aux états cachés du modèle de Markov caché.
La probabilité de transition Tr(vh vj) entre deux états v, et y,, correspondant à deux positions de stations de base, peut s’exprimer comme suit :
avec wmn la vitesse moyenne sur les arcs du graphe des axes de transport de la zone à étudier, et d(vm, v„) la distance géodésique de l’arc reliant les positions m et n, et SPvlt VJ le plus court chemin entre v, et v, sur le graphe.
La vitesse moyenne wmn peut s’exprimer par
si vu Vj sont adjacentes sinon.
La probabilité conditionnelle d’émission Pr(Oi|y,·) d’une observation ot, correspondant à la position d’une station de base, étant donné que le modèle de Markov caché se trouve à la position y,·, peut s’exprimer comme suit :
si:
si:
sinon. avec rtma* la distance entre le centre de cellule de Voronoï associée à l’observation ot et l’extrémité de sa bordure, dtj la distance euclidienne entre l’observation ot et la position vj, et τ un seuil correspondant à la distance maximum où un appareil mobile peut être atteint par une antenne cellulaire.
Dans une variante, le modèle statistique est fondé sur des champs aléatoires conditionnels, sur un filtre particulaire, sur un filtre de Kalman ou sur des réseaux de neurones récurrents.
Estimation de la trajectoire
Afin d’estimer la trajectoire de Γutilisateur, on peut générer une séquence de nœuds des axes de transport de la zone à étudier à partir de la mise en correspondance entre les données de signalisation et les données cartographiques, en fonction des paramètres du modèle statistique, notamment les probabilités de transition et d’émission dans le cas d’un modèle de Markov caché. L’algorithme de Viterbi peut être utilisé pour la mise en correspondance entre les données de signalisation et les données cartographiques. Cet algorithme est très efficace.
On peut supprimer de la trajectoire estimée des stations de base semblant erronées, en fonction au moins de la densité de probabilité de la distance entre les stations de base du réseau, par filtrage, notamment par filtrage passe-bas.
On peut réaliser un filtrage, notamment passe-haut, pour ne retenir que des trajectoires ayant un rayon de giration rg(t) supérieur à un seuil prédéfini, notamment compris entre 2 km et 5 km, le rayon de giration étant défini par :
avec
les coordonnées latitude et longitude de la trajectoire t, et
le centre de gravité de la trajectoire t.
On estime de préférence la fin d’une trajectoire lorsque l’appareil mobile reste connecté à la même station de base pendant une durée supérieure à un seuil prédéfini, notamment égal à 30 minutes. Cela signifie que l’utilisateur est arrivé à destination.
La trajectoire peut être estimée à partir de la séquence complète de nœuds des axes de transport de la zone à étudier, en estimant le chemin optimal.
Le procédé d’estimation d’une trajectoire selon l’invention peut être réalisé plusieurs fois en parallèle, permettant d’obtenir les trajectoires de plusieurs utilisateurs simultanément et de manière indépendante, et procurant un passage à l’échelle satisfaisant.
Programme produit d’ordinateur L'invention a encore pour objet, selon un autre de ses aspects, un produit programme d’ordinateur pour la mise en œuvre du procédé d’estimation de la trajectoire d’un utilisateur se déplaçant sur des axes de transport au sein d’une zone géographique, tel que défini à l’une quelconque des revendications précédentes, utilisant un appareil mobile porté par Γutilisateur et relié à un réseau de télécommunications mobiles, et des données cartographiques représentant les axes de transport de la zone à étudier, le produit programme d’ordinateur comportant des instructions de code qui, exécutées sur un processeur, font que : - au cours du déplacement de l’utilisateur, on capture plusieurs données de signalisation représentatives de la connexion successive de l’appareil mobile à différentes stations de base du réseau, et - connaissant la position des stations de base par rapport aux axes de transport de la zone, on fait correspondre, à l’aide d’un modèle statistique, ces données de signalisation aux données cartographiques, afin d’estimer la trajectoire de l’utilisateur.
Les caractéristiques énoncées ci-dessus pour le procédé s’appliquent au produit programme d’ordinateur.
Un serveur peut mettre en œuvre le procédé selon l’invention. Par « serveur», il faut comprendre un système informatique, par exemple hébergé chez le prestataire du service d’estimation de trajectoires selon l’invention, ou délocalisé chez un fournisseur de centres de données, ou « datacenters » en anglais. Le serveur comporte avantageusement le code informatique nécessaire au bon fonctionnement du procédé d’estimation de trajectoires selon l’invention, et a de préférence accès aux données cartographiques.
Description détaillée L'invention pourra être mieux comprise à la lecture de la description qui va suivre, d'exemples non limitatifs de mise en œuvre de celle-ci, et à l'examen du dessin annexé, sur lequel : - la figure 1, précédemment décrite, représente différentes liaisons entre les éléments de base d’un réseau de télécommunications mobiles et le réseau internet, - la figure 2 illustre de façon schématique différentes étapes et éléments permettant la mise en œuvre du procédé d’estimation de trajectoires selon l'invention, - la figure 3 illustre un exemple de connexions successives d’un appareil mobile à des stations de base, - la figure 4 illustre un exemple de données cartographiques représentant les axes de transport d’une zone à étudier pour la mise en œuvre de l’invention, - la figure 5 représente un exemple d’estimation de trajectoires selon l'invention, - les figures 6A et 6B illustrent un exemple de calcul de la probabilité d’émission du modèle statistique utilisé pour la mise en œuvre de l’invention, - la figure 7 illustre un exemple de calcul de la probabilité de transition du modèle statistique utilisé pour la mise en œuvre de l’invention, - la figure 8 illustre la répartition de stations de base dans un réseau de télécommunications mobiles, - la figure 9 représente un exemple de calcul du rayon de giration d’une trajectoire, - les figures 10 à 12 illustrent un exemple d’estimation d’une trajectoire selon l’invention, - les figures 13 à 15 illustrent différentes trajectoires estimées grâce à l’invention, - la figure 16 représente des performances statistiques obtenues selon l’invention, - les figures 17 et 18 représentent des statistiques sur les trajectoires obtenues, et - la figure 19 représente un agrégat de trajectoires estimées selon l’invention. On a représenté à la figure 2 différentes étapes et éléments permettant la mise en œuvre du procédé d’estimation de la trajectoire d’un utilisateur selon l’invention. L’utilisateur se déplace sur des axes de transport au sein d’une zone géographique, notamment des axes de transport routiers et/ou publics, et le procédé utilise un appareil mobile 2 porté par l’utilisateur et relié à un réseau de télécommunications mobiles, et des données cartographiques 3 représentant les axes de transport de la zone à étudier.
Au cours du déplacement de l’utilisateur, dans une étape 11, plusieurs données de signalisation représentatives de la connexion successive de l’appareil mobile 2 à différentes stations de base 4 du réseau sont capturées. De préférence et comme dans l’exemple décrit, les données de signalisation proviennent de données de contexte PDP du réseau de données mobiles. Dans une variante, les données de signalisation proviennent des canaux voix du réseau de télécommunications mobiles, notamment provenant du protocole MAP.
Dans une étape 12, les données capturées sont analysées, par exemple par le biais d’une infrastructure du type Hadoop. Les données de signalisation capturées conduisent avantageusement à une séquence d’observations (oi,..o\j, où o„ = {x„, y„, t„) défini par la position xn, yn de la station de base à laquelle l’appareil mobile 2 est connecté à l’instant tn.
Dans une étape 13, connaissant la position des stations de base 4 par rapport aux axes de transport de la zone à étudier, à l’aide d’un modèle statistique, ces données de signalisation sont mises en correspondance avec les données cartographiques 3, afin d’estimer la trajectoire de l’utilisateur. Plus précisément, une séquence de nœuds des axes de transport de la zone à étudier est de préférence générée à partir de la mise en correspondance entre les données de signalisation et les données cartographiques, en fonction d’au moins une probabilité du modèle statistique.
La figure 3 montre un exemple d’une courte trajectoire, incluant son origine et sa destination en passant par différentes stations de base 4. La première transition observée entre deux stations de base 4 est considérée comme l’origine de la trajectoire. La fin de la trajectoire est avantageusement déterminée lorsque l’appareil mobile 3 reste connecté à la même station de base 4 pendant une durée supérieure à un seuil prédéfini, par exemple égal à 30 minutes.
Comme représenté à la figure 4, les données cartographiques 3 correspondent à un graphe des axes de transport de la zone à étudier, comportant des nœuds associés soit aux intersections des routes pour le réseau routier, soit aux stations correspondant aux intersections des lignes du réseau ferré, notamment des lignes de métro, tramway, RER ou train, et des arcs correspondant aux liens entre ces intersections. Dans cet exemple, le réseau intra-urbain multimodal d’Ile-de-France a été modélisé, cette région étant caractérisée par une grande diversité de modes de transport en commun, tels que le métro, le tramway, le RER, le train, ou le bus, ayant chacun des spécificités propres.
De préférence et comme dans l’exemple décrit, le modèle statistique est un modèle de Markov caché. Comme expliqué précédemment, des probabilités du modèle statistique sont utilisées pour estimer la trajectoire de l’utilisateur, notamment la probabilité d’émission ?r(oi\vj) d’une observation ot, correspondant à la position d’une station de base, étant donné que le modèle statistique se trouve à la position y,, comme représenté aux figures 6A et 6B, et la probabilité de transition Tr(v,, vj) entre deux positions de stations de base vh vh comme représenté à la figure 7.
Un exemple de détermination de la trajectoire la plus probable selon les probabilités de transition Tr(vh vj) du modèle statistique est représenté à la figure 5.
Comme expliqué précédemment, sont avantageusement supprimées de la trajectoire estimée des stations de base 4 semblant erronées, en fonction au moins de la densité de probabilité de la distance entre les stations de base du réseau, par filtrage, par exemple par filtrage passe-bas. Dans l’exemple décrit, la figure 8(a) représente la densité de probabilité de la distance entre stations de base voisines, la figure 8(b) représente la fonction de répartition de la distance entre stations de base voisines, et la figure 8(c) représente le découpage en cellules de Voronoi d’un réseau d’opérateur de téléphonie mobile pour la région He-de-France.
Comme expliqué précédemment et comme illustré à la figure 9, on réalise un filtrage, notamment passe-haut, pour ne retenir que des trajectoires t ayant un rayon de giration rg(t) supérieur à un seuil prédéfini, par exemple compris entre 2 km et 5 km.
La figure 10 représente un exemple de séquence d’observations générée par la capture de données de signalisation, comparé avec la trajectoire réelle, obtenue par une mesure GPS. On peut voir que chaque observation obtenue selon l’invention se trouve sur la trace GPS.
Plus précisément, comme illustré à la figure 11 (a) et (b), une séquence de nœuds est générée à partir des observations. A partir de cette séquence de nœuds, comme expliqué précédemment et comme illustré à la figure 12, la trajectoire de l’utilisateur est estimée. L’invention a été testée sur une cohorte de 10 personnes, portant un logeur GPS sur une durée d’un mois. Environ 1100 trajectoires multimodales en Ile-de-France ont été estimées, avec une utilisation de 70% du réseau routier et 30% du réseau ferré, c’est-à-dire métro et train. 440 trajectoires ont été estimées supérieures à 5 km, et 280 trajectoires supérieures à 10 km.
La figure 13 représente une trajectoire estimée avec une fréquence de mise à jour du contrôle de la connexion de l’appareil mobile 2 à une station de base 4 égale à 15 minutes, les axes de transport utilisés étant les routes et le métro.
Les figures 14 et 15 représentent des trajectoires estimées avec une fréquence de mise à jour du contrôle de la connexion de l’appareil mobile 2 à une station de base 4 égale à 15 minutes, les axes de transport utilisés étant les routes. Dans ces trois exemples, la trajectoire estimée se superpose sensiblement à la trajectoire réelle obtenue par GPS.
La figure 16 présente une comparaison statistique entre les trajectoires réelles GPS et les trajectoires estimées selon l’invention. Deux trajectoires ne possédant pas nécessairement la même longueur, pour comparer des séquences de différentes longueurs, la distance « Edit », connue comme la distance de Levenshtein, a été utilisée entre deux séquences, consistant en le nombre minimum de modifications de mono-emplacement, comme des insertions, suppressions ou substitutions, nécessaires pour changer une trajectoire en une autre. Les deux phases de l'algorithme ont été évaluées en calculant les scores de similarité de ladite distance pour à la fois la séquence de nœuds et la trajectoire complète. Sont aussi représentés à la figure 16 la précision et le taux de rappel moyens des résultats pour les trajectoires. En raison du bruit spatial important des observations cellulaires, l’erreur quadratique moyenne (RMSE pour «Root Mean Square Error» en anglais), est utilisée pour identifier les points appariés entre les positions récupérées et les positions réelles des trajectoires. Par exemple, une erreur de 0,1 kilomètres indique que pour chaque nœud dans la séquence, le nœud est considéré comme un point apparié s’il est dans un rayon de 0,1 kilomètre de son emplacement réel correspondant. Comme visible à la figure 16, avec une erreur autorisée de 200 mètres, plus de 50% des séquences de nœuds et des trajectoires complètes peuvent être récupérés. Ceci est remarquable, étant donné la rareté d’observation des positions de stations de base par rapport à la trajectoire réelle de l'utilisateur, qui a une moyenne de 5,5 observations par trajectoire dans l'ensemble des données tandis que la durée moyenne des trajectoires est de 26,5 km.
La densité de probabilité de la longueur des trajectoires estimées en kilomètres est représentée à la figure 17. La densité de probabilité de la durée des trajectoires estimées en minutes est représentée à la figure 18. Dans un cas, les trajectoires ayant un rayon de giration inférieur à 5 km ont été filtrées, comme expliqué précédemment.
La figure 19 est une représentation agrégée de 1 020 645 trajectoires estimées, grâce à l’invention, sur une période allant de 4h à 12h pour 784 699 utilisateurs se déplaçant en Ile-de-France.
Bien entendu, l'invention n'est pas limitée aux exemples de réalisation qui viennent d'être décrits, dont les caractéristiques peuvent se combiner au sein de variantes non illustrées. L’invention peut être utilisée pour monitorer la charge des réseaux de transport publics, tel RATP et SNCF en France, ou routiers, pour conseiller un report modal, par exemple des axes routiers vers les transports en commun, ou pour du géomarketing statistique, à grande échelle et pas nécessairement ciblé, par exemple en estimant combien de personnes se rendent dans un centre commercial à telle date.
Lors de pics de pollution ou de la défaillance d’un axe de transport, l’invention peut permettre d’indiquer un report modal nécessaire du réseau routier vers les transports en commun ou vice versa. L’invention peut permettre de chiffrer le nombre de personnes ayant assisté à une manifestation, en fonction de leur trajectoire pour s’y rendre.

Claims (16)

  1. REVENDICATIONS
    1. Procédé d’estimation de la trajectoire d’un utilisateur se déplaçant sur des axes de transport au sein d’une zone géographique, notamment des axes de transport routiers et/ou publics, le procédé utilisant un appareil mobile (2) porté par l’utilisateur et relié à un réseau de télécommunications mobiles, et des données cartographiques (3) représentant les axes de transport de la zone à étudier, procédé dans lequel : au cours du déplacement de l’utilisateur, on capture plusieurs données de signalisation représentatives de la connexion successive de l’appareil mobile (2) à différentes stations de base (4) du réseau, et connaissant la position des stations de base (4) par rapport aux axes de transport de la zone à étudier, on fait correspondre, à l’aide d’un modèle statistique, ces données de signalisation aux données cartographiques, afin d’estimer la trajectoire de l’utilisateur.
  2. 2. Procédé selon la revendication 1, dans lequel les données de signalisation proviennent de données de contexte du réseau de données mobiles, notamment appelées données de contexte PDP dans le protocole mobile GTP.
  3. 3. Procédé selon la revendication 1, dans lequel les données de signalisation proviennent des canaux voix du réseau de télécommunications mobiles, notamment provenant du protocole MAP.
  4. 4. Procédé selon la revendication 1 ou 2, dans lequel, par le biais des données de signalisation, la fréquence de mise à jour du contrôle de la connexion de l’appareil mobile (2) à une station de base (4) est comprise entre 1 minute et 18 minutes, mieux entre 5 minutes et 15 minutes.
  5. 5. Procédé selon l’une quelconque des revendications précédentes, dans lequel les données cartographiques (3) correspondent à un graphe des axes de transport de la zone à étudier, comportant des nœuds associés soit aux intersections des routes pour le réseau routier, soit aux stations correspondant aux intersections des lignes du réseau ferré, notamment des lignes de métro, tramway, RER ou train, et des arcs correspondant aux liens entre ces intersections.
  6. 6. Procédé selon l’une quelconque des revendications précédentes, dans lequel les données de signalisation capturées conduisent à une séquence d’observations (oi,..oN), où (on) est le triplet o„ = {x„, yn, tn} défini par la position (xn, yn) de la station de base (4) à laquelle l’appareil mobile (2) est connecté à l’instant (ίβ.
  7. 7. Procédé selon l’une quelconque des revendications précédentes, dans lequel le modèle statistique est un modèle de Markov caché, où les états cachés correspondent avantageusement aux stations du réseau ferré et/ou aux intersections du réseau routier.
  8. 8. Procédé selon la revendication précédente, dans lequel la probabilité de transition (Trfy, y,·)) entre deux états (v,, νβ du modèle, correspondant à deux positions de stations de base (4), s’exprime comme suit :
    avec wmn la vitesse moyenne sur les arcs du graphe des axes de transport de la zone à étudier, et d(vm, vn) la distance géodésique de l’arc reliant les positions m et n, et SPVh VJ le plus court chemin entre v, et y, sur le graphe.
  9. 9. Procédé selon la revendication précédente, dans lequel la vitesse
    x , , si vit Vj sont adjacentes moyenne (wmn) s expnme par : 1 sinon.
  10. 10. Procédé selon l’une quelconque des revendications 5 à 8, dans lequel la probabilité conditionnelle d’émission (Pr(oj|vy)) d’une observation (ot), correspondant à la position d’une station de base (4), étant donné que le modèle de Markov caché se trouve à la position (νβ, s’exprime comme suit :
    si:
    si:
    sinon. avec rtmax la distance entre le centre de cellule de Voronoï associée à l’observation o, et l’extrémité de sa bordure, dç la distance euclidienne entre l’observation ot et la position vj, et τ un seuil correspondant à la distance maximum où un appareil mobile (2) peut être atteint par une antenne cellulaire.
  11. 11. Procédé selon l’une quelconque des revendications 1 à 5, dans lequel le modèle statistique est fondé sur des champs aléatoires conditionnels, sur un filtre particulaire, sur un filtre de Kalman ou sur des réseaux de neurones récurrents.
  12. 12. Procédé selon l’une quelconque des revendications précédentes, dans lequel, afin d’estimer la trajectoire de l’utilisateur, on génère une séquence de nœuds des axes de transport de la zone à étudier à partir de la mise en correspondance entre les données de signalisation et les données cartographiques (3), en fonction des paramètres du modèle statistique, notamment les probabilités de transition (Tr(vu y,)) et d’émission (Pr(Oi|v,·)) dans le cas d’un modèle de Markov caché.
  13. 13. Procédé selon l’une quelconque des revendications précédentes, dans lequel on supprime de la trajectoire estimée des stations de base (4) semblant erronées, en fonction au moins de la densité de probabilité de la distance entre les stations de base du réseau, par filtrage, notamment par filtrage passe-bas.
  14. 14. Procédé selon l’une quelconque des revendications précédentes, dans lequel on réalise un filtrage, notamment passe-haut, pour ne retenir que des trajectoires (t) ayant un rayon de giration (rg(t)) supérieur à un seuil prédéfini, notamment compris entre 2 km et 5 km, le rayon de giration étant défini par :
    avec
    les coordonnées latitude et longitude de la trajectoire t, et
    est le centre de gravité de la trajectoire t.
  15. 15. Procédé selon l’une quelconque des revendications précédentes, dans lequel on estime la fin d’une trajectoire lorsque l’appareil mobile (2) reste connecté à la même station de base (4) pendant une durée supérieure à un seuil prédéfini, notamment égal à 30 minutes.
  16. 16. Produit programme d’ordinateur pour la mise en œuvre du procédé d’estimation de la trajectoire d’un utilisateur se déplaçant sur des axes de transport au sein d’une zone géographique, tel que défini à l’une quelconque des revendications précédentes, utilisant un appareil mobile (2) porté par l’utilisateur et relié à un réseau de télécommunications mobiles, et des données cartographiques (3) représentant les axes de transport de la zone à étudier, le produit programme d’ordinateur comportant des instructions de code qui, exécutées sur un processeur, font que : - au cours du déplacement de Γutilisateur, on capture plusieurs données de signalisation représentatives de la connexion successive de l’appareil mobile (2) à différentes stations de base (4) du réseau, et - connaissant la position des stations de base (4) par rapport aux axes de transport de la zone, on fait correspondre, à l’aide d’un modèle statistique, ces données de signalisation aux données cartographiques (3), afin d’estimer la trajectoire de l’utilisateur.
FR1562736A 2015-12-18 2015-12-18 Procede d'estimation de trajectoires utilisant des donnees mobiles Active FR3046006B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1562736A FR3046006B1 (fr) 2015-12-18 2015-12-18 Procede d'estimation de trajectoires utilisant des donnees mobiles

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1562736A FR3046006B1 (fr) 2015-12-18 2015-12-18 Procede d'estimation de trajectoires utilisant des donnees mobiles
FR1562736 2015-12-18

Publications (2)

Publication Number Publication Date
FR3046006A1 true FR3046006A1 (fr) 2017-06-23
FR3046006B1 FR3046006B1 (fr) 2019-06-07

Family

ID=55451371

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1562736A Active FR3046006B1 (fr) 2015-12-18 2015-12-18 Procede d'estimation de trajectoires utilisant des donnees mobiles

Country Status (1)

Country Link
FR (1) FR3046006B1 (fr)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840872A (zh) * 2019-01-08 2019-06-04 福建福诺移动通信技术有限公司 一种基于运营商信令数据计算城市通勤模型的方法
WO2020065070A1 (fr) * 2018-09-28 2020-04-02 Renault S.A.S Dispositif de planification d'un chemin et/ou d'une trajectoire d'un véhicule automobile
FR3090148A1 (fr) 2018-12-18 2020-06-19 Roofstreet Procédé de recalage cartographique multimodal basé sur le comportement répétitif humain
CN111598114A (zh) * 2019-02-20 2020-08-28 腾讯大地通途（北京）科技有限公司 隐藏状态序列的确定方法和街区的功能类型的确定方法
CN112068168A (zh) * 2020-09-08 2020-12-11 中国电子科技集团公司第五十四研究所 一种基于视觉误差补偿的地质灾害未知环境组合导航方法
CN112969558A (zh) * 2018-06-08 2021-06-15 米兰理工大学 机器人的预测控制方法及相关控制系统
CN114885293A (zh) * 2022-04-26 2022-08-09 和智信(山东)大数据科技有限公司 一种基于深度学习的信令轨迹恢复方法、系统及存储介质
CN115346359A (zh) * 2021-05-12 2022-11-15 中移雄安信息通信科技有限公司 基于职住轨迹的交通拥堵预测方法及系统
CN115484549A (zh) * 2021-06-16 2022-12-16 中国移动通信集团江西有限公司 一种用户出行轨迹确定方法、装置和电子设备
DE102021207528A1 (de) 2021-07-15 2023-01-19 Robert Bosch Gesellschaft mit beschränkter Haftung Erkennung von Verbindungsmustern anhand von Trajektoriendaten
FR3129806A1 (fr) * 2021-11-30 2023-06-02 Orange Procédé d’obtention d’une valeur d’une variable représentative d’un déplacement d’un terminal mobile, dispositif et programme d’ordinateur correspondant.
FR3129807A1 (fr) * 2021-11-30 2023-06-02 Orange Procédé détermination d’un déplacement d’un terminal mobile , dispositif et programme d’ordinateur correspondant.
EP4325903A1 (fr) * 2022-08-18 2024-02-21 Orange Procédé de détermination d'un itinéraire d'un terminal mobile à partir de données relatives à une pluralité d évènements réseau impliquant ledit terminal mobile, dispositif et programme d ordinateur correspondant

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9094797B2 (en) * 2013-07-08 2015-07-28 International Business Machines Corporation Mobile device trajectory estimation
CN104900059A (zh) * 2015-05-26 2015-09-09 大连理工大学 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9094797B2 (en) * 2013-07-08 2015-07-28 International Business Machines Corporation Mobile device trajectory estimation
CN104900059A (zh) * 2015-05-26 2015-09-09 大连理工大学 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ASSAM ROLAND ET AL: "Effective Map Matching Using Curve Tangents and Hidden Markov Model", 2014 10TH INTERNATIONAL CONFERENCE ON MOBILE AD-HOC AND SENSOR NETWORKS, IEEE, 19 December 2014 (2014-12-19), pages 213 - 219, XP032741716, DOI: 10.1109/MSN.2014.36 *
FRANCESCO CALABRESE ET AL: "Real-Time Urban Monitoring Using Cell Phones: A Case Study in Rome", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE, PISCATAWAY, NJ, USA, vol. 12, no. 1, 3 March 2011 (2011-03-03), pages 141 - 151, XP011348833, ISSN: 1524-9050, DOI: 10.1109/TITS.2010.2074196 *
PAUL NEWSON: "HiddenMarkovMapMatching ThroughNoiseandSparseness", 4 November 2009 (2009-11-04), pages 336 - 343, XP055297827, Retrieved from the Internet <URL:http://dl.acm.org/ft_gateway.cfm?id=1653818&type=pdf&CFID=659815326&CFTOKEN=51822446> [retrieved on 20160825] *
SAHAR HOTEIT ET AL: "Estimating Real Human Trajectories through Mobile Phone Data", MOBILE DATA MANAGEMENT (MDM), 2013 IEEE 14TH INTERNATIONAL CONFERENCE ON, IEEE, 3 June 2013 (2013-06-03), pages 148 - 153, XP032444042, ISBN: 978-1-4673-6068-5, DOI: 10.1109/MDM.2013.85 *
SCHULZE GUNNAR ET AL: "Map-Matching Cell Phone Trajectories of Low Spatial and Temporal Accuracy", 2015 IEEE 18TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE, 15 September 2015 (2015-09-15), pages 2707 - 2714, XP032804394, DOI: 10.1109/ITSC.2015.435 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112969558A (zh) * 2018-06-08 2021-06-15 米兰理工大学 机器人的预测控制方法及相关控制系统
WO2020065070A1 (fr) * 2018-09-28 2020-04-02 Renault S.A.S Dispositif de planification d'un chemin et/ou d'une trajectoire d'un véhicule automobile
FR3086622A1 (fr) * 2018-09-28 2020-04-03 Renault S.A.S Dispositif de planification d'un chemin et/ou d'une trajectoire d'un vehicule automobile
CN112771351A (zh) * 2018-09-28 2021-05-07 雷诺股份公司 用于规划机动车辆的路径和/或轨迹的设备
FR3090148A1 (fr) 2018-12-18 2020-06-19 Roofstreet Procédé de recalage cartographique multimodal basé sur le comportement répétitif humain
CN109840872A (zh) * 2019-01-08 2019-06-04 福建福诺移动通信技术有限公司 一种基于运营商信令数据计算城市通勤模型的方法
CN111598114B (zh) * 2019-02-20 2023-07-25 腾讯大地通途（北京）科技有限公司 隐藏状态序列的确定方法和街区的功能类型的确定方法
CN111598114A (zh) * 2019-02-20 2020-08-28 腾讯大地通途（北京）科技有限公司 隐藏状态序列的确定方法和街区的功能类型的确定方法
CN112068168A (zh) * 2020-09-08 2020-12-11 中国电子科技集团公司第五十四研究所 一种基于视觉误差补偿的地质灾害未知环境组合导航方法
CN112068168B (zh) * 2020-09-08 2024-03-15 中国电子科技集团公司第五十四研究所 一种基于视觉误差补偿的地质灾害未知环境组合导航方法
CN115346359A (zh) * 2021-05-12 2022-11-15 中移雄安信息通信科技有限公司 基于职住轨迹的交通拥堵预测方法及系统
CN115484549A (zh) * 2021-06-16 2022-12-16 中国移动通信集团江西有限公司 一种用户出行轨迹确定方法、装置和电子设备
DE102021207528A1 (de) 2021-07-15 2023-01-19 Robert Bosch Gesellschaft mit beschränkter Haftung Erkennung von Verbindungsmustern anhand von Trajektoriendaten
FR3129806A1 (fr) * 2021-11-30 2023-06-02 Orange Procédé d’obtention d’une valeur d’une variable représentative d’un déplacement d’un terminal mobile, dispositif et programme d’ordinateur correspondant.
FR3129807A1 (fr) * 2021-11-30 2023-06-02 Orange Procédé détermination d’un déplacement d’un terminal mobile , dispositif et programme d’ordinateur correspondant.
WO2023099319A1 (fr) * 2021-11-30 2023-06-08 Orange Procédé de détermination d'un déplacement d'un terminal mobile, dispositif et programme d'ordinateur correspondant
WO2023099318A1 (fr) * 2021-11-30 2023-06-08 Orange Procede d'obtention d'une valeur d'une variable representative d'un deplacement d'un terminal mobile, dispositif et programme d'ordinateur correspondant
CN114885293A (zh) * 2022-04-26 2022-08-09 和智信(山东)大数据科技有限公司 一种基于深度学习的信令轨迹恢复方法、系统及存储介质
EP4325903A1 (fr) * 2022-08-18 2024-02-21 Orange Procédé de détermination d'un itinéraire d'un terminal mobile à partir de données relatives à une pluralité d évènements réseau impliquant ledit terminal mobile, dispositif et programme d ordinateur correspondant
FR3138975A1 (fr) * 2022-08-18 2024-02-23 Orange Procédé de détermination d’un itinéraire d’un terminal mobile à partir de données relatives à une pluralité d’évènements réseau impliquant ledit terminal mobile, dispositif et programme d’ordinateur correspondant.

Also Published As

Publication number Publication date
FR3046006B1 (fr) 2019-06-07

Similar Documents

Publication Publication Date Title
FR3046006B1 (fr) Procede d&#39;estimation de trajectoires utilisant des donnees mobiles
Alexander et al. Origin–destination trips by purpose and time of day inferred from mobile phone data
TWI485665B (zh) 結合跨區域位置更新與通話之交通資訊估計方法與系統
AU2018354458A1 (en) Road traffic monitoring and notification system
Asgari et al. CT-Mapper: Mapping sparse multimodal cellular trajectories using a multilayer transportation network
Kalatian et al. Travel mode detection exploiting cellular network data
EP4325903A1 (fr) Procédé de détermination d&#39;un itinéraire d&#39;un terminal mobile à partir de données relatives à une pluralité d évènements réseau impliquant ledit terminal mobile, dispositif et programme d ordinateur correspondant
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
Rodrigues et al. Impact of crowdsourced data quality on travel pattern estimation
Pourmoradnasseri et al. OD-matrix extraction based on trajectory reconstruction from mobile data
TW202215006A (zh) 產生路線導航資料處理裝置及方法
Semanjski et al. Sensing human activity for smart cities’ mobility management
EP2260481B1 (fr) Systeme et procede d&#39;information sur le trafic dans un reseau routier
Asgari Inferring user multimodal trajectories from cellular network metadata in metropolitan areas
Habtie et al. Road Traffic state estimation framework based on hybrid assisted global positioning system and uplink time difference of arrival data collection methods
Shan et al. Feasibility study of urban road traffic state estimation based on taxi GPS data
Mridha et al. Link travel time prediction from large scale endpoint data
EP1664833A1 (fr) Procede pour detecter la presence ou l&#39;absence d&#39;un terminal mobile sur un chemin
Saliba et al. Vehicular traffic flow intensity detection and prediction through mobile data usage
FR3125197A1 (fr) Détermination de trajectoires à partir de données de téléphonie mobile
WO2017098128A1 (fr) Systeme d&#39;analyse spatio-temporelle des flux d&#39;objets mobiles
TW202147272A (zh) 車流推估方法與系統
Holleczek et al. Digital breadcrumbs: Detecting urban mobility patterns and transport mode choices from cellphone networks
US9420427B2 (en) Method and system for tracking the whereabouts of people in urban settings
FR3088113A1 (fr) Procede de prediction du prochain trajet d’une personne

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20170623

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7

PLFP Fee payment

Year of fee payment: 8

PLFP Fee payment

Year of fee payment: 9