WO2017098128A1 - Systeme d'analyse spatio-temporelle des flux d'objets mobiles - Google Patents

Systeme d'analyse spatio-temporelle des flux d'objets mobiles Download PDF

Info

Publication number
WO2017098128A1
WO2017098128A1 PCT/FR2016/053217 FR2016053217W WO2017098128A1 WO 2017098128 A1 WO2017098128 A1 WO 2017098128A1 FR 2016053217 W FR2016053217 W FR 2016053217W WO 2017098128 A1 WO2017098128 A1 WO 2017098128A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
spatio
data
objects
temporal analysis
Prior art date
Application number
PCT/FR2016/053217
Other languages
English (en)
Inventor
Pierre ODENT
Nicolas MONY
Martin CHOURROUT
Original Assignee
Explain
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 Explain filed Critical Explain
Publication of WO2017098128A1 publication Critical patent/WO2017098128A1/fr

Links

Classifications

    • 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
    • G01S5/0295—Proximity-based methods, e.g. position inferred from reception of particular signals

Definitions

  • the present invention relates to the field of spatio-temporal analysis of displacements and flows of moving objects in public spaces.
  • the invention relates more particularly to methods and systems for the automatic acquisition of information relating to the use and flow of people in spaces such as urban transport networks, squares or meeting places such as stadiums, station platforms. , theaters, etc.
  • the aim is to provide statistical data that can then be used to analyze and model usage and movement behaviors to determine, for example, the rate of change at different times of the day or year, the spatio-temporal evolution of the density of people, the flow structure (origin / destination matrices), etc.
  • the Chinese utility model CN204010308 which describes a method implementing the geolocation of mobile phones in different urban areas.
  • the MAC ID of a mobile phone is obtained by a cellular network analyzer.
  • Displacement tracking is performed by comparing MAC identifiers between two functional areas of different modes of transport.
  • a system for spatio-temporal analysis of mobile object streams comprising fixed equipment in relation to a fixed or mobile support and whose position is known over time, as well as Wi-Fi and / or Bluetooth radio frequency receivers associated with electronic equipment periodically recording data sets comprising, for each identifier d a connected connected device, the signal level and the corresponding identifier and periodically transmitting these data sets to a computer server equipped with processing means for calculating the spatio-temporal evolution of each connected equipment as a function of the timestamp records of said datasets.
  • the invention relates, according to its most general meaning, to a spatio-temporal analysis system of mobile object flows comprising at least one equipment for collecting data transmitted by the connected objects with respect to a medium. fixed or mobile and whose position is known over time, comprising at least one radio frequency receiver Wi-Fi and / or Bluetooth associated with electronic equipment (1, 2, 3) periodically recording data sets (ID l P l t) comprising, for each identifier IO L of a connected equipment EC L detected, the level of the signal P lft , the instant t and the corresponding identifier ID 1 and periodically transmitting these data sets (ID 1 P l t) to a computer server equipped with processing means for calculating the spatio-temporal evolution of each connected equipment EC ⁇ as a function of the time-stamped records of said data sets (ID l P l t) c characterized in that said equipment for collecting data transmitted by the connected objects is installed in a transport vehicle traveling on a network defined by discrete entry
  • the system comprises a plurality of electronic equipment EE j disposed at geolocated points of the area to be analyzed and recording each of the data sets (ID l P l t) j .
  • the server comprising calculation means for applying to each set (ID 1 P l t) j a trilateration processing to determine the estimated position of the EC ⁇ corresponding equipment, at time t.
  • the server comprises data filtering means (ID l P l t) as a function of the power level P.
  • the server comprises data filtering means (ID ⁇ f P l t) as a function of the temporal evolution of the data associated with the same address ID ⁇ .
  • said equipment for collecting data transmitted by the connected objects comprises autonomous energy sources.
  • said equipment for collecting data transmitted by the connected objects is installed in a public transport equipment.
  • the system comprises means for calculating an ID ⁇ address by a non-reversible treatment applied to the MAC address.
  • the spatiotemporal analysis system of the mobile object streams according to the invention comprises a means for calculating an anonymised address IDA ⁇ by a non-reversible treatment applied to the address ID.
  • FIG. 1 shows a schematic view of the system according to the invention.
  • FIGS. 2 and 3 represent a view of the velocity curve of a vehicle provided by a geolocation means
  • FIGS. 3 to 5 show a view of the curve of the detection points of the signals in correlation with the points of passage of a vehicle
  • FIG. 6 shows a view of an analysis matrix of origins and destinations.
  • the system comprises electronic equipment (1, 2, 3) constituted by boxes integrating a signal receiver in the frequency bands corresponding to radio communication standards, for example Wi-Fi and Bluetooth.
  • These electronic equipment (1, 2, 3) also include an electronic power supply, for example a rechargeable battery associated with photovoltaic cells ensuring autonomy regardless of any connection to an electrical network.
  • They also include a radio frequency transmitter for communication with a hub (5) transmitting the data from the set of equipment (1 to 3) of a site to a processing server (6) via the Internet.
  • the equipment (1 to 3) receives the service signals transmitted by mobiles (4) such as tablets, cell phones, connected objects carried by the persons moving in the detection space or the signals emitted by any other moving object likely to emit such than a vehicle, especially an automobile.
  • mobiles (4) such as tablets, cell phones, connected objects carried by the persons moving in the detection space or the signals emitted by any other moving object likely to emit such than a vehicle, especially an automobile.
  • These devices (1 to 3) are geolocated, either by entering the Cartesian coordinates of their physical installation, or by a geolocation component transmitting this information to the server (6).
  • the devices (1 to 3) comprise a receiver in the 2.4 Ghz frequency band and protocol handlers extracting only the ID- L physical addresses of the detected mobiles (4), in particular MAC addresses (Media Access Control). ) for Bluetooth or Wi-Fi network technologies.
  • a retirement calculator physical address IO L 1 'anonymiser for example by applying a hash function and provide anonymised IDA ⁇ given. It also periodically calculates a detected signal power indicator associated with each of the ID ⁇ physical addresses.
  • each device (1 to 3) comprises a GSM circuit providing communication with the Internet to transmit the data.
  • the estimation of the behavior of users of public spaces with such a system is based on the assumption that a statistically representative proportion of users carries a connected mobile (4) in service, including in areas without network coverage. In such situations, the absence of coverage nevertheless leads the mobiles (4) to periodically send service signals that are picked up by the equipment (1 to 3).
  • This data is saved on the server in a digital table. These data are filtered by removing incomplete records, without measured power, without issue identifiers or corresponding to objects belonging to the investigators.
  • the data retained is then applied to other types of filtering.
  • the first treatment consists of aggregating the data per second.
  • a high-pass filter is applied which eliminates the weakest signals of 10 dB that the strongest signal on the same second: it is to eliminate the secondary signals, echoes and other artifacts,
  • each signal is averaged with the previous 10 signals provided that they are in the same minute: thus smoother values are obtained which make it possible to give meaning to the averages which will be made on the second.
  • the condition on the minute avoids processing on signals that correspond to very different situations.
  • a single signal is kept for each object every second: this resulting signal has the power of the average of previously estimated powers of each signal emitted by the object in question on the second in question.
  • these objects can be Wi-Fi objects from the environment of the public space, for example the station or fixed objects.
  • the given database is restricted according to the following criteria:
  • Estimating the distance between the mobile (4) and each of the equipment (1 to 3) by an exponential function of decreasing the power of the detected signal proves to be insufficient in public spaces where various disturbances distort the measurements.
  • the precision of distance estimation can be improved by an approach of signal attenuation by a more elaborate model within the exponential function, for example a free linear path loss (FSPL) model. .
  • FSPL free linear path loss
  • - Ptx is the power of the transmitter, in dBm CLtx, CLrx are losses due to transmitter and receiver wiring in dB (equal to 0 if no cables)
  • FM is the loss protection margin, which is not used for Wi-Fi
  • Another solution for improving the quality of the distance information between the mobile (4) and a device (1 to 3) is to carry out a learning process, consisting in recording the signals detected during a movement of a Reference transmitter according to a known trajectory, for mapping the detection space, and applying to the measured signals a correction based on the mapping thus made.
  • a learning process consisting in recording the signals detected during a movement of a Reference transmitter according to a known trajectory, for mapping the detection space, and applying to the measured signals a correction based on the mapping thus made.
  • artificial neural networks can be used.
  • An artificial neural network is a calculation model whose design is very schematically inspired by the functioning of biological neurons.
  • neural networks for the processing of equipment data (1 to 3) is based on the observation that the environments in which the capture devices (1 to 3) are deployed are often too complex and changing for the use of deterministic models (based on the theoretical equations of physics) provide good results: in a station, the presence of trains on a track in the station disturbs the wave propagation; in a bus, the intensity of the signals collected varies according to the occupancy density of the space by the users; etc.
  • a neural network is a predictive statistical model that is not based on an understanding of the system it describes, but which seeks to "recognize” and “generalize” situations already encountered.
  • a learning phase necessary for its configuration, makes it possible to "make meet” the neural network a variety of states of the system to be studied, including complex or disturbed states, common in the public space.
  • Another solution for determining the estimated position of the objects may include an artificial intelligence method of the "machine learning" type.
  • a network of neurons is composed of neurons organized in a succession of layers, each of which takes its inputs on the outputs of the previous one.
  • Each neuron is a computing unit that:
  • the set of neural network parameters (activation functions, input information weighting of neurons, network structure) is statistically optimized by means of a test dataset, containing the input data and the responses that the network will have to provide thereafter.
  • the goal of the training is to enable the neural network to "learn" from examples.
  • the parametric network is then used based on its ability, acquired through the examples learned, to deal with different situations, not yet met, but similar.
  • the system makes it possible to collect the data by the implantation of equipments (1 to 3) including sensor devices. Wi-Fi.
  • the first method of analysis has the advantage of allowing the calculation of the trajectory of each mobile (4), which is certain to determine an average speed of traffic on the platforms.
  • this method due to its restrictive conditions, does not make it possible to obtain large samples during short-term experiments.
  • the second method makes it possible to obtain larger samples of descending passengers. Nevertheless, the indicator used is less precise since This is a time of presence at the platform, assimilated to the evacuation time.
  • the fixed equipment is installed in a vehicle, in particular a public transport vehicle such as a bus, a tram, a railway train or are distributed over a road network so as to ensure continuous coverage of the vehicle trajectory.
  • a public transport vehicle such as a bus, a tram, a railway train or are distributed over a road network so as to ensure continuous coverage of the vehicle trajectory.
  • the system does not analyze any random and random trajectories on a two-dimensional surface, but the entry and exit points of the users on a constrained route, such as a road or a roadway. tram.
  • the information sought is not the trajectory of the detected connected objects, but the deduction of the input on the constrained path and the output of the constrained path, by the appearance and disappearance of the signals.
  • the trajectory itself does not provide any useful information, because it is imposed by the course layout (road, tramway, ).
  • the equipment for collecting the data transmitted by the connected objects is placed in the vehicles (bus, tram, train) of the studied network.
  • the equipment for collecting the data transmitted by the connected objects is provided with a geolocation circuit, for example GPS, in order to geolocate the signals received by the data collection equipment transmitted by the connected objects.
  • the data is processed in such a way as to produce destination matrices stop to stop over the entire network under study.
  • the method makes it possible to reconstruct the correspondences made and to measure the travel and correspondence times.
  • the data produced is measured data.
  • FIGS 2 and 3 show two examples of speed profiles recorded in the round trip. It can be seen that the train marked a stop on the track and then drove at a reduced speed. In return, the speed was more regular.
  • the duration of transmission A certain number of signals are emitted by the environment of the vehicle and not by a passenger with a connected object.
  • An object connected to the vehicle can be defined as an object having been seen long enough so that, whatever the situation, the vehicle has traveled far enough to leave the detection zone of an object of the environment.
  • the transmission frequency Once selected the signals emitted by the connected objects carried by the uses of the studied vehicle, one defines the level of confidence of the WIFI trace emitted by this connected object. Indeed, the transmission frequencies vary from one connected object to another as well as over time. It is therefore necessary to define emission frequency indicators (for example the average time between two signals) and to compare it with the time between shutdowns.
  • Figures 4 to 6 show the graph corresponding to three classes of confidence level.
  • the different levels of confidence correspond to levels of uncertainty more or less strong on the actual stop rise or fall. For the highest levels, climb and descent stops are known with certainty. For the average levels, they are known at a ready stop and for levels three, with even greater uncertainty.
  • the matrices obtained are for the different confidence levels are combined to obtain the most likely matrix. When the number of observations is sufficient (long enough observation time), only the data of high confidence levels are exploited.
  • the method therefore makes it possible to produce an origin / destination matrix for a sample of users. It is therefore appropriate to correct these data. This is based on counting data from specific surveys, automatic meters fitted to certain vehicles or data from ticketing systems.
  • One method is for example to perform a correction at the margins of the matrix obtained. Balancing of the matrix margins is done iteratively online and then in columns until the ups and downs per stop are consistent with the count data.
  • the sensors are installed in buses in order to study the frequency of the stations.
  • the conversion of the signals captured by the sensors into pedestrian location data is done through a neural network.
  • a set of test data is produced for the training of the neural network: two experimenters have made and raised trajectories by emitting Wifi and Bluetooth signals by means of two telephones.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

L'invention concerne un système d'analyse spatio-temporel des flux d'objets mobiles comprenant au moins un équipement de collecte des données émis par les objets connectés par rapport à un support fixe ou mobile et dont la position est connue au cours du temps, comprenant au moins un récepteur radiofréquence Wi-Fi et/ou Bluetooth associé à un équipement électronique (1, 2, 3) enregistrant périodiquement des ensembles de données (IDi, Pi, t) comprenant, pour chaque identifiant IDi d'un équipement connecté ECi détecté, le niveau du signal Pi,t, l'instant t et l'identifiant correspondant IDi, et transmettant périodiquement ces ensembles de données (IDi, Pi, t) à un serveur informatique équipé de moyens de traitement pour calculer l'évolution spatio-temporelle de chaque équipement connecté ECi en fonction des enregistrements horodatés desdits ensembles de données (IDi, Pi, t). Lesdits équipements de collecte des données émis par les objets connectés sont installés dans un véhicule de transport se déplaçant sur un réseau défini par des points discrets d'entrée/sortie des usagers porteurs desdits équipements connectés ECi, et en ce que ledit serveur compare la répartition temporelle d'une pluralité d'enregistrements horodatés desdits ensembles de données (IDi, Pi, t) à la répartition temporelle des passages dudit véhicule auxdits points d'entrée/sortie possibles dans la même période de temps, pour déterminer le point d'entrée et le point de sortie le plus probable de l'équipements connectés ECi.

Description

Système d'analyse spatio-temporelle des flux d'objets mobiles
Domaine de 1 ' invention
La présente invention concerne le domaine de l'analyse spatio-temporelle des déplacements et des flux d'objets mobiles dans les espaces publics.
L'invention concerne plus particulièrement les procédés et systèmes permettant l'acquisition automatique des informations relatives aux usages et flux de personnes dans des espaces telles que des réseaux de transports urbains, des places ou des lieux de rassemblements tels que des stades, quais de gares, salles de spectacles, etc..
Le but est de fournir des données statistiques permettant ensuite de procéder à des analyses et modélisation de comportements des usages et déplacements pour déterminer par exemple le taux de passage à différents moments de la journée ou de l'année, l'évolution spatio-temporelle de la densité de personnes, la structure des flux (matrices origine / destination), etc.
Plusieurs temporalités peuvent être prises en compte :
Au cours des années, les transformations lentes et non forcément cycliques de l'espace public, de ses fonctions et de ses usages.
- Au cours des saisons, les variations été/hiver causées par les contraintes de la météo ou par les besoins de l'activité touristique ou par la variation de l'activité économique.
- Pendant la semaine, surtout en ce qui concerne le rythme jours ouvrés/weekend.
Pendant la journée-type, en lien avec les déplacements et les usages rythmés par l'activité économique, commerciale ou tout simplement résidentielle. Ces analyses permettent d'optimiser l'organisation d'espaces publics ou des services de transport.
Etat de la technique
On connaît dans l'état de la technique différentes solutions pour procéder au comptage de flux de personnes.
On connaît le modèle d'utilité chinois CN204010308 qui décrit une méthode mettant en œuvre la géolocation des téléphones mobiles dans les différents secteurs urbains. L'identifiant MAC d'un téléphone mobile est obtenu par un analyseur de réseau cellulaire. Le suivi de déplacement est réalisé par la comparaison des identifiants MAC entre deux zones fonctionnelles des modes de transport différentes.
On connaît aussi l'article « ZHU LIANG XU ET AL : "Pedestrain Monitoring 1-5,7,8 G01S5/02 System using Wi -Fi Technology And RSSI Based Localization" , INTERNATI ONAL JOURNAL OF WI RELESS & MOBI LE N ETWO RKS , vol . 5, no. 4, 31 août 2013 (2013-08-31), pages 17-34, XP055295117, ISSN: 0975- 4679, DOI: 10.5121/i jwmn.2013.5402 un système d'analyse spatio-temporel des flux d'objets mobiles comprenant des équipements fixes par rapport à un support fixe ou mobile et dont la position est connue au cours du temps, ainsi que des récepteurs radiofréquence Wi-Fi et/ou Bluetooth associé a un équipement électronique enregistrant périodiquement des ensembles de données comprenant, pour chaque identifiant d'un équipement connecté détecté, le niveau du signal et 1 ' identifiant correspondant et transmettant périodiquement ces ensembles de données à un serveur informatique équipé de moyens de traitement pour calculer 1 ' ' évolution spatio-temporelle de chaque équipement connecté en fonction des enregistrements horodates desdits ensembles de données.
Des solutions similaires sont décrites dans l'article YUKI FUKUZAKI ET AL: "A pedestrian flow analysis System using Wi-Fi packet sensors to a real environment" ,PERVASIVE AND UBIQUITOUS COMPUTING, 1 janvier 2014 (2014-01-01), pages 721-730, XP055295120, 2 Penn Plaza, Suite 701 New York NY 10121-0701 USA DOI : 10.1145/2638728.2641312 ISBN: 978-1-4503-3047-3 ainsi que dans l'article LORENZ SCHAUER ET AL: "Estimating Crowd Densities and Pedestrian Flows Using Wi-Fi and Bluetooth", PROCEEDINGS OF THE 11TH INTERNATIONAL CONFERENCE ON MOBILE AND UBIQUITOUS SYSTEMS: COMPUTING, NETWORKING AND SERVICES, 1 janvier 2014 (2014-01-01), XP055295121, DOI:
10.4108/icst.mobiquitous.2014.257870 ISBN: 978-1-63190-039-6
Inconvénients de l'art antérieur Les solutions de l'art antérieur ne sont pas totalement satisfaisantes car les solutions basées sur l'analyse des signaux téléphoniques ne sont pas non plus satisfaisantes car elles nécessitent la couverture de réseau dans les zones analysées, ce qui n'est pas toujours le cas, par exemple dans des zones souterraines telles que le métro. Par ailleurs, l'accès à ces données nécessite l'accès aux équipements d'un opérateur téléphonique, ce qui n'est pas toujours possible.
Par ailleurs, les solutions décrites dans les articles susvisés ne permettent pas d'analyser les déplacements de personnes dans des zones où la couverture réseau n'est pas continue, par exemple pour des usagers se déplaçant dans un bus ou un véhicule passant dans des zones de couverture radio interrompue.
Par ailleurs, les solutions de l'art antérieur permettent de réaliser des estimations de trajectoires partielles, mais pas d'apporter une information pertinente sur les origines et destinations, par exemple la station de montée dans un bus et la station de sortie, sur une ligne de bus données, ni la bretelle d'entrée et la bretelle de sortie sur une autoroute.
Solution apportée par l'invention
Afin de remédier à ces inconvénients, l'invention concerne selon son acception la plus générale un système d'analyse spatio-temporel des flux d'objets mobiles comprenant au moins un équipement de collecte des données émis par les objets connectés par rapport à un support fixe ou mobile et dont la position est connue au cours du temps, comprenant au moins un récepteur radiofréquence Wi-Fi et/ou Bluetooth associé à un équipement électronique (1, 2, 3) enregistrant périodiquement des ensembles de données (IDl Pl t) comprenant, pour chaque identifiant IOL d'un équipement connecté ECL détecté, le niveau du signal Plft, l'instant t et l'identifiant correspondant IDl et transmettant périodiquement ces ensembles de données (IDl Pl t) à un serveur informatique équipé de moyens de traitement pour calculer l'évolution spatio-temporelle de chaque équipement connecté EC± en fonction des enregistrements horodatés desdits ensembles de données (IDl Pl t) caractérisé en ce que lesdits équipements de collecte des données émis par les objets connectés sont installés dans un véhicule de transport se déplaçant sur un réseau défini par des points discrets d'entrée/sortie des usagers porteurs desdits équipements connectés ECl et en ce que ledit serveur compare la répartition temporelle d'une pluralité d'enregistrements horodatés desdits ensembles de données (IDl Pl t) à la répartition temporelle des passages dudit véhicule auxdits points d'entrée/sortie possibles dans la même période de temps, pour déterminer le point d'entrée et le point de sortie le plus probable de 1 'équipements connectés EC±. Avantageusement, ledit identifiant est l'adresse physique MAC extraite du signal détecté par ledit équipement électronique .
Selon un mode de mise en oeuvre particulier, le système comporte une pluralité d'équipements électroniques EEj disposés en des points géolocalisés de la zone à analyser et enregistrant chacun des ensembles de données (IDl Pl t)j.
Avantageusement, le serveur comprenant des moyens de calcul pour appliquer à chaque ensemble (IDl Pl t)j un traitement de trilatération pour déterminer la position estimée de l'équipement EC± correspondant, à l'instant t. Selon un mode de réalisation préféré, le serveur comprenant des moyens de filtration des données (IDl Pl t) en fonction du niveau de puissance P.
Avantageusement, le serveur comprenant des moyens de filtration des données (ID±f Pl t) en fonction de l'évolution temporelle des données associées à une même adresse ID±.
De préférence, lesdits équipements de collecte des données émis par les objets connectés comprennent des sources d'énergie autonomes.
Selon une variante, lesdits équipements de collecte des données émis par les objets connectés sont installés dans un matériel de transport collectif.
De préférence, le système comporte un moyen de calcul d'une adresse ID± par un traitement non réversible appliqué sur l'adresse MAC^.
Selon une variante, le système d'analyse spatiotemporel des flux d'objets mobiles selon l'invention comporte un moyen de calcul d'une adresse anonymisée IDA± par un traitement non réversible appliqué sur l'adresse ID. Description détaillée d'exemples non limitatif de l'invention
La présente invention sera mieux comprise à la lecture de la description détaillée d'exemple non limitatif de l'invention qui suit, se référant au dessin annexé où :
- la figure 1 représente une vue schématique du système selon l'invention.
- les figures 2 et 3 représentent une vue de la courbe de vitesse d'un véhicule fournie par un moyen de géolocalisation
- les figures 3 à 5 représentent une vue de la courbe des points de détection des signaux en corrélation avec les points de passage d'un véhicule
- la figure 6 représente une vue d'une matrice d'analyse des origines et destinations.
Description générale du système
Le système comprend des équipements électroniques (1, 2, 3) constitués par des boîtiers intégrant un récepteur de signaux dans les bandes de fréquence correspondant à des standards de radiocommunication, par exemple Wi-Fi et Bluetooth. Ces équipements électroniques (1, 2, 3) comprennent aussi une alimentation électronique, par exemple une batterie rechargeable associée à des cellules photovoltaïques assurant une autonomie indépendamment de tout raccordement à un réseau électrique. Ils comportent aussi un émetteur radiofréquence pour la communication avec un concentrateur (5) transmettant les données provenant de l'ensemble d'équipements (1 à 3) d'un site vers un serveur de traitement (6) via le réseau Internet.
Les équipements (1 à 3) captent les signaux de services émis par des mobiles (4) tels que des tablettes, téléphones cellulaires, objets connectés, portés par les personnes circulant dans l'espace de détection ou les signaux émis par tout autre objet mobile susceptible d'en émettre, tel qu'un véhicule, notamment automobile. Ces équipements (1 à 3) sont géolocalisés , soit par saisie des coordonnées cartésiennes de leur installation physique, soit par un composant de géolocalisation transmettant cette information au serveur ( 6 ) .
Les équipements (1 à 3 ) comprennent un récepteur dans la bande de fréquence 2,4 Ghz et des gestionnaires de protocole assurant l'extraction des seules adresses physiques ID-L des mobiles (4) détectés, notamment des adresses MAC (Media Access Control) pour les technologies réseau Bluetooth ou Wi- Fi.
Un calculateur retraite l'adresse physique IOL pour 1 ' anonymiser , par exemple en appliquant une fonction de hachage et fournir une donnée anonymisée IDA±. Il calcule également périodiquement un indicateur de puissance du signal détecté associé à chacune des adresses physiques ID±.
Ce calculateur fournit ainsi pour chaque mobile (4) des séries horodatées de données ( 1ΌΑ± , Ρ±, t) qui sont stockées localement puis transmises par le réseau internet au serveur (6). A cet effet, chaque équipement (1 à 3) comprend un circuit GSM assurant la communication avec le réseau Internet pour transmettre les données.
L'estimation des comportements d'usagers d'espaces publiques avec un tel système est basée sur le postulat qu'une proportion statistiquement représentative d'usagers porte un mobile connecté (4) en service, y compris dans des espaces sans couverture réseau. Dans de tels situations, l'absence de couverture conduit néanmoins les mobiles (4) à envoyer périodiquement des signaux de services qui sont captés par les équipements (1 à 3).
Lorsque l'on dispose trois équipements (1 à 3) en trois points distincts mais à une distance de quelques mètres, inférieure à la portée des mobiles (4), plusieurs équipements Ea enregistrent des séries de données concernant le même équipement ( IDAlf P±,a, t), la puissance Plf3 étant proportionnelle à une fonction exponentielle décroissante de la distance. Il est ainsi possible de rapprocher les données concernant, à un même instant t, le même équipement Ea et de procéder à un traitement sur les différentes valeurs de puissance Pl a pour déterminer la position de l'équipement Ea à l'instant t par trilatération, ou par toute autre méthode de positionnement .
Ces données sont enregistrées sur le serveur dans une table numérique. Ces données font l'objet d'un filtrage consistant à enlever les enregistrements incomplets, sans puissance mesurée, sans identifiant d'émission ou correspondant à des objets appartenant aux enquêteurs.
On applique ensuite aux données retenues d'autres types de filtrage.
Le premier traitement consiste à agréger les données par seconde.
Une simple moyenne des puissances émises pour chaque seconde par un même objet ne peut être réalisée du fait de la trop forte variabilité des puissances.
On applique les traitements suivants :
On applique un filtre passe-haut qui élimine les signaux plus faibles de 10 dB que le signal le plus fort sur la même seconde : il s'agit d'éliminer les signaux secondaires, échos et autres artefacts,
On lisse les données par moyennes successives : chaque signal est moyenné avec les 10 signaux précédents à condition qu'ils soient dans la même minute : on obtient ainsi des valeurs plus lisses qui permettent de donner du sens aux moyennes qui seront effectuées sur la seconde. La condition sur la minute permet d'éviter des traitements sur des signaux qui correspondent à des situations très différentes. On garde un seul signal pour chaque objet à chaque seconde : ce signal résultant a pour puissance la moyenne de puissances estimées précédemment de chaque signal émis par l'objet en question sur la seconde en question.
Néanmoins, un certain nombre de ces objets peut être des objets Wi-Fi de l'environnement de l'espace public, par exemple la gare ou des objets fixes. Afin de se concentrer sur les objets qui ont le plus de chance d'être en déplacement, on restreint la base donnée selon les critères suivants :
Objets présents à moins de 30m (puissance supérieure ou égale à -45 dB) de deux capteurs la même journée .
- Signaux de plus de -60 dB
Grâce à ces critères, on se concentre sur les objets qui sont passés dans l'environnement proche des capteurs et qui semblent s'être déplacés dans la journée : il s'agit donc bien, a priori, des objets qui nous intéressent. Amélioration de la détermination de la position
L'estimation de la distance entre le mobile (4) et chacun des équipements (1 à 3 ) par une fonction de décroissance exponentielle de puissance du signal détecté s'avère insuffisante dans des espaces publics où diverses perturbations viennent fausser les mesures. On peut améliorer la précision de l'estimation de la distance par une approche de l'atténuation des signaux par un modèle plus élaboré au sein de la fonction exponentielle, par exemple un modèle d'atténuation linéaire libre ou Free Space Path Loss (FSPL).
La formule de calcul de la FSPL s'écrit :
FSPL = Ptx - CLtx + AGtx + AGrx - CLrx - Prx - FM
Où :
- Ptx correspond à la puissance du transmetteur, en dBm CLtx, CLrx correspondent aux pertes dues au câblage au niveau du transmetteur et du récepteur, en dB (égal à 0 si pas de câbles)
- AGtx, AGrx correspondent aux gains des antennes à l'émetteur et au récepteur, dBi
- Prx correspond à la sensibilité du récepteur, dBm (là où on inscrit l'intensité du signal reçu)
FM correspond à la marge de protection contre l'affaiblissement, dB qui n'est pas utilisé dans le cas du Wi- Fi
Une autre solution pour améliorer la qualité de l'information de distance entre le mobile (4) et un équipement (1 à 3) consiste à procéder à un traitement par apprentissage, consistant à enregistrer les signaux détectés lors d'un déplacement d'un émetteur de référence selon une trajectoire connue, pour réaliser une cartographie de l'espace de détection, et appliquer aux signaux mesurés une correction basée sur la cartographie ainsi réalisée. Traitement des données des capteurs par un réseau de neurones
Pour améliorer encore le traitement des données des capteurs, des réseaux neuronaux artificiels peuvent être utilisés .
Un réseau de neurones artificiels est un modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques.
Le recours aux réseaux neuronaux pour le traitement des données des équipements (1 à 3) part du constat que les environnements dans lesquels les dispositifs de captation (1 à 3 ) sont déployés sont souvent trop complexes et changeants pour que l'utilisation de modèles déterministes (basés sur les équations théoriques de la physique) fournisse de bons résultats : dans un gare, la présence de trains sur une voie en gare perturbe la propagation des ondes ; dans un bus, l'intensité des signaux recueillis varie en fonction de la densité d'occupation de l'espace par les usagers ; etc.
Un réseau neuronal est un modèle statistique prédictif qui ne se base pas sur une compréhension du système qu'il décrit, mais qui cherche à « reconnaître » et à «généraliser» des situations déjà rencontrées. Une phase d'apprentissage, nécessaire à son paramétrage, permet de «faire rencontrer» au réseau neuronal toute une variété d'états du système à étudier, y compris des états complexes ou perturbés, fréquents dans l'espace public.
Une autre solution pour déterminer la position estimée des objets peut inclure une méthode d'intelligence artificielle de type « machine learning » .
Structure et apprentissage
Un réseau de neurones est composé de neurones organisés en une succession de couches, dont chacune prend ses entrées sur les sorties de la précédente. Chaque neurone est une unité de calcul qui :
• Fait la somme (pondérée) des données d'entrées qui lui parviennent des neurones de la couche précédente ;
• Transmet à la couche suivante une information, dépendante de cette somme et de sa fonction d'activation propre .
L'ensemble des paramètres du réseau neuronal (fonctions d'activation, pondération des informations en entrée des neurones, structure du réseau) est optimisé statistiquement au moyen d'un jeu de données test, contenant les données d'entrée et les réponses que le réseau devra fournir par la suite. Le but de l'entraînement est de permettre au réseau de neurones « d'apprendre » à partir d'exemples .
Le réseau paramétré est ensuite utilisé en tablant sur sa capacité, acquise grâce aux exemples appris, de traiter des situations distinctes, encore non rencontrées, mais similaires .
Exemple 1 de Mise en œuvre du système selon l'invention
Dans l'objectif de collecter des statistiques sur les temps d'évacuation des quais par les passagers descendant des trains dans une gare, le système permet de recueillir les données par l'implantation d'équipements (1 à 3) comprenant des dispositifs de capteurs à ondes Wi-Fi.
Le recueil pendant plusieurs semaines, permet de mettre en œuvre deux méthodes d'analyses :
Une méthode basée sur le positionnement des objets Wi-Fi par trilatération ;
- Une méthode permettant d'identifier les temps de présence des objets Wi-Fi sur les quais.
La première méthode d'analyse présente l'avantage de permettre le calcul de la trajectoire de chaque mobile (4), qui permet de manière certaine, de déterminer une vitesse moyenne de circulation sur les quais. Cependant, cette méthode, de par ses conditions restrictives, ne permet pas d'obtenir des échantillons de taille importante lors d'expérimentations à court terme.
La seconde méthode permet quant à elle d'obtenir des échantillons de passagers descendant plus importants. Néanmoins, l'indicateur utilisé est moins précis puisqu'il s'agit d'un temps de présence au niveau du quai, assimilé au temps d'évacuation.
Avec l'application de ces deux méthodes, l'analyse des données collectées a permis de mettre en évidence un certain nombre de statistiques sur les temps d'évacuation des quais au sein de la gare étudiée et de repérer des phénomènes de congestion récurrents au niveau du quai. Exemple 2 de mise en œuyre du système selon l'invention
- Description détaillée des traitements des données
Les équipements fixés sont installés dans un véhicule, notamment un véhicule de transport collectif tel qu'un bus, un tram, une rame ferroviaire ou sont répartis sur un réseau routier de façon à assurer une couverture continue de la trajectoire des véhicules.
Contrairement aux solutions de l'art antérieur, le système n'analyse pas des trajectoires quelconques et aléatoires sur une surface bidimensionnelles , mais les points d'entrée et de sortie des usagers sur un parcours contraint, tel qu'une route ou une voie de tramway.
Les informations recherchées ne sont pas la trajectoire des objets connectés détectés, mais la déduction de l'entrée sur le parcours contraint et la sortie du parcours contraint, par l'apparition et la disparition des signaux. La trajectoire en elle-même n'apporte aucune information utile, car elle est imposée par le tracé du parcours (route, ligne de tramway,...) .
L'équipement de collecte des données émis par les objets connectés est placé dans les véhicules (bus, tram, train) du réseau étudié. L'équipement de collecte des données émis par les objets connectés est doté d'un circuit de géolocalisation, par exemple GPS afin de géolocaliser les signaux reçus par l'équipement de collecte des données émis par les objets connectés.
Avec cette méthode, les données sont traitées de manière à produire des matrices origine destination arrêt à arrêt sur l'ensemble du réseau étudié. La méthode permet de reconstituer les correspondances effectuées et de mesurer les temps de parcours et de correspondance. Les données produites sont des données mesurées.
Traditionnellement, ce type de données est collecté par le biais de questionnaires : l'usager du réseau de transport collectif est interrogé dans le véhicule sur son arrêt monté, son arrêt de descente et les correspondances effectuées. Les données produites sont des données déclarées et non mesurées.
Aujourd'hui, les matrices origine/destination dans les réseaux de transport collectifs sont effectuées de manière très ponctuelle : généralement une enquête pendant une journée tous les 4 à 6 ans. La méthode proposée ici permet de les produire en continue tous les jours de l'année. On peut enfin caractériser la demande un samedi, un dimanche un mercredi, un jour d'incident etc.
Détermination des accroches temporelles des parcours en train
Grâce au GPS, on peut suivre très précisément le parcours du capteur dans l'espace et le temps. L'illustration ci-dessous présente la trajectoire du capteur relevée par le GPS . On peut remarquer que les voies de chemin de fer sont assez fidèlement suivies. En zoomant plus finement on apprécie mieux la qualité du positionnement qui est très satisfaisante pour suivre le trajet du capteur et du train. On détermine ainsi grâce à cette trace les accroches temporelles des trajets en train à l'Aller et au retour. Trajet Aller Heure Trajet Retour Heure
Départ Paris Austerlitz 10h58 Départ Les Aubrais 16h43
Arrivée les Aubrais 12h28 Arrivée Paris Auterlitz 17h47
Départ les Aubrais 12h31
Arrivée Orléans 12h34
On peut noter d'ailleurs qu'à l'aller, le train était parfaitement à l'heure, alors qu'au retour il avait 8 minutes de retard aux Aubrais et 13 minutes à Paris.
Profils de vitesse
Le GPS permet également de mesurer la vitesse de déplacement du capteur, donc du train. Les figures 2 et 3 représentent deux exemples de profils de vitesse enregistrés à l'aller et au retour. On peut constater que le train a marqué un arrêt en pleine voie puis a roulé à vitesse réduite. Au retour par contre la vitesse a été plus régulière.
Analyse des signaux
La durée d'émission : Un certain nombre de signaux est émis par l'environnement du véhicule et non par un passager doté d'un objet connecté. Un objet connecté à bord du véhicule peut se définir comme un objet ayant été vu suffisamment longtemps pour que, quelle que soit la situation, le véhicule ait parcouru suffisamment de distance pour sortir de la zone détection d'un objet de l'environnement.
La fréquence d'émission : Une fois sélectionnée les signaux émis par les objets connectés portés par les usages du véhicule étudié, on définit le niveau de confiance de la trace WIFI émise par cet objet connecté. En effet, les fréquences d'émission varient d'un objet connecté à l'autre ainsi que dans le temps . Il convient donc de définir des indicateurs de fréquence d'émission (par exemple le temps moyen entre deux signaux) et de le comparer avec le temps entre arrêt.
Les figures 4 à 6 présente le graphe correspondant à trois classes de niveau de confiance.
Les niveaux de confiance différents correspondent à des niveaux c ' incertitude plus ou moins fort sur l'arrêt effectif de montée ou de descente. Pour les niveaux les plus élevé, les arrêts de montée et de descente sont connus avec certitude. Pour les niveaux moyens, ils sont connus à un arrêt prêt et pour les niveaux trois, avec une plus forte incertitude encore.
Production de la structure la matrice observée
Les matrice obtenues sont pour les différents niveaux de confiance sont combinés pour obtenir la matrice la plus probable. Lorsque les nombre d'observation est suffisant (durée d'observation suffisamment longue), seuls les données de niveaux de confiance élevé sont exploitées.
Exemple de matrice origine / destination obtenue
Figure imgf000018_0001
Redressement : Seule une partie des usagers d'un réseau de transport collectif est équipé d'objet connecté. Par ailleurs, comme nous l'avons vue, une partie de signaux émis par les objets portés par les usagers ne sont pas exploitables car les fréquences d'émissions sont trop faibles pour identifier avec certitude l'arrêt de montée ou/et de descente.
La méthode permet donc de produire une matrice origine/destination pour un échantillon d'usagers. Il convient donc de redresser ces données. On s'appuie pour cela sur des données de comptages issus d'enquêtes ponctuelles, de compteurs automatiques équipant certains véhicules ou encore de données issues des systèmes billettiques .
Une méthode consiste par exemple à effectuer un redressement aux marges de la matrice obtenue. L'équilibrage des marges de la matrice est effectué de manière itératives en ligne puis en colonnes jusqu'à ce que les montées et descentes par arrêt soit cohérents avec les données de comptage.
Autre exemple d'analyse
Les capteurs sont installés dans bus dans le but d'étudier la fréquentation des stations. La conversion des signaux captés par les capteurs en données de localisation des piétons est faite grâce à un réseau neuronal.
Un jeu de données de test est produit pour l'entraînement du réseau neuronal : deux expérimentateurs ont effectué et relevé des trajectoires en émettant des signaux Wifi et Bluetooth au moyen de deux téléphones.

Claims

Revendications
1 — Système d'analyse spatio-temporel des flux d'objets mobiles comprenant au moins un équipement de collecte des données émis par les objets connectés par rapport à un support fixe ou mobile et dont la position est connue au cours du temps, comprenant au moins un récepteur radiofréquence Wi- Fi et/ou Bluetooth associé à un équipement électronique (1, 2, 3) enregistrant périodiquement des ensembles de données (IDl Pl t) comprenant, pour chaque identifiant IOL d'un équipement connecté ECL détecté, le niveau du signal Plft, l'instant t et l'identifiant correspondant IDl et transmettant périodiquement ces ensembles de données (IDl Pl t) à un serveur informatique équipé de moyens de traitement pour calculer l'évolution spatio-temporelle de chaque équipement connecté EC± en fonction des enregistrements horodatés desdits ensembles de données (IDl Pl t) caractérisé en ce que lesdits équipements de collecte des données émis par les objets connectés sont installés dans un véhicule de transport se déplaçant sur un réseau défini par des points discrets d'entrée/sortie des usagers porteurs desdits équipements connectés ECl et en ce que ledit serveur compare la répartition temporelle d'une pluralité d'enregistrements horodatés desdits ensembles de données (IDl Pl t) à la répartition temporelle des passages dudit véhicule auxdits points d'entrée/sortie possibles dans la même période de temps, pour déterminer le point d'entrée et le point de sortie le plus probable de 1 'équipements connectés EC±. 2 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce que ledit identifiant est l'adresse physique MAC extraite du signal détecté par ledit équipement électronique (1, 2, 3). 3 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce qu'il comporte une pluralité d'équipements électroniques (1, 2, 3) EEj disposés en des points géolocalisés de la zone à analyser et enregistrant chacun des ensembles de données (IDl
4 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 3 caractérisé en ce que le serveur comprenant des moyens de calcul pour appliquer à chaque ensemble (IDl Pl t)j un traitement de trilatération pour déterminer la position estimée de l'équipement ECL correspondant, à l'instant t. 5 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce que le serveur comprend des moyens de filtration des données (IDl Pl t) en fonction du niveau de puissance P. 6 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce que le serveur comprend des moyens de filtration des données (IDl Pl t) en fonction de l'évolution temporelles des données associées à une adresse ID±.
7 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce que lesdits équipements de collecte des données émis par les objets connectés comprennent des sources d'énergie autonomes.
8 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce que lesdits équipements de collecte des données émis par les objets connectés sont installés dans un matériel de transport collectif. 9 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce que lesdits équipements de collecte des données émis par les objets connectés sont installés de manière à offrir une couverture continue d'un axe routier ou autoroutier.
10 - Système d'analyse spatio-temporel des flux d'objets mobiles selon la revendication 1 caractérisé en ce qu'il comporte un moyen de calcul d'une adresse anonymisée IOAL par un traitement non réversible appliqué sur une adresse ID.
PCT/FR2016/053217 2015-12-11 2016-12-06 Systeme d'analyse spatio-temporelle des flux d'objets mobiles WO2017098128A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1562208 2015-12-11
FR1562208A FR3045162B1 (fr) 2015-12-11 2015-12-11 Systeme d'analyse spatio-temporelle des flux d'objets mobiles

Publications (1)

Publication Number Publication Date
WO2017098128A1 true WO2017098128A1 (fr) 2017-06-15

Family

ID=55806463

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2016/053217 WO2017098128A1 (fr) 2015-12-11 2016-12-06 Systeme d'analyse spatio-temporelle des flux d'objets mobiles

Country Status (2)

Country Link
FR (1) FR3045162B1 (fr)
WO (1) WO2017098128A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911168B2 (en) 2018-02-02 2021-02-02 Cornell University Channel charting in wireless systems

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851740B (zh) * 2019-11-04 2023-05-09 南宁师范大学 一种陆海智能时空分析平台

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BAUER D: "Estimating origin-destination-matrices depending on the time of the day from high frequent pedestrian entry and exit counts", IET INTELLIGENT TRANSPORT SYSTEMS, THE INSTITUTION OF ENGINEERING AND TECHNOLOGY, MICHAEL FARADAY HOUSE, SIX HILLS WAY, STEVENAGE, HERTS. SG1 2AY, UK, vol. 6, no. 4, 1 December 2012 (2012-12-01), pages 463 - 473, XP006043568, ISSN: 1751-956X, DOI: 10.1049/IET-ITS.2011.0156 *
VASSILIS KOSTAKOS ET AL: "Wireless detection of end-to-end passenger trips on public transport buses", INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), 2010 13TH INTERNATIONAL IEEE CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 19 September 2010 (2010-09-19), pages 1795 - 1800, XP031792606, ISBN: 978-1-4244-7657-2 *
YEIMMY CANON-LOZANO ET AL: "Automatic generation of O/D matrix for mass transportation systems using an ITS approach", INTELLIGENT TRANSPORTATION SYSTEMS SYMPOSIUM (CITSS), 2012 IEEE COLOMBIAN, IEEE, 30 August 2012 (2012-08-30), pages 1 - 6, XP032264538, ISBN: 978-1-4673-4360-2, DOI: 10.1109/CITSS.2012.6336681 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911168B2 (en) 2018-02-02 2021-02-02 Cornell University Channel charting in wireless systems

Also Published As

Publication number Publication date
FR3045162B1 (fr) 2019-05-03
FR3045162A1 (fr) 2017-06-16

Similar Documents

Publication Publication Date Title
US11838780B2 (en) Systems, methods, and devices for automatic signal detection with temporal feature extraction within a spectrum
US11930382B2 (en) Systems, methods, and devices having databases and automated reports for electronic spectrum management
CN109981192B (zh) 一种空域反黑飞无人机的频谱监测方法
Wang et al. A comparative analysis of intra-city human mobility by taxi
FR3046006B1 (fr) Procede d'estimation de trajectoires utilisant des donnees mobiles
Nunes et al. Beanstalk: a community based passive wi-fi tracking system for analysing tourism dynamics
Zhang et al. Daily OD matrix estimation using cellular probe data
Cartwright et al. SONYC-UST-V2: An urban sound tagging dataset with spatiotemporal context
CN110545558A (zh) 基于Wi-Fi数据的高速服务区人群密度估计系统
CN106227204A (zh) 车载装置及用于控制无人驾驶车辆的系统、方法和装置
Mishalani et al. Use of mobile device wireless signals to determine transit route-level passenger origin–destination flows: Methodology and empirical evaluation
Pattanusorn et al. Passenger estimation system using Wi-Fi probe request
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
EP3571862A1 (fr) Systèmes, procédés et dispositifs de détection automatique de signal avec extraction de caractéristique temporelle dans un spectre
WO2017098128A1 (fr) Systeme d'analyse spatio-temporelle des flux d'objets mobiles
Rodrigues et al. Impact of crowdsourced data quality on travel pattern estimation
Semanjski et al. Sensing human activity for smart cities’ mobility management
Tulay et al. Road state inference via channel state information
Habtie et al. Cellular network based real-time urban road traffic state estimation framework using neural network model estimation
Zhang et al. Machine learning-based integrated wireless sensing and positioning for cellular network
Pinzel et al. V2V-and V2X-Communication data within a distributed computing platform for adaptive radio channel modelling
EP1664833A1 (fr) Procede pour detecter la presence ou l'absence d'un terminal mobile sur un chemin
Habtie et al. Road Traffic state estimation framework based on hybrid assisted global positioning system and uplink time difference of arrival data collection methods
EP3485659B1 (fr) Procédé et dispositif de suivi du déplacement de personnes dans un environnement, notamment dans un réseau de transport
Sah et al. Acoustic signal-based indigenous real-time rainfall monitoring system for sustainable environment

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16825450

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16825450

Country of ref document: EP

Kind code of ref document: A1