FR3068810A1 - Procede et dispositif de commande d'un dispositif electronique - Google Patents

Abstract

L'invention concerne un procédé de commande d'un dispositif électronique, comprenant : recevoir des données issues de capteurs situés dans une zone géographique ou à une distance inférieure à une distance prédéterminée de la zone géographique ; déterminer, à partir d'une base de données d'activités et des données reçues, une classe d'activité relative à un premier temps ti pour un individu ; déterminer un degré de disponibilité relatif au premier temps ti à partir de la classe d'activité relative au premier temps ti déterminée et d'une base de connaissance de disponibilité ; et générer un signal de commande à destination du dispositif électronique en fonction du degré de disponibilité relatif au premier temps ti déterminé..

Description

PROCEDE ET DISPOSITIF DE COMMANDE D’UN DISPOSITIF ELECTRONIQUE

La présente invention concerne le domaine de Γidentification d’individus dans un environnement (tel qu’une maison, un appartement, un bureau, etc.), en particulier dans un environnement intelligent.

Il est important de pouvoir identifier les individus présents dans un environnement, et de pouvoir évaluer leur disponibilité à un instant donné ou sur une période donnée.

En effet, la connaissance de la disponibilité d’un habitant d’une maison peut être exploitée pour adapter, personnaliser ou contextualiser un service ou une application.

Une telle adaptation des services peut être intéressante notamment dans le domaine de la sécurité.

Par exemple, un appel téléphonique urgent peut être redirigé automatiquement vers un autre destinataire si le destinataire initial de l’appel n’est pas disponible à l’instant où l’appel est émis, ou s’il est estimé que le destinataire initial ne sera pas disponible avant un certain temps.

La plupart des solutions actuellement existantes pour déterminer la disponibilité d’un individu utilisent des méthodes « déclaratives », dans lesquelles l’individu indique l’activité qu’il est en train de réaliser et son niveau de disponibilité, ou l’ensemble des activités prévues pendant une période donnée (par exemple, son emploi du temps pendant les jours ouvrés).

Ces solutions utilisent par exemple les données qu’un utilisateur a entrées dans son agenda électronique, ou des indications telles que des statuts et/ou des émoticônes sur les réseaux sociaux (ex : « au cinéma », « en réunion », « au parc », un émoticône « écouter de la musique », ...).

Cependant, de telles solutions nécessitent que l’utilisateur indique de manière régulière ses activités, ce qui est contraignant et intrusif. De plus, si les agendas électroniques peuvent être utilisés dans le cadre professionnel, ils sont nettement moins adaptés dans le cadre personnel. En effet, un habitant d’une maison n’indique pas toutes les activités pendant lesquelles il n’est pas / il est peu disponible (par exemple, lorsqu’il prépare le repas, déjeune, prend sa douche, ...).

Par ailleurs, l’activité n’est pas le seul paramètre qui permet de définir le degré de disponibilité de l’individu. En effet, pour une même activité, le degré de disponibilité peut varier selon les individus. Le degré de disponibilité peut aussi varier aussi selon un lieu (par exemple : maison, travail, transport), un moment (ex. : jour de semaine et week-end), un moyen de communication (ex. : disponible par mail, mais pas par téléphone ou visioconférence) et du correspondant (ex. : famille, amis, collègues, artisans, contacts inconnus, etc.).

Ainsi, il peut être intéressant de disposer d’une connaissance sur la disponibilité des différents individus en fonction de ces différents paramètres, et de pouvoir estimer le degré de disponibilité d’un individu dans un contexte précis.

Il existe ainsi un besoin pour pouvoir déterminer le niveau de disponibilité d’un individu sans que celui-ci n’ait besoin de déclarer l’ensemble de ses activités, de manière « transparente » et personnalisée pour cet individu.

La présente invention vient améliorer la situation.

Selon un premier aspect, il est proposé un procédé de commande d’un dispositif électronique, mis en œuvre par des moyens informatiques, comprenant :

/a/ recevoir des données issues de capteurs situés dans une zone géographique ou à une distance inférieure à une distance prédéterminée de la zone géographique ;

/b/ déterminer, à partir d’une base de données d’activités et des données reçues, une classe d’activité relative à un premier temps ti pour un individu ;

Ici déterminer un degré de disponibilité relatif au premier temps ti à partir de la classe d’activité relative au premier temps ti déterminée et d’un ensemble de données de disponibilité de référence ; et /d/ générer un signal de commande à destination du dispositif électronique en fonction du degré de disponibilité relatif au premier temps ti déterminé.

Par « zone géographique » on entend une zone spatiale, qui correspond à un environnement particulier, comme une maison, un immeuble, un appartement, un bureau, etc.

Par « activité » on entend une tâche effectuée par un utilisateur. Dans le cadre de la vie quotidienne et domestique, ces activités peuvent être par exemple : se doucher, se nourrir, faire sa toilette, s’habiller, dormir, marcher, regarder la télévision, faire la cuisine, faire le ménage, etc. Ainsi, la variable qualitative « activité » peut être définie selon un ensemble prédéterminé de classes appelées « classes d’activité ».

Par « classe d’activité relative à un premier temps fi » on entend que la classe d’activité déterminée est relative à une activité effectuée à un instant ou sur une période de temps, dans chaque cas défini(e) par rapport à un temps fi (qui correspond typiquement à un instant « courant » ou à un instant « futur » par rapport à des données reçues). Par exemple, cette classe d’activité peut concerner l’activité réalisée par un individu à un instant fi, l’activité réalisée pendant un intervalle de temps [fi ; fi + ôfi], ou l’activité réalisée pendant un intervalle de temps [fi - δίχ ; fi + δίχ] (avec δίχ >0).

Par « disponibilité » on entend le degré de tolérance d’un individu à être interrompu pendant la réalisation d’une activité. Ainsi, un « degré de disponibilité » correspond à une variable permettant de quantifier la disponibilité de l’individu. Par exemple, le degré de disponibilité peut être une variable quantitative discrète prenant des valeurs entières, ou une variable qualitative ordinale.

Avantageusement, le procédé proposé utilise des données issues de capteurs dans une zone géographique pour déterminer une activité d’un utilisateur. Cette activité peut ensuite être associée à un degré de disponibilité. L’association entre la classe d’activité et le degré de disponibilité de l’utilisateur en train d’effectuer l’activité peut être réalisée à partir d’un ensemble de données de disponibilité de référence, qui permettent d’associer un degré de disponibilité à une activité, pour un individu I. Par exemple l’ensemble de données de disponibilité de référence peut correspondre à une base de données de correspondances, ou à des courbes de correspondances, ou à tout autre moyen permettant de mettre en correspondance plusieurs variables.

Bien entendu, il est aussi possible de prédire un degré de disponibilité D| de l’utilisateur à un temps fi > fi à partir du même procédé.

A partir du degré de disponibilité déterminé, un signal de commande peut avantageusement être généré pour commander un dispositif électronique.

Par exemple, si l’utilisateur I n’est pas disponible pour décrocher manuellement son téléphone à l’instant fi (instant « courant »), un signal peut être envoyé vers le téléphone pour que celui-ci bascule en mode « commande vocale ». Ainsi l’utilisateur peut répondre à un appel sans avoir à activer manuellement une commande du téléphone, uniquement grâce à des instructions vocales.

Selon un autre exemple, il peut être déterminé que l’utilisateur ne pourra pas recevoir d’appels téléphoniques jusqu’à un temps ti (instant « futur »), auquel cas un signal peut être envoyé vers l’appareil de l’interlocuteur pour l’en informer et/ou lui proposer de favoriser la communication par courriel ou par SMS.

Dans un mode de réalisation, les capteurs peuvent comprendre au moins un capteur mesurant un paramètre physique.

Par « paramètre physique » on entend un paramètre dont l’objet est la mesure d’une caractéristique physique. Par exemple, les paramètres physiques peuvent comprendre : une consommation électrique, une luminosité, un mouvement, une présence, une température, etc.

Dans un mode de réalisation, les capteurs peuvent comprendre au moins un capteur mesurant de manière binaire un paramètre physique.

Par « capteur mesurant de manière binaire un paramètre physique », on entend un capteur qui mesure une information relative à une variable binaire associée à un paramètre physique.

Par exemple, des mesures binaires associées à ces exemples de paramètres physiques peuvent comprendre : augmentation de la consommation électrique = « OUI / NON », augmentation de la luminosité = « OUI / NON », « mouvement / pas de mouvement », « présence / absence », température supérieure à 21°C = « OUI / NON », etc.

Un avantage de l’utilisation de tels capteurs est que l’information recueillie peut être représentée sur un seul bit. Il est donc possible de constituer un vecteur représentant l’ensemble des informations recueillies à partir des différents capteurs sur un faible nombre de bits. Ue traitement des données est ainsi simplifié et peut être opéré de manière rapide.

Selon un mode de réalisation de l’invention, les capteurs sont exclusivement des capteurs mesurant de manière binaire des paramètres physiques.

Selon un mode de réalisation de l’invention, les capteurs peuvent comprendre au moins un capteur mesurant des valeurs numériques (entières ou réelles) d’un paramètre physique.

Par exemple, les capteurs utilisés peuvent mesurer une valeur de la température ou de la consommation électrique.

Selon un mode de réalisation de l’invention, les capteurs comprennent au moins un capteur catégorisant par un libellé un paramètre physique.

Ainsi, l’information recueillie par le capteur est fournie sous la forme d’une variable qualitative (nominale ou ordinale). Par exemple, un capteur d’une station météo peut fournir une information du type « nuageux » / « ensoleillé » / « pluvieux », un capteur d’ouverture de porte peut fournir une information sous la forme « ouverte » / « fermée », etc.

Selon un mode de réalisation du procédé, la détermination de la classe d’activité relative au premier temps ti peut en outre comprendre :

réaliser une analyse prédictive à partir d’une séquence temporelle de classes d’activité relatives à des temps respectifs t₀ précédant le temps ti pour l’individu.

Dans ce mode de réalisation, une prédiction d’une activité courante est donc effectuée à partir d’une séquence d’activités passées {A_b ..., A_k}.

L’analyse prédictive peut être réalisée en utilisant une base de données dites « comportementales », qui contient des informations sur les habitudes de l’utilisateur I par rapport à ses activités. Notamment, cette base de données comportementales peut contenir un historique de séquences d’activités pour l’individu I, qui ont été enregistrées « en amont », et qui ont été préférentiellement validées (en partie ou en totalité) par l’individu I.

Ce mode de réalisation est avantageux en ce qu’il utilise, en outre des données de capteurs, les activités passées de l’utilisateur (pour des temps inférieurs à ti). Cela permet d’une part d’évaluer et/ou d’améliorer le niveau de confiance que l’on peut accorder à l’activité courante déterminée, et d’autre part de mieux prendre en compte les habitudes d’un utilisateur.

Par exemple, pour un utilisateur I, une séquence passée d’activité {« préparer le petit déjeuner», «prendre le petit déjeuner», «ranger la cuisine»} a été déterminée. Par ailleurs, à partir des habitudes de l’utilisateur I, on peut déterminer, grâce à une analyse prédictive, que l’activité la plus probable qui suit la séquence {« préparer le petit déjeuner », « prendre le petit déjeuner », « ranger la cuisine »} est « prendre sa douche ».

Si, à partir des données courantes de capteurs, l’activité « prendre le petit déjeuner » est déterminée, cela peut indiquer que ce n’est pas l’utilisateur I qui est en train de prendre son petit déjeuner, ou que l’individu I est toujours dans la cuisine mais qu’il est probablement en train de faire une autre activité, etc. Autrement dit, la confiance dans l’activité « prendre le petit déjeuner » déterminée pour l’individu I est affaiblie par la prédiction réalisée.

Si, à partir des données courantes de capteurs, l’activité « prendre sa douche » est déterminée, la confiance est renforcée par la prédiction réalisée.

Selon un mode de réalisation, il est possible d’associer une mesure de confiance à l’activité déterminée à l’instant fi, et cette mesure de confiance peut être fonction du résultat de l’analyse prédictive.

Selon un autre mode de réalisation, chacune des deux activités déterminées (à partir des capteurs et à partir de l’analyse prédictive) est associée à une mesure de confiance, et l’activité « choisie » pour déterminer la disponibilité de l’utilisateur est celle qui a la plus grande mesure de confiance parmi les deux.

L’analyse prédictive pour la détermination de la classe d’activité relative au premier temps ti peut utiliser un algorithme d’apprentissage semi-supervisé.

En outre, la détermination du degré de disponibilité relatif au premier temps ti peut comprendre :

réaliser une analyse prédictive à partir d’une séquence temporelle de degrés de disponibilité à des temps respectifs t₀ précédant le temps fi pour l’individu.

Dans ce mode de réalisation, une prédiction d’un degré de disponibilité courant est donc effectuée à partir d’une séquence de degrés de disponibilité passés. Cela permet avantageusement d’évaluer le niveau de confiance que l’on peut accorder au degré de disponibilité déterminé à partir de l’activité courante (et éventuellement de l’adapter en fonction des résultats passés).

Par exemple, si les degrés de disponibilité sont définis comme {-2 : Pas du tout disponible ; -1 : Peu disponible ; 0 : Sans opinion ; 1 : Assez disponible ; 2 : Totalement disponible}, que la séquence de degrés de disponibilité passés de l’individu I est {-2 ; -1 ; 2 ; -2}, il est peu probable que le degré de disponibilité courant soit égal à 2.

En outre, la base de données comportementales peut comprendre des informations sur les habitudes de l’utilisateur I par rapport à ses disponibilités. En particulier, la base de données comportementales peut contenir un historique de séquences de degrés de disponibilités pour l’individu I, qui ont été enregistrées « en amont », et qui ont été préférentiellement validées (en partie ou en totalité) par l’individu I.

L’analyse prédictive pour la détermination du degré de disponibilité relatif au premier temps ti peut être en outre réalisée à partir d’une séquence temporelle de classes d’activité relatives à des temps respectifs t₀ précédant le temps ti pour l’individu et de la classe d’activité la classe d’activité relative au premier temps ti déterminée pour l’individu.

Avantageusement, la base de données de disponibilités contient des informations sur les habitudes de l’utilisateur I par rapport à ses disponibilités, relativement à des activités pratiquées.

Ainsi, selon ce mode de réalisation, la séquence d’activités passée est avantageusement exploitée pour déterminer un degré de disponibilité « plausible » pour un temps courant (ou futur).

L’analyse prédictive pour la détermination du degré de disponibilité relatif au premier temps ti peut utiliser un algorithme d’apprentissage semi-supervisé.

Selon un mode de réalisation, le procédé peut en outre comprendre :

recevoir, du dispositif électronique, une information relative à un moyen de communication ;

le degré de disponibilité relatif au premier temps ti pouvant être déterminé en fonction du moyen de communication utilisé.

Par exemple, un individu peut être disponible pour recevoir des messages de type texte, mais être indisponible pour des appels vocaux. Définir des degrés de disponibilité différents pour un même individu et une même activité, mais pour des moyens de communication différents, offre donc la possibilité de modéliser de manière plus précise la disponibilité.

Par exemple, le moyen de communication peut correspondre à un couple constitué d’un terminal et d’un mode de communication, dans lequel le terminal est un téléphone fixe, un téléphone mobile, une tablette ou un ordinateur, dans lequel le mode de communication est un texte, un signal vocal ou un signal vidéo.

Selon un mode de réalisation, le degré de disponibilité est fonction d’un correspondant initiateur de données de communication.

En effet, le degré de disponibilité peut être différent selon l’identité du correspondant qui cherche à joindre l’individu. Par exemple, un individu « en réunion » peut être « très disponible » pour ses supérieurs hiérarchiques, « peu disponible » pour la famille proche, et « non disponible » pour les autres.

En outre, la détermination de la classe d’activité relative au premier temps ti peut être réalisée grâce à au moins un algorithme de classification supervisée.

Selon un mode de réalisation, le procédé peut en outre comprendre : déterminer une mesure de confiance associée au degré de disponibilité relatif au premier temps ti déterminé ; et les opérations de traitement /a/ à Ici peuvent être répétées jusqu’à ce que ladite mesure de confiance soit supérieure à un seuil prédéterminé.

La mesure de confiance permet de quantifier la fiabilité de la prédiction réalisée. Ainsi, dans ce mode de réalisation, la génération du signal n’est effectuée qu’une fois que la prédiction est suffisamment fiable.

Par exemple, si un individu est considéré comme « indisponible » et que la mesure de confiance est « élevée » (supérieure à un seuil prédéterminé), l’appel n’est pas transmis à l’individu et le message vocal laissé par le correspondant est envoyé sous forme de SMS. Si la mesure de confiance est trop « faible » (inférieure à un seuil prédéterminé), de nouvelles données sont reçues pour affiner la prédiction.

La mesure de confiance de la prédiction peut dépendre de paramètres très variés, comme la quantité d’informations de la base de données comportementales, l’adéquation entre la disponibilité déterminée et la base de données comportementales, etc.

En outre, la classe d’activité déterminée peut aussi être associée à une mesure de confiance dite d’activité. Dans ce cas, la mesure de confiance de la prédiction peut aussi dépendre de la mesure de confiance d’activité.

Selon le mode de réalisation choisi, la détermination de la classe d’activité relative au temps ti peut comprendre :

- pour une pluralité de sous-ensembles de données parmi les données reçues, déterminer, pour chaque sous-ensemble de données, une classe d’activité respective pour l’individu ;

- déterminer une classe finale d’activité à partir desdites classes d’activité associées auxdits sous-ensembles.

Selon ce mode de réalisation, le degré de disponibilité relatif au premier temps ti peut être déterminé à partir de la classe finale d’activité.

Dans ce mode de réalisation, chaque sous-ensemble de données peut correspondre respectivement à un périmètre géographique associé à la zone géographique.

Par « périmètre géographique associé à la zone géographique » on entend un périmètre situé à l’intérieur de la zone géographique. Par exemple, le périmètre géographique peut désigner la salle de bains de la zone géographique « appartement ».

En particulier, la zone géographique peut être une maison, et des périmètres géographiques peuvent correspondre à des pièces de la maison.

Ce mode de réalisation permet de segmenter l’analyse des données selon des « lieux ». Pour un lieu donné, les données de capteurs utilisées sont celles des capteurs situés sur ce lieu ou plus généralement de capteurs d’acquisition de données relatives à ce lieu, et l’activité déterminée est elle-aussi associée à ce lieu. Des algorithmes de classification peuvent être utilisés séparément par lieu, pour déterminer une activité par lieu.

Par exemple, si la zone géographique comporte trois lieux, trois classes d’activité At_u< At_u, relatives à un temps t₀ peuvent être déterminées. Puis, pour un utilisateur donné, une unique classe d’activité A_tu (dite « finale ») peut être déterminée à partir des trois classes Α^,Αξ,Α^.

Une telle segmentation des données permet d’améliorer la précision de la détermination de l’activité. En particulier, elle permet d’intégrer un nombre de situations beaucoup plus grand. Par exemple, une analyse séparée par lieu permet de détecter deux activités réalisées à deux endroits par deux individus différents, et de choisir parmi ces deux activités celle qui correspond à un individu en particulier.

En outre, la détermination des classes d’activités pour les différents lieux peut comporter une évaluation d’une mesure de confiance pour chaque classe d’activité. La détermination de la classe d’activité finale peut alors être effectuée en fonction des mesures de confiance évaluées. Par exemple, la classe d’activité finale peut être la classe d’activité ayant la plus grande mesure de confiance.

Selon un autre aspect, il est proposé un dispositif de commande d’un dispositif électronique, le dispositif comprenant un circuit configuré pour la mise en œuvre d’un procédé selon l’un quelconque des modes de réalisation précédents.

Un programme informatique, mettant en œuvre tout ou partie du procédé décrit ci-avant, installé sur un équipement préexistant, est en lui-même avantageux, dès lors qu’il permet de commander un dispositif électronique en fonction de la prédiction de disponibilité d’un individu.

Ainsi, selon un autre aspect, il est proposé un programme d’ordinateur, chargeable dans une mémoire associée à un processeur, et comprenant des portions de code pour la mise en œuvre d’un procédé selon l’une quelconque des modes de réalisation précédents lors de l’exécution dudit programme par le processeur.

Ce programme pourra utiliser n’importe quel langage de programmation (par exemple, un langage objet ou autre), et être sous la forme d’un code source interprétable, d’un code partiellement compilé ou d’un code totalement compilé.

La figure 2, décrite en détails ci-après, peut former l’organigramme de l’algorithme général d’un tel programme informatique.

Un autre aspect concerne un support de stockage non-transitoire d’un programme exécutable par ordinateur, comprenant un ensemble de données représentant un ou plusieurs programmes, lesdits un ou plusieurs programmes comprenant des instructions pour, lors de l’exécution desdits un ou plusieurs programmes par un ordinateur comprenant une unité de traitement couplée de manière opérationnelle à des moyens mémoire et à un module d’interface entrées/sorties, conduire l’ordinateur à mettre en œuvre tout ou partie du procédé décrit dans les présentes.

D’autres caractéristiques et avantages de l’invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :

- la figure 1 illustre une réception de données pour une détermination d’une prédiction de disponibilité selon un mode de réalisation ;

- la figure 2 illustre un ordinogramme d’un procédé de commande d’un dispositif électronique selon un mode de réalisation particulier ;

- la figure 3 illustre une détermination d’une activité selon un mode de réalisation particulier ;

- la figure 4 illustre un exemple de tableau de disponibilité pour une activité A d’un individu I réalisée à un temps T dans un lieu L en fonction du mode de communication et du correspondant, selon un mode de réalisation particulier ;

- la figure 5 illustre un dispositif de commande d’un dispositif électronique selon un mode de réalisation particulier.

La figure 1 illustre une réception de données pour une détermination d’une prédiction de disponibilité selon un mode de réalisation.

Des capteurs 102, 103, 104, 105, aptes à communiquer avec un dispositif 106 via un protocole de communication filaire et/ou sans fil, sont situés dans une zone géographique 100. Des capteurs peuvent aussi être placés à une distance inférieure à une distance prédéterminée de la zone géographique. Par exemple, sur la figure 1, un capteur (ou détecteur) d’ouverture de porte 101 est disposé près de la porte d’entrée, sur la façade extérieure de la maison 100. Selon d’autres exemples, des capteurs peuvent aussi être disposés dans le jardin, sur la terrasse, dans le garage, etc.

Dans l’exemple représenté en figure 1, la zone géographique 100 correspond de manière non limitative à une maison équipée de capteurs domotiques. Bien entendu, la zone géographique peut correspondre à tout autre environnement équipé de capteurs, comme un ensemble de bureaux, un bureau individuel, un appartement, etc.

Selon un mode de réalisation, certains des capteurs 101, 102, 103, 104, 105 mesurent des paramètres physiques, comme une température, une consommation électrique, une consommation d’eau ou de gaz, une luminosité, un signal sonore, un mouvement, etc.

Dans un mode de réalisation avantageux, les capteurs 101, 102, 103, 104, 105 sont configurés pour fournir une information dite « bas niveau », c’est-à-dire une information simple et ne nécessitant pas de traitement informatique complexe.

Typiquement, ces capteurs mesurent une variable binaire de type « OUI/NON », par exemple : « présence / absence » d’individus dans une pièce ; « porte ouverte / fermée », obtenue grâce à un capteur 101 d’un détecteur d’ouverture / de fermeture de porte ; « ampoule allumée / ampoule éteinte », obtenue grâce à un capteur 102 dans un interrupteur connecté à une ampoule; «volet ouvert / fermé», obtenu grâce à un détecteur 104 d’ouverture / de fermeture de volets ; « téléviseur allumé / téléviseur éteint ou en veille », obtenue grâce à un capteur 105 relié à un téléviseur ; etc.

Les capteurs « bas niveau » peuvent comprendre des capteurs configurés pour fournir une information de type « labels » ou « catégories ». Par exemple, un capteur 103 d’humidité peut mesurer l’humidité selon les catégories « faible » / « moyenne » / « importante ».

Les capteurs « bas niveau » peuvent comprendre des capteurs configurés pour fournir une information numérique (entière ou réelle), comme une température en degrés Celsius, une consommation d’électricité en kilowatts, un son ambiant en décibels, etc.

Bien entendu, des capteurs fournissant une information plus complexe peuvent aussi être utilisés (comme un micro d’ambiance intégrant un logiciel de reconnaissance vocale, ou une caméra de surveillance intégrant un logiciel de reconnaissance de formes). Toutefois, le procédé peut avantageusement être réalisé en n’utilisant que des capteurs « bas niveau ».

Selon un mode de réalisation, le dispositif 106 est équipé d’un module de communication comprenant un ou plusieurs récepteur(s) sans fil configuré(s) pour recevoir des données issues des différents capteurs 101, 102, 103, 104, 105.

Le dispositif 106 peut être situé dans ou en dehors de la zone géographique 100. En outre, le dispositif 106 peut être un dispositif indépendant, ou bien un dispositif intégré à un équipement informatique de la zone géographique 100. Par exemple, le dispositif 106 peut être intégré dans un dispositif électronique de fourniture d’accès à Internet, tel qu’une passerelle de service, parfois désignée sous le terme « box » pour une passerelle résidentielle.

Pour recevoir les données issues des capteurs 101, 102, 103, 104, 105, le dispositif 106 peut être équipé d’un circuit électronique de communication pour communiquer selon un protocole adapté à la technologie des objets connectés.

Un tel circuit électronique de communication peut par exemple être un circuit de communication PAN (pour « Personal Area Network » en anglais, ou réseau personnel en français), qui permet des communications sur des distances allant de quelques centimètres jusqu’à une dizaine de mètres selon la technologie utilisée. Par exemple, le circuit électronique de communication PAN peut utiliser une ou plusieurs technologies de communication parmi les technologies Wifi, Bluetooth, Infrarouge, NFC, Zigbee, Enocean, Z-Wave, etc.

Le circuit électronique de communication peut aussi utiliser un LPWAN (pour « LowPower Wide-Area Network » en anglais, ou « réseau sans fil étendu à faible consommation énergétique » en français), qui permet des communications à longue portée, à un débit très faible. Ce type de réseau est particulièrement adapté aux applications M2M (pour « Machine to Machine » en anglais, ou communication entre machines en français) et à l’Internet des objets (ou IoT pour « Internet of Things » en anglais), qui sont généralement limités en termes de capacité de mémoire, de puissance de calcul et d’énergie. Par exemple, le circuit électronique peut utiliser un réseau parmi Sigfox, LTE-M, ou LoRaWAN.

Selon un mode de réalisation, le dispositif 106 peut envoyer une partie ou l’intégralité des données reçues (éventuellement après les avoir prétraitées) à un serveur externe afin que celles-ci soient analysées.

Bien entendu, le dispositif 106 est optionnel. Dans un mode de réalisation, les données peuvent être directement envoyées depuis les capteurs vers un serveur externe.

Dans un autre mode de réalisation, une partie des données est envoyée directement à un serveur externe, et une autre partie des données est envoyée au dispositif 106. Le dispositif 106 peut en outre envoyer tout ou une partie des données qu’il a reçues au serveur externe, éventuellement après les avoir prétraitées.

A partir des données issues des capteurs 101, 102, 103, 104, 105, des activités (ou classes d’activité) des personnes présentes dans la zone géographique 100 peuvent être déterminées.

Par exemple, si seuls les capteurs situés dans la cuisine émettent des signaux, cela peut signifier qu’il y a un seul individu dans la maison, et qu’il est dans la cuisine. Si de plus les capteurs indiquent que le réfrigérateur a été ouvert et fermé plusieurs fois, et que la plaque de cuisson est allumée, cela peut indiquer que cet individu est en train de cuisiner. Bien entendu, comme les habitudes des utilisateurs pour une même activité sont très variables d’un individu à l’autre, il n’est pas possible de construire des règles exhaustives qui permettraient de déterminer de manière certaine une activité à partir des seules données de capteurs. Ainsi, il est nécessaire, pour identifier une activité et l’associer à un individu, de disposer d’une base de données constituées à partir d’exemples de situations pour les différents individus possibles. Par exemple, cette base de données (dite « d’activités ») peut comprendre, pour chaque individu I et pour chaque activité possible A, une liste de données relevées dans un exemple de réalisation de l’activité A par l’individu I.

Si les capteurs situés dans la cuisine et dans le bureau indiquent simultanément une activité, cela peut indiquer qu’au moins deux individus sont présents dans la maison, et que l’un cuisine tandis que l’autre est en train d’utiliser son ordinateur professionnel. Dans ce cas, une connaissance des habitudes des utilisateurs peut permettre de déterminer l’identité de l’individu qui est en train de cuisiner, et celle de l’individu qui est en train d’utiliser son ordinateur professionnel.

En analysant l’ensemble des données reçues, ainsi éventuellement que les moments auxquels elles sont reçues (par exemple : matin, midi, après-midi, soirée, nuit) et les lieux où elles sont reçues (par exemple : cuisine, salle de bain, toilettes, salon, salle à manger, chambre, garage, cellier, grenier, couloir, escalier), en les mettant en relation avec des habitudes d’utilisateurs préalablement analysées et enregistrées (dans la base de données d’activités), il est possible de déterminer une classe d’activité réalisée par un utilisateur, dans un heu donné, à un temps donné.

La classe d’activité déterminée peut être associée à un degré (ou « mesure ») de confiance plus ou moins important. Par exemple, si les données reçues proviennent de peu de capteurs, ou si elles ne permettent pas de discriminer suffisamment les activités et/ou les individus, le degré de confiance déterminé sera faible. A l’inverse, lorsque les données reçues proviennent d’un nombre estimé important de capteurs (par exemple au-delà d’un seuil prédéterminé) et permettent de bien discriminer l’activité et l’utilisateur, le degré de confiance déterminé sera élevé.

Selon un mode de réalisation, la mesure de confiance est une mesure de probabilité. Par exemple, la mesure de confiance peut correspondre à la probabilité du quadruplet {Identité, Lieu, Temps, Activité} déterminé.

La figure 2 illustre un ordinogramme d’un procédé de commande d’un dispositif électronique selon un ou plusieurs modes de réalisation.

Une pluralité de données issues de capteurs 101, 102, 103, 104, 105 situés dans ou à proximité de ladite zone géographique 100 sont tout d’abord reçues 201 par un dispositif configuré pour la mise en œuvre du procédé proposé. Ces données reçues peuvent être, en option, prétraitées 202 avant d’être analysées.

Dans un mode de réalisation, le prétraitement peut comporter un fenêtrage temporel des signaux reçus. Selon ce mode de réalisation, des données reçues pendant une fenêtre temporelle At sont analysées pour la détermination de la disponibilité d’individus présents dans la zone géographique 100. Cela permet notamment de réduire la quantité d’informations stockée. Cela permet également de ne tenir compte que des informations « récentes », qui sont plus pertinentes pour prédire une disponibilité d’un individu.

Alternativement ou en complément au mode de réalisation précédent, le prétraitement peut comprendre une application d’autres algorithmes de traitement du signal, comme un algorithme de lissage, de débruitage, de normalisation (ex. : entre 0 et 1 pour avoir toutes les données des capteurs sur un même référentiel), de vectorisation (ex. : concaténation des valeurs des différents capteurs sur une fenêtre de temps), de synchronisation, etc.

Suite au prétraitement 202 illustré sur la figure 2, une activité réalisée par un individu présent dans la zone géographique 100 est déterminée 203 à partir des données reçues et éventuellement prétraitées, et d’une base de données d’activités 204.

Comme détaillé ci-après, la base de données d’activités 204 peut comprendre des exemples de données représentatifs d’une activité, qui permettent, à l’aide d’un algorithme de classification, de déterminer une activité à partir de nouvelles données de capteurs.

Cette base de données peut être régulièrement mise à jour, notamment à partir des nouvelles données reçues 201.

Selon une réalisation possible, la détermination de l’activité A_k+i comporte en outre une analyse prédictive 205 réalisée à partir d’une séquence d’activités passées {A_b ..., A_k}. L’analyse prédictive peut comprendre l’utilisation d’un algorithme d’apprentissage automatique.

Cette analyse prédictive 205 peut être effectuée à partir d’une base de données comportementales 206 qui contient des données relatives à des habitudes d’un individu par rapport à ses activités. Par exemple, la base de données comportementales peut contenir des ensembles de séquences d’activités, validées en totalité ou en partie par l’utilisateur.

Une fois la détermination d’activité 203 effectuée, on détermine 207 un degré de disponibilité de l’individu.

De manière non limitative, les degrés de disponibilité peuvent être définis selon une échelle de valeurs entières, par exemple : {-2 : Pas du tout disponible ; -1 : Peu disponible ; 0 : Sans opinion ; 1 : Assez disponible ; 2 : Totalement disponible}.

Le degré de disponibilité peut être déterminé sur la base d’autres paramètres qu’une classe d’activité. Par exemple, un degré de disponibilité de l’utilisateur I peut en outre être déterminé en fonction du correspondant qui cherche à joindre l’utilisateur, et/ou du moyen de communication utilisé pour le joindre.

Par exemple, si l’utilisateur prend une douche, il peut déclarer être complètement indisponible pour toute communication par le téléphone fixe quel que soit son interlocuteur. Par contre dans cette même situation, il peut déclarer être disponible pour sa famille proche pour recevoir un message textuel sur son ordinateur portable situé dans le salon.

Par exemple, les correspondants peuvent être définis selon les catégories suivantes : Famille proche, Famille éloignée, Collègues hors supérieurs hiérarchiques, Supérieurs hiérarchiques, Amis, Autres connaissances (artisans, école, médecins, ...), Inconnus.

Dans un ou plusieurs modes de réalisation, les moyens de communications peuvent être séparés en deux catégories {Synchrone ; Asynchrone}, où le terme « synchrone » correspond au fait que le destinataire est supposé recevoir, consulter et répondre de manière immédiate aux données (par ex., appels téléphoniques, messageries instantanées ou visioconférences) et le terme « asynchrone » correspond au fait que le destinataire peut recevoir, consulter et répondre de manière différée aux données (par ex. un courriel ou SMS).

Chacune de ces deux catégories peut elle-même comprendre des sous-catégories. Par exemple, les communications « synchrones » peuvent être définies selon les souscatégories {Voix ; Vidéo ; Texte}, où « Voix » est définie selon les étiquettes {Téléphone fixe ; Téléphone mobile ; Tablette ; Ordinateur}, « Vidéo » est définie selon {Téléphone mobile ; Tablette ; Ordinateur} ; et « Texte » est définie selon {Téléphone mobile ; Tablette ; Ordinateur}. Les communications « asynchrones » peuvent être définies selon les sous-catégories {Voix ; Texte}, où « Voix » est définie selon {Téléphone fixe ; Téléphone mobile}, et « Texte » est définie selon {Téléphone mobile ; Tablette ; Ordinateur}.

La détermination 207 du degré de disponibilité peut être réalisée en associant l’activité déterminée en 203 au degré de disponibilité correspondant, via un ensemble de données de disponibilité de référence 208, dans laquelle sont enregistrés pour chaque utilisateur des degrés de disponibilité possibles en fonction de l’activité réalisée. Cet ensemble de données de disponibilité de référence 208 peut être constitué, mis à jour et/ou enrichi à partir d’exemples de disponibilité indiqués par l’utilisateur pour des activités de la vie quotidienne.

Dans un ou plusieurs modes de réalisation, l’ensemble de données de disponibilité de référence 208 peut, à titre d’alternative ou en complément, être constitué, mis à jour et/ou enrichi en fonction des nouvelles données reçues, par apprentissage à partir des choix de l’utilisateur (par exemple, en détectant que l’utilisateur ne répond jamais aux appels téléphoniques des contacts autres que travail et famille proche l’après-midi, lorsqu’il est sur l’ordinateur du salon).

Selon un mode de réalisation, l’ensemble de données de disponibilité de référence 208comprend un ensemble de tableaux, où chaque tableau contient, pour un quadruplet {Identité, Lieu, Temps, Activité}, un ou plusieurs degrés de disponibilité en fonction des différents moyens de communication possibles et des différents correspondants possibles.

La figure 4 illustre un exemple d’un tel tableau de disponibilité pour une activité A d’un individu I réalisée à un temps T dans un lieu L en fonction du mode de communication M et du correspondant C, selon un mode de réalisation particulier.

Comme représenté sur la figure 4, les cases à l’intérieur du tableau représentent respectivement différents degrés de disponibilité pour le quadruplet {I, L, T, A}, c’est-àdire pour l’individu I, lorsqu’il réalise l’activité A, au temps T et dans le lieu L. Par exemple, pour le moyen de communication Ml et pour le correspondant C3, le degré de disponibilité de l’individu I est égal à 2 lorsqu’il réalise l’activité A au temps T et dans le lieu L.

En référence à nouveau à la figure 2, la détermination 207 de la disponibilité D_k+1 peut en outre comporter, dans un mode de réalisation, une analyse prédictive 205 réalisée à partir d’une séquence de disponibilités passées {D_b ..., D_k}. L’analyse prédictive peut comprendre l’utilisation d’un algorithme d’algorithme d’apprentissage automatique.

Par exemple, si une séquence de sept degrés de disponibilités {1, 2, 2, 1, 0, -1, -1} a été déterminée pour un individu I, il est possible, via l’algorithme d’apprentissage, de prédire le huitième degré plausible à partir des sept valeurs de la séquence précédente.

Avantageusement, l’analyse prédictive est en outre réalisée à partir de la séquence d’activités passées correspondante {A_b ..., A_k}.

Selon ce mode de réalisation, la base de données comportementales 206 contient en outre des données relatives à des habitudes d’un individu I par rapport à ses disponibilités en fonction de l’activité réalisée. Par exemple, la base de données comportementales peut contenir une pluralité d’exemples de séquences de disponibilités relevées pour des mêmes séquences d’activités, pour l’individu I.

Par exemple, la base de données comportementales 206 peut être composée de séquences de tableaux de disponibilité ordonnés dans le temps, pour chaque individu possible I et pour chaque activité A possible.

Ainsi, la base de données comportementales 206 permet d’accéder à des séquences de de classes d’activités et de degrés de disponibilité associés, relatifs à un correspondant et un moyen de communication pour chaque individu en fonction du lieu, du temps et de l’activité.

Dans un autre exemple, si une séquence de sept activités {A_b ..., A₇} est reconnue pour un individu I, il est possible, via l’algorithme d’apprentissage, de prédire la huitième activité A₈ plausible à partir des huit valeurs de la séquence précédente et d’en déduire le huitième degré D₈ plausible de disponibilité à partir de tous les degrés de disponibilité associés à la huitième activité A₈ dans la base de données comportementales 206.

Dans un ou plusieurs modes de réalisation, la détermination 207 de disponibilité peut comprendre une estimation d’un instant futur auquel l’individu sera à nouveau disponible. Par exemple, s’il a été déterminé que l’individu I est en train de prendre sa douche le matin, une connaissance de ses habitudes (activités et disponibilités) peut permettre de prédire que son activité suivante sera de prendre un petit-déjeuner, et qu’il ne sera pas disponible pour consulter sa boîte électronique avant un intervalle de temps déterminé par apprentissage ou prédéfini, par exemple de l’ordre de 15 minutes.

Avantageusement, la détermination 207 de disponibilité est accompagnée d’une mesure de confiance, qui indique le degré de certitude avec lequel la détermination de la disponibilité est effectuée. Bien entendu, cette mesure de confiance de disponibilité peut dépendre des mesures de confiance relatives aux activités déterminées 203.

Dans un mode de réalisation, la/les analyse(s) prédictive(s) utilisées pour la détermination de l’activité et/ou de la disponibilité repose(nt) sur un algorithme d’apprentissage. Par exemple, il est possible d’utiliser des réseaux de neurones récurrents LSTM (pour « Long Short Tenu Memory » en anglais, ou « large mémoire court terme » en français). Ces réseaux se composent d’un ensemble de sous-réseaux récurrents particuliers (appelés « blocs de mémoire ») qui ont la faculté de conserver certaines données à apprendre et oublier d’autres données moins structurantes.

Quand une mesure de confiance de la disponibilité a été calculée, un test optionnel 209 sur la mesure de confiance est réalisé. Par exemple, le test peut consister en une comparaison de la mesure de confiance de disponibilité est supérieure ou non à un seuil prédéterminé.

Si la mesure de confiance de disponibilité est inférieure au seuil (KO), le système continue à recevoir des données de capteurs pour affiner la détermination de disponibilité (retour à 201). Sinon (OK), le système génère un signal de commande (210) à destination d’un dispositif électronique en fonction de la prédiction de disponibilité.

Le signal de commande peut par exemple concerner une interface de communication (si l’individu est en train de cuisiner, une interface de communication uniquement vocale peut être privilégiée), un moyen de communication préférentiel (si l’utilisateur ne peut pas décrocher le combiné, le message vocal laissé par un correspondant est transmis sous forme de SMS), etc.

La figure 3 illustre une détermination d’une activité d’un individu selon un mode de réalisation particulier.

Une fois les données reçues et éventuellement prétraitées, une pluralité de vecteurs S⁽¹⁾ contenant les données sont disponibles et apte à être analysés.

Les vecteurs S⁽¹⁾ peuvent être de taille fixe. Par exemple, chaque S⁽¹⁾ peut être un vecteur de taille 32, incluant 30 valeurs de capteurs, une valeur de date de début d’activité et une valeur de durée d’activité.

Dans un mode de réalisation préférentiel, un vecteur S⁽¹⁾ peut correspondre à la concaténation de données prétraitées issues de tous les capteurs d’une même pièce de la maison.

Selon ce mode de réalisation, la base de données d’activités 204 est constituée à partir d’une pluralité de vecteurs, appelés ici « vecteurs caractéristiques » (ou « vecteurs d’apprentissage »), correspondant à une activité dans une pièce donnée. Par exemple, la base de données d’activités 204 contient n_c vecteurs caractéristiques de données de capteurs situés dans la pièce « cuisine », correspondant aux différentes activités possibles dans cette pièce. De manière similaire, d’autres vecteurs caractéristiques des activités de la vie quotidienne par pièce de vie peuvent être constitués et enregistrés dans la base de données d’activité 204, comme « dormir » ou « s’habiller » pour la chambre à coucher, « se laver » pour la salle de bains, « lire » ou « regarder la TV » pour le salon, etc.

Ainsi, en référence à l’exemple représenté sur la figure 3, la base de données d’activités 204 est constituée d’un groupe 204a de vecteurs caractéristiques S®, ..., S® pour la pièce 1, d’un groupe 204b de vecteurs caractéristiques S®,.··, S® pour la pièce 2, et d’un groupe 204c de vecteurs caractéristiques S®,..., S® pour la pièce 3. Pour chaque pièce i, chaque vecteur caractéristique S® est associé à une activité correspondante.

Lorsqu’un vecteur S⁽¹⁾ correspondant à des données issues des capteurs d’une pièce i est reçu, celui-ci est analysé par un algorithme d’apprentissage afin de déterminer à quelle activité il correspond.

Selon un mode de réalisation de rinvention, l’algorithme d’apprentissage utilisé est un algorithme de classification.

En particulier, l’algorithme de classification peut être un algorithme de classification supervisée, des machines à vecteurs de support (ou SVM, pour « support vector machine » en anglais), un réseau de neurones (un classifieur perceptron multicouche par exemple), des réseaux bayésiens (par exemple, un classifieur de Bayes naïf), etc.

Selon un mode de réalisation préférentiel, un algorithme de classification 301, 302, 303 est effectué pour chaque pièce.

Ainsi, pour chaque pièce i, la base d’apprentissage correspond aux couples ad , où les a·. sont les activités correspondant aux vecteurs caractéristiques S=®.

Lorsqu’un vecteur S⁽¹⁾ est reçu, l’algorithme lui associe une activité.

Selon un mode de réalisation possible, l’algorithme est un algorithme probabiliste. La sortie de l’algorithme peut alors être l’activité la plus probable pour le vecteur S⁽¹⁾. La probabilité associée à l’activité peut alors constituer une mesure de confiance pour la détermination de l’activité.

Dans un mode de réalisation de l’invention, la base de données d’activité 204 contient des informations relatives aux différents utilisateurs possibles (dans le cas d’une maison, les différents habitants de la maison). Par exemple, la base de données peut être partitionnée selon les différents utilisateurs, chaque élément de la partition contenant un ensemble de vecteurs caractéristiques par pièce, associés à des classes d’activité, pour l’un des utilisateurs. Ainsi, l’algorithme d’apprentissage est aussi capable de déterminer l’identité de l’utilisateur à partir du vecteur S⁽¹⁾ reçu.

Dans l’exemple représenté sur la figure 3, la maison est constituée de trois lieux de vie (pièces). Bien entendu, l’exemple de la figure 3 est donné uniquement à titre illustratif, et l’invention ne se limite pas au cas où la zone géographique est constituée de trois périmètres géographiques.

Comme représenté à la figure 3, la base de données d’activités 204 contient des groupes 204a, 204b, 204c de vecteurs caractéristiques respectivement associés aux trois lieux.

Trois vecteurs S⁽¹⁾, S⁽²⁾ et S⁽³⁾ sont reçus. Ces vecteurs sont respectivement associés à des données issues de capteurs situés dans chacune des trois pièces (par exemple, le vecteur S⁽¹⁾ correspond à des données issues des capteurs situés dans la pièce numéro 1).

A chaque pièce, est associé un classifieur (ou algorithme de classification) 301, 302, 303. Chaque classifieur 301, 302, 303, après avoir effectué une phase d’apprentissage sur les vecteurs caractéristiques de la base d’apprentissage, associe une classe d’activité à un vecteur reçu.

Par exemple, le classifieur 301 associé à la pièce 1 « apprend » à partir des données d’apprentissage 204a. Une fois cette phase d’apprentissage réalisée, à chaque fois qu’un nouveau vecteur de données des capteurs de la pièce 1 est reçu, le classifieur 301 détermine à quelle activité ce vecteur correspond. Il en est de même pour les classifieurs 302 et 303 respectivement associés aux pièces 2 et 3.

Dans un mode de réalisation, les sorties (décisions) 311, 312, 313 respectives des classifieurs 301, 302, 303 sont des classes d’activité (la sortie 311 est la classe d’activité pour la pièce 1 déterminée par le classifieur 301, etc.).

Dans un mode de réalisation préférentiel, les sorties 311, 312, 313 sont des couples constitués d’une activité et d’une mesure de confiance associée. Par exemple, si l’algorithme utilisé est un algorithme d’apprentissage probabiliste, les décisions 311, 312, 313 peuvent être des couples constitués des activités les plus probables et de leurs probabilités (la sortie 311 est la classe d’activité la plus probable pour la pièce 1 et sa probabilité, etc.).

En outre, les décisions 311, 312, 313 peuvent contenir une information sur l’identité de l’individu associé à l’activité détectée. Alternativement, le procédé précédemment décrit est appliqué pour chaque individu possible.

Dans un mode de réalisation particulier, une étape de fusion 330 peut être réalisée, afin de ne choisir qu’une seule activité / qu’un seul couple (activité, mesure de confiance) 340. Dans une réalisation, le couple retenu peut être le couple associé à la mesure de confiance la plus importante parmi les couples déterminés par les différents classifieurs 301, 302, 303. Alternativement, la mesure de confiance peut être ajustée en fonction des différentes mesures de confiance calculées par les classifieurs. Bien entendu, tout algorithme de fusion de classifieurs peut être utilisé, ainsi que des méthodes utilisant la théorie des croyances ou des possibilités.

La figure 5 illustre un dispositif de commande d’un dispositif électronique selon un mode de réalisation particulier.

Dans ce mode de réalisation, le dispositif 500 comprend une mémoire 505 pour stocker des instructions permettant la mise en œuvre du procédé, les données de mesures reçues, et des données temporaires générées lors de la mise en œuvre du procédé proposé dans les présentes.

Le dispositif 500 comprend en outre un circuit de commande 504, une interface d’entrée 503 pour la réception de données de référence, et une interface de sortie 506 pour générer un signal de commande à destination d’un dispositif électronique en fonction de la prédiction de disponibilité déterminée.

Dans un ou plusieurs modes de réalisation, le dispositif 500 peut se présenter sous la forme d’un ordinateur comportant, pour permettre une interaction aisée avec un utilisateur, un écran 501 et un clavier 502. Bien entendu, le clavier est facultatif, notamment dans le cadre d’un ordinateur ayant la forme d’une tablette tactile ou d’un terminal mobile, par exemple.

En fonction du mode de réalisation, le dispositif 500 peut être un terminal mobile, un ordinateur, un réseau d’ordinateurs, un composant électronique, ou un autre appareil comprenant un processeur couplé de manière opérationnelle à une mémoire, ainsi que, selon le mode de réalisation choisi, une unité de stockage de données, et d'autres éléments matériels associés comme une interface de réseau et un lecteur de support pour lire un support de stockage amovible et écrire sur un tel support (non représentés sur la figure). Le support de stockage amovible peut être, par exemple, un disque compact (CD), un disque vidéo/polyvalent numérique (DVD), un disque flash, une clé USB, etc. En fonction du mode de réalisation, la mémoire, l’unité de stockage de données ou le support de stockage amovible contient des instructions qui, lorsqu'elles sont exécutées par le circuit de commande 504, amènent ce circuit de commande 504 à effectuer ou contrôler les parties interface d’entrée 503, interface de sortie 506, stockage de données 505 et/ou traitement de données des exemples de mise en œuvre du procédé proposé décrits dans les présentes. Le circuit de commande 504 peut être un composant implémentant un processeur ou une unité de calcul pour une détection de présence dans une zone géographique selon le procédé proposé et le contrôle des unités 503, 505 et 506 du dispositif 500.

En outre, le dispositif 500 peut être mis en œuvre sous forme logicielle (« software » ou « firmware »), auquel cas il prend la forme d’un programme exécutable par un processeur, correspondant par exemple à une application téléchargeable et exécutable sur un équipement de type smartphone ou tablette, comme décrit ci-dessus, ou sous forme matérielle (ou « hardware »), comme un circuit intégré spécifique application (ASIC), un système sur puce (SOC), ou sous forme d'une combinaison d'éléments matériels et logiciels, comme par exemple un programme logiciel destiné à être chargé et exécuté sur un composant de type FPGA (Field Programmable Gâte Array). Ees SOC (System On Chip) ou système sur puce sont des systèmes embarqués qui intègrent tous les composants d’un système électronique dans une puce unique. Un ASIC (Application Spécifie Integrated Circuit) est un circuit électronique spécialisé qui regroupe des fonctionnalités sur mesure pour une application donnée. Ees ASIC sont généralement configurés lors de leur fabrication et ne peuvent être que simulés par l’utilisateur. Les circuits logiques programmables de type FPGA (Field-Programmable Gâte Array) sont des circuits électroniques reconfigurables par l’utilisateur.

Le dispositif 500 peut également utiliser des architectures hybrides, comme par exemple des architectures basées sur un CPU+FPGA, un GPU (Graphies Processing Unit) ou un MPPA (Multi-Purpose Processor Array).

Par ailleurs, le schéma fonctionnel présenté sur la figure 2 est un exemple typique d’un programme dont certaines instructions peuvent être réalisées par le dispositif décrit. A ce titre, la figure 2 peut correspondre à l’organigramme de l’algorithme général d’un programme informatique dans un mode de réalisation particulier.

Bien entendu, la présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d’exemples ; elle s’étend à d’autres variantes.

En particulier, bien que l’invention soit décrite ci-dessus dans des modes de réalisation où des sources de données provenant de capteurs domotiques sont utilisées, le procédé proposé est également applicable à d’autres sources de données. Par exemple les informations de l’agenda électronique en ligne d’un utilisateur (en fonction du mode de réalisation, à condition que celui-ci donne des autorisations d’accès correspondantes), peuvent alimenter le processus de décision selon le procédé proposé (probabilité élevée que l’individu n’est pas disponible par un autre moyen de communication que par courriel, renforcée par la présence dans l’agenda électronique d’un rendez-vous « Rendez-vous téléphonique avec client X »).

D’autres réalisations sont possibles.

En fonction du mode de réalisation choisi, certains actes, actions, évènements ou fonctions de chacune des méthodes décrites dans le présent document peuvent être effectués ou se produire selon un ordre différent de celui dans lequel ils ont été décrits, ou peuvent être ajoutés, fusionnés ou bien ne pas être effectués ou ne pas se produire, selon le cas. En outre, dans certains modes de réalisation, certains actes, actions ou évènements sont 5 effectués ou se produisent concurremment et non pas successivement.

Bien que décrits à travers un certain nombre d’exemples de réalisation détaillés, le procédé proposé et l’équipement pour la mise en œuvre du procédé comprennent différentes variantes, modifications et perfectionnements qui apparaîtront de façon évidente à l’homme de l’art, étant entendu que ces différentes variantes, modifications et 10 perfectionnements font partie de la portée de l’invention, telle que définie par les revendications qui suivent. De plus, différents aspects et caractéristiques décrits ci-dessus peuvent être mis en œuvre ensemble, ou séparément, ou bien substitués les uns aux autres, et l’ensemble des différentes combinaisons et sous combinaisons des aspects et caractéristiques font partie de la portée de l’invention. En outre, il se peut que certains 15 systèmes et équipements décrits ci-dessus n’incorporent pas la totalité des modules et fonctions décrits pour les modes de réalisation préférés.

Claims (14)

1. Procédé de commande d’un dispositif électronique, comprenant :

/a/ recevoir (201) des données issues de capteurs (101, 102, 103, 104, 105) situés dans une zone géographique (100) ou à une distance inférieure à une distance prédéterminée de la zone géographique (100) ;

/b/ déterminer (203), à partir d’une base de données d’activités (204) et des données reçues, une classe d’activité relative à un premier temps ti pour un individu ;

Ici déterminer (207) un degré de disponibilité relatif au premier temps ti à partir de la classe d’activité relative au premier temps ti déterminée et d’un ensemble de données de disponibilité de référence (208) ; et /d/ générer (210) un signal de commande à destination du dispositif électronique en fonction du degré de disponibilité relatif au premier temps ti déterminé.

2. Procédé selon la revendication 1, dans lequel la détermination (203) de la classe d’activité relative au premier temps ti comprend en outre :

réaliser une analyse prédictive (205) à partir d’une séquence temporelle de classes d’activité relatives à des temps respectifs t₀ précédant le temps ti pour l’individu.

3. Procédé selon la revendication 2, dans lequel l’analyse prédictive (205) pour la détermination de la classe d’activité relative au premier temps ti utilise un algorithme d’apprentissage semi-supervisé.

4. Procédé selon l’une des revendications précédentes, dans lequel la détermination (207) du degré de disponibilité relatif au premier temps ti comprend en outre :

réaliser une analyse prédictive (205) à partir d’une séquence temporelle de degrés de disponibilité à des temps respectifs t₀ précédant le temps h pour l’individu.

5. Procédé selon la revendication 4, dans lequel l’analyse prédictive (205) pour la détermination (207) du degré de disponibilité relatif au premier temps ti est en outre réalisée à partir d’une séquence temporelle de classes d’activité relatives à des temps respectifs t₀ précédant le temps h et de la classe d’activité la classe d’activité relative au premier temps ti déterminée pour l’individu.

6. Procédé selon l’une des revendications 4 et 5, dans lequel l’analyse prédictive (205) pour la détermination du degré de disponibilité relatif au premier temps ti utilise un algorithme d’apprentissage semi-supervisé.

7. Procédé selon l’une des revendications précédentes, comprenant en outre :

recevoir, du dispositif électronique, une information relative à un moyen de communication ;

dans lequel le degré de disponibilité relatif au premier temps ti est déterminé en fonction du moyen de communication utilisé.

8. Procédé selon la revendication 7, dans lequel le moyen de communication correspond à un couple constitué d’un terminal et d’un mode de communication, dans lequel le terminal est : un téléphone fixe, un téléphone mobile, une tablette ou un ordinateur, dans lequel le mode de communication est : un texte, un signal vocal ou un signal vidéo.

9. Procédé selon l’une des revendications précédentes, dans lequel le degré de disponibilité est déterminé en fonction d’un correspondant initiateur de données de communication.

10. Procédé selon l’une des revendications précédentes, dans lequel la détermination (203) de la classe d’activité relative au premier temps ti utilise au moins un algorithme de classification supervisée.

11. Procédé selon l’une des revendications précédentes, comprenant en outre: déterminer une mesure de confiance associée au degré de disponibilité relatif au premier temps ti déterminé ;

et dans lequel les opérations de traitement /a/ à Ici sont répétées jusqu’à ce que ladite mesure de confiance soit supérieure à un seuil prédéterminé (209).

12. Procédé selon l’une des revendications précédentes, dans lequel la détermination de la classe d’activité relative au temps ti comprend :

pour une pluralité de sous-ensembles de données parmi les données reçues :

- déterminer (301, 302, 303), pour chaque sous-ensemble de données, une classe d’activité respective (311, 312, 313) pour l’individu ;

- déterminer (330) une classe finale d’activité (340) à partir des classes d’activité associées aux sous-ensembles ;

et dans lequel le degré de disponibilité relatif au premier temps ti est déterminé à partir de la classe finale d’activité.

13. Dispositif de commande d’un dispositif électronique, le dispositif comprenant un circuit configuré pour la mise en œuvre d’un procédé selon l’une quelconque des

5 revendications 1 à 12.

14. Programme d’ordinateur, chargeable dans une mémoire associée à un processeur, et comprenant des portions de code pour la mise en œuvre d’un procédé selon l’une quelconque des revendications 1 à 12 lors de l’exécution dudit programme par le processeur.