WO2019072713A1 - Procédé de création d'un modèle prédictif à partir d'un ensemble de données contextuelles - Google Patents

Procédé de création d'un modèle prédictif à partir d'un ensemble de données contextuelles Download PDF

Info

Publication number
WO2019072713A1
WO2019072713A1 PCT/EP2018/077134 EP2018077134W WO2019072713A1 WO 2019072713 A1 WO2019072713 A1 WO 2019072713A1 EP 2018077134 W EP2018077134 W EP 2018077134W WO 2019072713 A1 WO2019072713 A1 WO 2019072713A1
Authority
WO
WIPO (PCT)
Prior art keywords
quantitative variable
contextual data
attribute
data
environment
Prior art date
Application number
PCT/EP2018/077134
Other languages
English (en)
Inventor
Raphael CHERRIER
Original Assignee
Qucit
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 Qucit filed Critical Qucit
Priority to EP18779704.8A priority Critical patent/EP3695364A1/fr
Publication of WO2019072713A1 publication Critical patent/WO2019072713A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Definitions

  • the present invention belongs to the general field of predictive analysis and more particularly relates to machine learning prediction models (or machine learning in English terminology).
  • the invention relates to a method for developing a predictive model from a survey that implements contextual data.
  • a model is a mathematical algorithm coded in the form of a computer program, implemented by a calculator, which outputs the most likely event (s) to occur from predictive assumptions relating to a context. or a predetermined environment. Such events are known in a known manner as "predictive scores".
  • Such a predictive model can be generated from a set of data called learning data and, once the predictive model generated, the model is used on one or more sets of data called sources to calculate predictive scores.
  • a source data set may include data relating to users, machine data, meteorological data, etc.
  • the main purpose of the present invention is to overcome the limitations of the prior art and concerns a method for creating a predictive model implemented by a computer for estimating a quantitative variable corresponding to a characteristic of an environment, the estimation said quantitative variable by said predictive model being made from contextual data, this method is remarkable in that it comprises:
  • the quantitative variable depends on at least two variables of interest, each of said variables of interest corresponding to a particular characteristic of the environment.
  • the contextual data comprises dynamic data that varies with time and static data that is constant over time over at least one characteristic time.
  • the step of collecting the contextual data in the environment is characterized in that the dynamic data are collected in real time.
  • the step of measuring the quantitative variable in the environment comprises N measurements of said quantitative variable
  • the step of determining at least one attribute comprises N determinations of at least one attribute related to each of the N measures of the quantitative variable, N being a natural integer greater than or equal to two.
  • the N measures of the quantitative variable and the N determinations of at least one attribute related to each of the N measures of the quantitative variable are ranked in N pairs (quantitative variable, at least one attribute, contextual data).
  • the calibrated final model of automatic learning makes it possible to obtain the quantitative variable corresponding to the at least one attribute and the contextual data in each pair of part of the N pairs.
  • the validation step consists in comparing a quantitative variable predicted by the calibrated final model from the at least one attribute and contextual data in each pair of the other part of the N pairs with the measured quantitative variable belonging to the couple audit.
  • the environment is a public space and the quantitative variable is measured by a survey of a sample of users of said public space.
  • the method employs two attributes related to each measure of the quantitative variable, a spatial attribute and a temporal attribute, the spatial attribute being a position of the measure in the environment and the temporal attribute being a date. of said measure.
  • the quantitative variable is an index of the comfort perceived by the users of the public space.
  • Figure 1 a map of the Place de la nation (Paris, France) in which is implemented the method according to one embodiment of the invention
  • Figure 2 a simplified diagram of the main steps of the method according to one embodiment of the invention.
  • Figure 3a a modeling of the distribution of trees on the Place de la nation
  • Figure 3b a tree density map on Place de la nation
  • Figures 4a and 4b Smartphone density maps with WiFi enabled on the nation square during an ordinary day at 6:00, Figure 4a, and 18:00, Figure 4b;
  • Figure 5 a graph of a partial result of a field survey according to an embodiment of the invention.
  • Figure 1 shows a map of the Place de la Nation on which we can see the corresponding central ring and the converging paths.
  • the purpose of the process of creating a predictive model is to estimate an index of the comfort perceived by the users located at the Place de la National, based on contextual data from the Place de la National and describing, for example, the urban environment, weather, green spaces, etc.
  • the method for creating a predictive model of the comfort perceived by the users in a public space mainly comprises the following steps, represented schematically in FIG.
  • step 120 census and collection of contextual data to describe the natural, human and urban context of the public space;
  • a step 600 of validation of the final model of automatic learning chosen in the previous step is a step 600 of validation of the final model of automatic learning chosen in the previous step.
  • the step 1 of defining the comfort index IC and the variables Yi consists in establishing a formula for calculating a quantitative indicator of the comfort felt by pedestrians in a public space as a function of independent variables Y.
  • the definition (calculation) of the comfort index IC includes six variables Yi to Ye which respectively represent the following criteria characterizing the public space: the pleasing character
  • Variables of interest Yi are quantitative statistical variables.
  • the comfort index IC can be obtained by a linear combination of the variables of interest Yi, each of said variables being then weighted by a coefficient according to its importance in the calculation of the index in question.
  • the comfort index IC can be a real number between 0 and 1 or a natural number between 0 and 10 for example.
  • the step 120 of census and collection of contextual data consists in listing quantities which may possibly depend on the comfort index IC, in other words, quantities that can directly affect the values taken by the variables of interest Y, said quantities being be measurable.
  • Such contextual data are, for example, personal information on users of the public space, pedestrian and / or vehicle flows measured on the public space, meteorological data, urban topology, distribution and density of trees in the public space, etc.
  • the variables of interest Y represent subjective judgments expressing the feeling of the users of the public space as to the specific criteria (stress, safety, etc.) on which the calculation of the index of the IC comfort.
  • contextual data play a decisive role in these subjective judgments by a sometimes implicit causal link. For example, the feeling of stress felt by users of a public space will be all the greater if the weather conditions are bad or the noise level is high. It is therefore advantageous to list a maximum of contextual data that can influence the values taken by the variables of interest defining the comfort index.
  • the contextual data used in the present invention will be classified into two categories, dynamic data and static data, depending on their time dependence.
  • the dynamic data Uj represents any contextual data that varies over time, such as the noise level in the public space or the number of cars parked in the square, and also includes personal data of the users of the place such as their ages and socio-professional categories.
  • the static data Vk represent any contextual data constant in time such as the number of trees, benches, shops, ... etc. on the square or map data of the place. It is important to note that any constant contextual data for a time of the order of the time necessary to collect the data in the method of creating the predictive model according to the invention will be considered as static data.
  • the contextual data can either come from several open data sources available, or be directly readable or measurable in the public space in question. These contextual data are heterogeneous multi-source data and require preliminary analysis and pre-processing before incorporation into the predictive model.
  • 73 contextual data, dynamic and static have been defined for the development of the predictive model of comfort perceived by the users of the Place de la National.
  • the position and density of the trees in the central ring of the Place de la nation are, for example, static contextual data that can be obtained via Open Data sources, such as OpenStreetMap or Open Data in Paris, available on the Internet.
  • Figure 3a shows the distribution of trees in the square, each black spot corresponding to a tree. This distribution makes it possible, for example, to know exactly the number of trees in a given radius around a user located on the square, thus generating a derived contextual data which will then make it possible to quantify the effect of the nearby trees on the feeling of trees. a user in terms of comfort.
  • zone 10 is a zone of high density while zone 20 is a zone of low density.
  • Each contextual data can be related to a more general contextual factor from which several contextual data of the same type can be derived.
  • the contextual data tree distribution and tree density in public space can be related to a contextual factor "tree". Therefore, according to one embodiment of a method for creating the predictive comfort model felt by the users of the Place de la Nation, the static contextual data can for example be related to the static contextual factors listed below:
  • the aforementioned Open Data sources allow simple access to a multitude of contextual data from the contextual factors listed above.
  • the contextual factor "tree” for example, one has, in addition to their positions and their density, data such as the circumference, the height, the botanical type and the year of plantation.
  • the contextual data available will not necessarily all be used with the same importance in the predictive comfort model.
  • dynamic data is mainly collected via sensors installed on the National Square such as pedestrian flow sensors, different cameras, noise sensors, air quality, etc.
  • the aforementioned WiFi sensors are WiFi terminals installed on the Place de la National for the collection of connection data of wireless telecommunications devices located on the Place de la nation and whose WiFi functionality is activated.
  • a device When a device, such as a smartphone, seeks a connection to a WiFi network, it sends a signal that is then collected by the installed WiFi sensor network. The intensity and the time offset of this emitted signal are then analyzed by the sensor array which allows to find approximately the position of the transmitting apparatus in the square. In addition, the MAC address of the apparatus is also collected by the sensor network, which allows it to analyze the recurrence of passage of said apparatus on the spot at several hours or days apart.
  • Figures 4a and 4b show the density of smartphones present on the Place de la Nation in an ordinary day at 6:00 and 18:00 respectively, the data having been previously processed to limit any unwanted noise. Indeed, there is a high concentration of smartphones in the center of the square at 18:00, which corresponds to users who are heading to subway entrances after their work and users enjoying the green space located there.
  • the counting cameras make it possible to count the objects that cross virtual lines by distinguishing families from said objects such as for example bicycles, cars and pedestrians.
  • the cameras can operate independent counts according to the direction of crossing of the virtual lines.
  • the count lines may be arranged at locations for which passage data are deemed useful such as pedestrian crossings, metro entrances, strategic routes, etc.
  • the counting cameras placed on the Place de la nation make it possible to collect data contextual dynamics such as pedestrian flows and vehicle flows in different areas of the square.
  • step 120 of census and collection of contextual data that the given examples are likely to be completed and / or modified.
  • contextual data represents a very large amount of data requiring the use of big data specific techniques for their analysis and processing.
  • neural networks known in the field of artificial intelligence, for the exploration of such volumes of data.
  • the predictive model obtained by the method that is the subject of the present invention is an automatic learning model implementing a large volume of contextual data in order to understand their influence on the IC comfort index introduced above, to then predict said index based on said contextual data only.
  • the step 130 of defining the attributes consists in determining parameters that will make it possible to establish a link between the contextual data collected and the variables of interest measured.
  • the attributes are the positions (in geographical coordinates) in the public space of the persons surveyed and the dates on which the polls are made.
  • the position of a person surveyed makes it possible, from the static data of the density of trees, to determine the number of trees surrounding said person in a given radius, and the date makes it possible to estimate for example, from the dynamic pedestrian flow data, the instantaneous pedestrian flow in the vicinity of the person during the survey.
  • These attributes therefore make it possible to establish a link between contextual data and variables of interest insofar as the values taken by the variables of interest (responses to the survey questions) depend on the derived contextual data conditioned by these attributes.
  • the step 200 of performing a field survey consists in collecting a set of values of the variables of interest Y ,, attributes as well as contextual data defined, to drive the machine learning model that will be established.
  • the set of values of the variables, attributes and contextual data is collected on a sample of N users of the National's place and thus comprises N series of data arranged as follows: (3 ⁇ 4i ⁇ i ⁇ 6, (xy t), ( uj ) 1 ⁇ j ⁇ n > Ofc) i ⁇ fc ⁇ m)
  • n and m the numbers of dynamic and static data respectively, and (x, y, t) the position and date attributes.
  • N series of (n + m + 9) elements, or (n + m + 6) -uplets which can be arranged in a matrix N x (n + m + 9), or in several block matrices.
  • the variables of interest as well as the personal data of the users are collected by sampling.
  • the position and date attributes can be recorded by a mobile terminal used for conducting the survey, for example via GPS data.
  • Figure 5 represents for example the scores obtained for the variable "Beauty" with a representative sample of 1200 users of the Place de la nation.
  • the step 300 of implementing a set of automatic learning models consists of testing models for calculating the variables of interest Yi according to contextual data, dynamic Uj and static data Vk, and attributes. These initial models implement algorithms developed specifically to take into account the dependence of variables of interest on contextual data and attributes.
  • variables of interest Yi will allow the calculation of the comfort index IC and thus represent the outputs of the predictive models, the contextual data as well as the attributes represent the inputs of said predictive models.
  • the established initial models will then be driven with sets of variables of interest, contextual data and attributes actually found in the field as described in step 200.
  • the calibration step 400 of the initial models of automatic learning makes it possible to adjust parameters of said models so that for given inputs, the predictive models can generate the outputs corresponding to said inputs thus reproducing, with a minimum margin of error, the series of variables, attributes and data as they were injected into said models.
  • the step 500 of selection of the final machine learning model consists in choosing, from the models tested, the model presenting the best estimates, in other words, the model with the least overall margin of error.
  • step 600 of validation of the predictive model consists in verifying whether said model reproduces for outputs given inputs that are good approximations of the real outputs recorded in the field, the validation being carried out on a set of values of the variables and data.
  • the validation can be a cross validation, or cross-validation, according to one of the well-known techniques of this type of validation.
  • the method of creating a predictive model of the index of comfort in a public space according to the invention then makes it possible to obtain a predictive model capable of estimating the index of comfort in a given public space and transposable to other similar public spaces, in which similar contextual data can be collected.
  • the predictive model makes it possible to estimate the index of comfort in a public space without resorting to any survey of the users of said space thus offering a viable and economic alternative to the actors of planning and urban planning.

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Procédé de création d'un modèle prédictif mis en œuvre par un calculateur pour estimer une variable quantitative correspondant à une caractéristique d'un environnement, l'estimation de ladite variable quantitative par ledit modèle prédictif étant réalisée à partir de données contextuelles, caractérisé en qu'il comporte une étape de collecte des données contextuelles dans l'environnement, une étape de mesure de la variable quantitative dans l'environnement, une étape de détermination d'un attribut lié à la mesure de la variable quantitative, et des étapes d'implémentation, de calibrage et de validation d'un modèle d'apprentissage automatique permettant l'estimation de la variable quantitative à partir de l'attribut et des données contextuelles.

Description

Procédé de création d'un modèle prédictif à partir d'un ensemble de données contextuelles
DOMAINE TECHNIQUE
La présente invention appartient au domaine général de l'analyse prédictive et concerne plus particulièrement les modèles de prédiction par apprentissage automatique (ou Machine Learning en terminologie anglo-saxonne).
Plus particulièrement encore, l'invention concerne une méthode d'élaboration d'un modèle prédictif à partir d'un sondage mettant en œuvre des données contextuelles.
ÉTAT DE L'ART II est connu de réaliser des analyses prédictives à partir d'observations fournies sous la forme de données en utilisant un modèle appelé « modèle prédictif ». Un tel modèle est un algorithme mathématique codé sous la forme d'un programme d'ordinateur, mis en œuvre par un calculateur, qui fournit en sortie le ou les événements les plus probables de se produire à partir d'hypothèses prédictives relatives à un contexte ou un environnement prédéterminé. De tels événements sont appelés de manière connue « scores prédictifs ». Un tel modèle prédictif peut être généré à partir d'un ensemble de données dites données d'apprentissage puis, une fois le modèle prédictif généré, le modèle est utilisé sur un ou plusieurs ensembles de données dites sources afin de calculer des scores prédictifs. À titre d'exemple, un ensemble de données sources peut comprendre des données relatives à des utilisateurs, des données de machines, des données météorologiques, ...etc. Ces modèles sont très superficiels dans leur analyse de la situation de l'utilisateur, leurs conclusions étant directement liées à des informations brutes recueillies par un ou plusieurs capteur(s) sans aucune interprétation sémantique de ces informations.
PRÉSENTATION DE L'INVENTION
La présente invention a pour but principal de pallier les limitations de l'art antérieur et concerne un procédé de création d'un modèle prédictif mis en œuvre par un ordinateur pour estimer une variable quantitative correspondant à une caractéristique d'un environnement, l'estimation de ladite variable quantitative par ledit modèle prédictif étant réalisée à partir de données contextuelles, ce procédé est remarquable en ce qu'il comporte :
- une étape de collecte des données contextuelles dans l'environnement ;
- une étape de mesure de la variable quantitative dans l'environnement ;
- une étape de détermination d'au moins un attribut lié à la mesure de la variable quantitative dans l'environnement ;
- une étape d'implémentation d'au moins un modèle initial d'apprentissage automatique permettant d'estimer ladite variable quantitative en fonction de l'au moins un attribut et des données contextuelles ;
- une étape de calibrage du modèle initial d'apprentissage automatique avec au moins une première mesure de la variable quantitative, au moins un attribut lié à ladite au moins une première mesure de la variable quantitative et les données contextuelles ;
- une étape de sélection d'un modèle final calibré d'apprentissage automatique ;
- une étape de validation du modèle final calibré d'apprentissage automatique avec au moins une deuxième mesure de la variable quantitative différente de ladite au moins une première mesure, au moins un attribut lié à ladite deuxième mesure de la variable quantitative et les données contextuelles. Selon un mode de réalisation la variable quantitative dépend d'au moins deux variables d'intérêt, chacune desdites variables d'intérêt correspondant à une caractéristique particulière de l'environnement.
Plus particulièrement, les données contextuelles comportent des données dynamiques qui varient avec le temps et des données statiques constantes dans le temps, sur au moins un temps caractéristique.
Avantageusement, l'étape de collecte des données contextuelles dans l'environnement est caractérisée en ce que les données dynamiques sont collectées en temps réel.
De façon avantageuse, l'étape de mesure de la variable quantitative dans l'environnement comprend N mesures de ladite variable quantitative, et l'étape de détermination d'au moins un attribut comprend N déterminations d'au moins un attribut lié à chacune des N mesures de la variable quantitative, N étant un entier naturel supérieur ou égal à deux.
Par exemple, les N mesures de la variable quantitative et les N déterminations d'au moins un attribut lié à chacune des N mesures de la variable quantitative sont rangées en N couples (variable quantitative, au moins un attribut, données contextuelles).
Avantageusement, le modèle final calibré d'apprentissage automatique permet d'obtenir la variable quantitative correspondant à l'au moins un attribut et aux données contextuelles dans chaque couple d'une partie des N couples.
Plus particulièrement, l'étape de validation consiste à comparer une variable quantitative prédite par le modèle final calibré à partir de l'au moins un attribut et des données contextuelles dans chaque couple de l'autre partie des N couples avec la variable quantitative mesurée appartenant audit couple.
Selon un mode de réalisation, l'environnement est un espace public et la variable quantitative est mesurée par un sondage sur un échantillon d'usagers dudit espace public.
Selon un mode de réalisation, le procédé emploie deux attributs liés à chaque mesure de la variable quantitative, un attribut spatial et un attribut temporel, l'attribut spatial étant une position de la mesure dans l'environnement et l'attribut temporel étant une date de ladite mesure. Selon un mode réalisation, la variable quantitative est un indice du confort ressenti par les usagers de l'espace public.
Les concepts fondamentaux de l'invention venant d'être exposés ci-dessus dans leur forme la plus élémentaire, d'autres détails et caractéristiques ressortiront plus clairement à la lecture de la description qui suit et en regard des dessins annexés, donnant à titre d'exemple non limitatif un mode de réalisation d'un procédé de création d'un modèle prédictif conforme aux principes de l'invention.
BRÈVE DESCRIPTION DES FIGURES Les différentes figures ainsi que les éléments d'une même figure ne sont pas nécessairement représentés à la même échelle. Sur l'ensemble des figures, les éléments identiques portent le même repère.
Il est ainsi illustré en :
Figure 1 : un plan de la place de la Nation (Paris, France) dans laquelle est mis en œuvre le procédé selon un mode de réalisation de l'invention ;
Figure 2 : un schéma simplifié des principales étapes du procédé selon un mode de réalisation de l'invention ;
Figure 3a : une modélisation de la distribution des arbres sur la place de la Nation ;
Figure 3b : une carte de densité d'arbres sur la place de la Nation ;
Figures 4a et 4b : des cartes de densité de smartphones avec WiFi activé sur la place de la nation pendant un jour ordinaire à 6h00, figure 4a, et 18h00, figure 4b ; Figure 5 : un graphique d'un résultat partiel d'une enquête terrain selon un mode de réalisation de l'invention.
DESCRIPTION DÉTAILLÉE DE MODES DE RÉALISATION
Dans le mode de réalisation de l'invention décrit ci-après, on fait référence à un procédé de création d'un modèle prédictif destiné à l'aménagement des espaces publics. Cet exemple n'est nullement exclusif des applications de l'invention à d'autres domaines nécessitant une prise de décision en fonction d'un résultat extrait d'une grande quantité de données, ou une prédiction quelconque.
Il est utile de rappeler que l'aménagement d'un espace public doit principalement tenir compte de l'évolution des comportements des usagers et de la qualité de vie devant leur être garantie. Parmi les données nécessaires à la définition de modalités dans un projet d'aménagement d'un espace public, l'avis d'éventuels futurs usagers revêt un caractère fondamental. Cet avis peut simplement prendre la forme de réponses à des questions spécifiques et être recueilli par un sondage par exemple. Les données statistiques ainsi générées sont souvent biaisées par des facteurs contextuels non pris en compte dans l'étude, et pouvant influencer les réponses données par les personnes sondées. Les facteurs contextuels représentent une quantité conséquente de données qu'il est nécessaire d'inclure dans l'analyse statistique des résultats du sondage en vue d'une meilleure fiabilité. De ce fait, l'aménagement des espaces publics, tout comme d'autres disciplines de l'urbanisme, s'ouvre progressivement aux approches dites data driven, ou orientées par les données.
Une application de l'invention à un cas réel est exposée dans la suite de la description. Ce cas concerne un projet de réaménagement de la place de la Nation dans la ville de Paris.
La figure 1 représente un plan de la place de la Nation sur lequel on aperçoit l'anneau central correspondant et les voies y convergeant.
Le procédé de création d'un modèle prédictif a pour but d'estimer un indice du confort ressenti par les usagers se trouvant place de la Nation, en se basant sur des données contextuelles issues de la place de la Nation et décrivant par exemple l'environnement urbain, la météo, les espaces verts, etc.
Selon l'invention, le procédé de création d'un modèle prédictif du confort ressenti par les usagers dans un espace public comprend principalement les étapes suivantes, représentées schématiquement à la figure 2 :
- Une étape 1 10 de définition d'un indice du confort IC et de variables d'intérêt Yi permettant un calcul dudit indice du confort ;
- Une étape 120 de recensement et collecte de données contextuelles permettant de décrire le contexte naturel, humain et urbain de l'espace public ;
- Une étape 130 de définition d'attributs permettant d'établir un lien entre les données contextuelles collectées et les variables d'intérêt ; Une étape 200 de réalisation d'une enquête terrain permettant de mesurer sur un échantillon d'usagers de l'espace public les valeurs des variables d'intérêt Yi et des attributs ;
Une étape 300 d'implémentation de modèles initiaux d'apprentissage automatique avec les variables d'intérêt et les attributs mesurés et les données contextuelles collectées pour estimer les variables d'intérêt à partir des attributs et d'au moins une partie des données contextuelles ;
Une étape 400 de calibrage des modèles d'apprentissage automatique implémentés à l'aide des variables d'intérêt et des attributs mesurés et des données contextuelles collectées ;
Une étape 500 de sélection du modèle d'apprentissage automatique présentant les meilleures estimations ;
Une étape 600 de validation du modèle final d'apprentissage automatique choisi à l'étape précédente.
Dans la suite de la description, l'expression « espace public » et le terme « place » désigneront, sauf indication contraire, la place de la Nation.
L'étape 1 10 de définition de l'indice du confort IC et des variables Yi consiste à établir une formule de calcul d'un indicateur quantitatif du confort ressenti par les piétons dans un espace public en fonction de variables indépendantes Y.
Dans un mode de réalisation de l'invention, la définition (le calcul) de l'indice du confort IC inclut six variables Yi à Ye qui représentent respectivement les critères suivants caractérisant l'espace public : le caractère agréable
le stress ;
la sécurité ;
la beauté ;
la propreté ; et
la désorientation. Les variables d'intérêt Yi sont des variables statistiques quantitatives.
Par exemple, l'indice du confort IC peut être obtenu par une combinaison linéaire des variables d'intérêt Yi, chacune desdites variables étant alors pondérée par un coefficient en fonction de son importance dans le calcul de l'indice en question.
En fonction de la nature des coefficients linéaires, l'indice du confort IC peut être un nombre réel compris entre 0 et 1 ou un entier naturel compris entre 0 et 10 par exemple.
L'étape 120 de recensement et collecte des données contextuelles consiste à répertorier des grandeurs dont peut éventuellement dépendre l'indice du confort IC, autrement dit, des grandeurs pouvant directement agir sur les valeurs prises par les variables d'intérêt Y, lesdites grandeurs devant être mesurables. De telles données contextuelles sont par exemple des informations personnelles sur des usagers de l'espace public, des flux de piétons et/ou de véhicules mesurés sur l'espace public, des données météorologiques, la topologie urbaine, la distribution et la densité d'arbres dans l'espace public, etc.
Selon le mode de réalisation illustré, les variables d'intérêt Y représentent des jugements subjectifs exprimant le ressenti des usagers de l'espace public quant aux critères spécifiques (stress, sécurité, etc.) sur lesquels est basé le calcul de l'indice du confort IC. De ce fait, les données contextuelles ont un rôle déterminant dans ces jugements subjectifs par un lien de causalité parfois implicite. Par exemple, le sentiment de stress ressenti par les usagers d'un espace public sera d'autant plus grand que les conditions météorologiques seront mauvaises ou que le niveau de bruit sera élevé. Il est donc avantageux de répertorier un maximum de données contextuelles pouvant avoir une influence sur les valeurs prises par les variables d'intérêt définissant l'indice du confort.
Les données contextuelles utilisées dans la présente invention seront classées dans deux catégories, les données dynamiques et les données statiques, selon leur dépendance au temps.
Les données dynamiques Uj représentent toute donnée contextuelle qui varie avec le temps comme par exemple le niveau de bruit dans l'espace public ou le nombre de voitures stationnées sur la place, et comprennent également les données personnelles des usagers de la place comme par exemple leurs âges et leurs catégories socioprofessionnelles.
Les données statiques Vk représentent quant à elles toute donnée contextuelle constante dans le temps telle que le nombre d'arbres, de bancs, de commerces, ...etc. sur la place ou les données cartographiques de la place. Il est important de noter que toute donnée contextuelle constante pendant un temps de l'ordre du temps nécessaire à la collecte des données dans le procédé de création du modèle prédictif selon l'invention sera considérée comme donnée statique.
Les données contextuelles peuvent soit provenir de plusieurs sources libres d'accès (Open Data) disponibles, soit être directement relevables ou mesurables dans l'espace public en question. Ces données contextuelles sont donc des données multi sources hétérogènes et nécessitent une analyse préliminaire et un prétraitement avant leur incorporation dans le modèle prédictif.
Selon un mode de réalisation de l'invention, 73 données contextuelles, dynamiques et statiques, ont été définies pour l'élaboration du modèle prédictif du confort ressenti par les usagers de la place de la Nation.
Dans la suite, quelques exemples de données contextuelles utilisées seront décrits à titre indicatif et nullement exhaustif.
La position et la densité des arbres dans l'anneau central de la place de la Nation sont par exemple des données contextuelles statiques qui peuvent être obtenues via des sources Open Data, telles que OpenStreetMap ou Open Data de Paris, disponibles sur Internet.
La figure 3a représente la distribution des arbres sur la place, chaque point noir correspondant à un arbre. Cette distribution permet par exemple de connaître exactement le nombre d'arbres dans un rayon déterminé autour d'un usager se trouvant sur la place, générant ainsi une donnée contextuelle dérivée qui permettra ensuite de quantifier l'effet des arbres à proximité sur le ressenti d'un usager en matière de confort.
À partir des mêmes sources Open Data, il peut être obtenu, outre la position des arbres sur la place, la densité d'arbres dans ladite place comme illustré sur la figure 3b. La densité d'arbres cartographiée dans ce cas particulier correspond au nombre d'arbres par unité de surface, ladite densité est représentée en niveaux de gris, la valeur de la densité étant croissante en allant des tons clairs aux tons foncés. Par exemple, la zone 10 est une zone de grande densité tandis que la zone 20 est une zone de faible densité.
Chaque donnée contextuelle, dynamique ou statique, peut être rattachée à un facteur contextuel plus général dont peuvent dériver plusieurs données contextuelles du même type. Par exemple, les données contextuelles distribution des arbres et densité d'arbres dans l'espace public peuvent être rattachées à un facteur contextuel « arbre ». De ce fait, selon un mode de réalisation d'un procédé de création du modèle prédictif du confort ressenti par les usagers de la place de la Nation, les données contextuelles statiques peuvent par exemple être rattachées aux 35 facteurs contextuels statiques énumérés ci-dessous :
Boulangerie Traversée Parcmètre Route primaire
Banc Piste cyclable Place de stationnement Gare
Location de vélos Fast food Pharmacie Restaurant
Poubelle Passage piéton Jardinière Route tertiaire
Borne vélo Espace vert Route secondaire Ecole
Arrêt de bus Eclairage Poteau Boite aux lettres
Café Rue animée Poteau vélo Abri
Boutique Marches Entrée du métro Autre route
Feux de circulation Arbre Route résidentielle
De la même façon, des facteurs contextuels dynamiques peuvent être définis.
Avantageusement, les sources Open Data précitées permettent un accès simple à une multitude de données contextuelles à partir des facteurs contextuels énumérés ci-dessus. Pour le facteur contextuel « arbre » par exemple, on dispose, outre leurs positions et leur densité, de données telles que la circonférence, la hauteur, le type botanique et l'année de plantation. En outre, les données contextuelles disponibles ne seront pas nécessairement toutes utilisées avec une même importance dans le modèle prédictif du confort.
En complément des données statiques disponibles en majeure partie sur les sources Open Data ou pouvant être relevées simplement par une action humaine, les données dynamiques sont principalement recueillies via des capteurs installés sur la place de la Nation tels que des capteurs de flux de piétons, différentes caméras, des capteurs de bruit, de qualité d'air, etc.
Selon un mode de réalisation du procédé de création du modèle du confort, des données issues de capteurs WiFi et de caméras de comptage ont été utilisées.
Les capteurs WiFi précités sont des bornes WiFi installées sur la place de la Nation permettant la collecte de données de connexion des appareils de télécommunication sans fil se trouvant sur la place de la Nation et dont la fonctionnalité WiFi est activée.
Lorsqu'un appareil, tel qu'un smartphone, cherche une connexion à un réseau WiFi, il envoie un signal qui est alors collecté par le réseau de capteurs WiFi installé. L'intensité et le décalage temporel de ce signal émis sont ensuite analysés par le réseau de capteurs qui permet de retrouver approximativement la position de l'appareil émetteur sur la place. En outre, l'adresse MAC de l'appareil est également collectée par le réseau de capteur, ce qui lui permet d'analyser la récurrence de passage dudit appareil sur la place à plusieurs heures ou jours d'intervalle.
Les figures 4a et 4b représentent la densité de smartphones présents sur la place de la Nation en une journée ordinaire à 6h00 et à 18h00 respectivement, les données ayant été préalablement traitées en vue de limiter tout bruit indésirable. On constate en effet une forte concentration de smartphones au centre de la place à 18h00, ce qui correspond aux usagers qui se dirigent vers les entrées de métro après leur travail et aux usagers profitant de l'espace vert situé à cet endroit.
Les caméras de comptage permettent de compter les objets qui traversent des lignes virtuelles en distinguant des familles desdits objets comme par exemple des vélos, des voitures et des piétons. Les caméras peuvent opérer des comptages indépendants suivant le sens de traversée des lignes virtuelles. Les lignes de comptage peuvent être disposées en des endroits pour lesquels les données de passage sont jugées utiles tels que des passages piétons, des entrées de métros, des voies stratégiques, etc.
Selon un mode de réalisation de l'invention, les caméras de comptage disposées sur la place de la Nation permettent de collecter des données contextuelles dynamiques telles que les flux de piétons et les flux de véhicules dans différentes zones de la place.
Il ressort clairement de la description de l'étape 120 de recensement et collecte des données contextuelles que les exemples donnés sont susceptibles d'être complétés et/ou modifiés. De manière générale, les données contextuelles représentent une quantité très conséquente de données nécessitant l'utilisation de techniques spécifiques au domaine des mégadonnées (ou Big data) en vue de leur analyse et de leur traitement. Ainsi, il est par exemple fait appel aux techniques dites de réseaux de neurones, connues dans le domaine de l'intelligence artificielle, pour l'exploration de tels volumes de données.
De ce fait, le modèle prédictif obtenu par le procédé objet de la présente invention est un modèle d'apprentissage automatique mettant en œuvre un volume important de données contextuelles dans le but de comprendre leur influence sur l'indice du confort IC introduit plus haut, pour pouvoir ensuite prédire ledit indice sur la base desdites données contextuelles uniquement.
L'étape 130 de définition des attributs consiste à déterminer des paramètres qui permettront d'établir un lien entre les données contextuelles collectées et les variables d'intérêt mesurées. Selon le mode de réalisation décrit, les attributs sont les positions (en coordonnées géographiques) dans l'espace public des personnes sondées et les dates auxquelles les sondages sont réalisés.
Par exemple, la position d'une personne sondée permet, à partir de la donnée statique de la densité d'arbres, de déterminer le nombre d'arbres entourant ladite personne dans un rayon donné, et la date permet d'estimer par exemple, à partir de la donnée dynamique du flux de piétons, le flux de piétons instantané au voisinage de la personne durant le sondage. Ces attributs permettent donc d'établir un lien entre données contextuelles et variables d'intérêt dans la mesure où les valeurs prises par les variables d'intérêt (réponses aux questions du sondage) dépendent des données contextuelles dérivées conditionnées par ces attributs.
L'étape 200 de réalisation d'une enquête terrain consiste à collecter un ensemble de valeurs des variables d'intérêt Y,, des attributs ainsi que des données contextuelles définies, pour entraîner le modèle d'apprentissage automatique qui sera établi. Selon un mode de réalisation de l'invention, l'ensemble de valeurs des variables, des attributs et des données contextuelles est recueilli sur un échantillon de N usagers de la place de la Nation et comprend donc N séries de données rangées comme suit : ((¾i<i<6 , (x. y. t), (uj)1≤j≤n > Ofc)i≤fc≤m)
Avec n et m les nombres de données dynamiques et statiques respectivement, et (x,y,t) les attributs de position et de date.
On obtient alors N séries de (n+m+9) éléments, ou (n+m+6)-uplets, qui peuvent être rangées dans une matrice N x (n+m+9), ou dans plusieurs matrices blocs.
Autrement dit, pour chaque usager de la place de la Nation pris dans l'échantillon d'étude, il est nécessaire de connaître les valeurs des variables d'intérêt, et par là même la valeur de l'indice du confort calculée à partir desdites valeurs des variables d'intérêt, ainsi que toutes les valeurs des attributs et des données contextuelles définies afin de permettre au modèle d'apprentissage automatique de comprendre au mieux les liens entres variables d'intérêt et données contextuelles.
Selon un mode de réalisation de l'invention, les variables d'intérêt ainsi que les données personnelles des usagers sont collectées par sondage.
Selon un mode de réalisation de l'invention, les attributs de position et de date peuvent être relevés par un terminal mobile servant à la réalisation du sondage, par l'intermédiaire des données GPS par exemple.
Les autres données contextuelles sont relevées par des mesures comme décrit plus haut.
En raison du caractère qualitatif des variables d'intérêt précitées, une échelle de valeurs de 1 à 4 a été choisie afin de quantifier le ressenti des usagers de la place par rapport auxdites variables, la valeur 1 correspondant à « Pas du tout » et la valeur 4 à « Complètement ». Par exemple un piéton qui se trouve sur la place et qui estime que la place n'est pas du tout agréable répondrait « 1 » à la question « trouvez-vous que la place de la Nation est agréable ? » qui lui serait posée. Ainsi, les variables Yi correspondent à des niveaux normalisés des critères qu'elles désignent, et une manière simple de recueillir ces niveaux chez un usager d'un espace public serait de lui poser des questions du type « Pourriez vous noter sur une échelle de 1 à 4, 1 correspondant à Pas du tout et 4 à Complètement, le niveau de propreté de cet espace public ? ».
La figure 5 représente par exemple les notes obtenues pour la variable « Beauté » avec un échantillon représentatif de 1200 usagers de la place de la Nation.
L'étape 300 d'implémentation d'un ensemble de modèles d'apprentissage automatique consiste à tester des modèles de calcul des variables d'intérêt Yi en fonction des données contextuelles, dynamique Uj et statiques Vk, et des attributs. Ces modèles initiaux implémentent des algorithmes développés spécialement pour tenir compte au mieux de la dépendance des variables d'intérêt vis-à-vis des données contextuelles et des attributs.
Les variables d'intérêt Yi vont permettre le calcul de l'indice du confort IC et représentent donc les sorties des modèles prédictifs, les données contextuelles ainsi que les attributs représentent les entrées desdits modèles prédictifs.
Les modèles initiaux établis seront ensuite entraînés avec des ensembles de variables d'intérêt, de données contextuelles et d'attributs réellement relevées sur le terrain comme décrit à l'étape 200.
L'étape de calibrage 400 des modèles initiaux d'apprentissage automatique permet de régler des paramètres desdits modèles de sorte que pour des entrées données, les modèles prédictifs puissent générer les sorties correspondant auxdites entrées reproduisant ainsi, moyennant une marge d'erreur minimum, les séries de variables, d'attributs et de données telles qu'elles ont été injectées dans lesdits modèles.
L'étape 500 de sélection du modèle final d'apprentissage automatique consiste à choisir, parmi les modèles testés, le modèle présentant les meilleures estimations, autrement dit, le modèle avec le moins de marge d'erreur globale.
Enfin, l'étape 600 de validation du modèle prédictif consiste à vérifier si ledit modèle reproduit pour des entrées données des sorties qui sont des bonnes approximations des sorties réelles relevées sur le terrain, la validation étant effectuée sur un ensemble de valeurs des variables et données contextuelles non injecté dans le modèle prédictif. Par exemple, la validation peut être une validation croisée, ou cross-validation, selon l'une des techniques bien connues de ce type de validations. Le procédé de création d'un modèle prédictif de l'indice du confort dans un espace public selon l'invention permet alors d'obtenir un modèle prédictif capable d'estimer l'indice du confort dans un espace public donné et transposable à d'autres espaces publics similaires, dans lesquels des données contextuelles similaires peuvent être recueillies. Le modèle prédictif permet d'estimer l'indice du confort dans un espace public sans recourir à un quelconque sondage des usagers dudit espace offrant ainsi une alternative viable et économique aux acteurs de l'aménagement et de l'urbanisme.
Cependant, les principes de l'invention tels que venant d'être exposés peuvent s'appliquer à d'autres cas dans d'autres domaines d'activités.

Claims

R E V E N D I C A T I O N S
Procédé de création d'un modèle prédictif mis en œuvre par un calculateur pour estimer une variable quantitative correspondant à une caractéristique d'un environnement, l'estimation de ladite variable quantitative par ledit modèle prédictif étant réalisée à partir de données contextuelles, caractérisé en qu'il comporte :
- une étape de collecte des données contextuelles dans l'environnement ;
- une étape de mesure de la variable quantitative dans l'environnement ;
- une étape de détermination d'au moins un attribut spatial ou temporel lié à la mesure de la variable quantitative dans l'environnement ;
- une étape d'implémentation sur le calculateur d'au moins un modèle initial d'apprentissage automatique permettant d'estimer ladite variable quantitative en fonction de l'au moins un attribut et des données contextuelles ;
- une étape de calibrage dudit au moins un modèle initial d'apprentissage automatique avec au moins une première mesure de la variable quantitative, au moins un attribut lié à ladite au moins une première mesure de la variable quantitative et les données contextuelles ;
- une étape de sélection d'un modèle final calibré d'apprentissage automatique ;
- une étape de validation du modèle final calibré d'apprentissage automatique avec au moins une deuxième mesure de la variable quantitative différente de ladite au moins une première mesure, au moins un attribut lié à ladite deuxième mesure de la variable quantitative et les données contextuelles.
2. Procédé selon la revendication 1 , dans lequel la variable quantitative dépend d'au moins deux variables d'intérêt, chacune desdites variables d'intérêt correspondant à une caractéristique particulière de l'environnement.
3. Procédé selon la revendication 1 ou la revendication 2, dans lequel les données contextuelles comportent des données dynamiques qui varient avec le temps et des données statiques constantes dans le temps, sur au moins un temps caractéristique.
4. Procédé selon la revendication 3, dans lequel l'étape de collecte des données contextuelles dans l'environnement est caractérisée en ce que les données dynamiques sont collectées en temps réel.
5. Procédé selon l'une quelconque des revendications précédentes, dans lequel l'étape de mesure de la variable quantitative dans l'environnement comprend N mesures de ladite variable quantitative et dans lequel l'étape de détermination d'au moins un attribut comprend N déterminations d'au moins un attribut lié à chacune des N mesures de la variable quantitative, N étant un entier naturel supérieur ou égal à deux.
6. Procédé selon la revendication 5, dans lequel les N mesures de la variable quantitative et les N déterminations d'au moins un attribut lié à chacune des N mesures de la variable quantitative sont rangées en N couples (variable quantitative, au moins un attribut, données contextuelles).
7. Procédé selon la revendication 6, dans lequel le modèle final calibré d'apprentissage automatique permet d'obtenir la variable quantitative correspondant à l'au moins un attribut et aux données contextuelles dans chaque couple d'une partie des N couples.
8. Procédé selon la revendication 7, dans lequel l'étape de validation consiste à comparer une variable quantitative prédite par le modèle final calibré à partir de l'au moins un attribut et des données contextuelles dans chaque couple de l'autre partie des N couples avec la variable quantitative mesurée appartenant audit couple.
9. Procédé selon l'une quelconque des revendications précédentes, dans lequel l'environnement est un espace public et dans lequel la variable quantitative est mesurée par un sondage sur un échantillon d'usagers dudit espace public.
10. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comporte deux attributs liés à chaque mesure de la variable quantitative, un attribut spatial et un attribut temporel, l'attribut spatial étant une position de la mesure dans l'environnement et l'attribut temporel étant une date de ladite mesure.
1 1 . Procédé selon la revendication 9 et la revendication 10, dans lequel la variable quantitative est un indice du confort ressenti par les usagers de l'espace public.
PCT/EP2018/077134 2017-10-12 2018-10-05 Procédé de création d'un modèle prédictif à partir d'un ensemble de données contextuelles WO2019072713A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP18779704.8A EP3695364A1 (fr) 2017-10-12 2018-10-05 Procédé de création d'un modèle prédictif à partir d'un ensemble de données contextuelles

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1759570A FR3072485B1 (fr) 2017-10-12 2017-10-12 Procede de creation d'un modele predictif a partir d'un ensemble de donnees contextuelles
FR1759570 2017-10-12

Publications (1)

Publication Number Publication Date
WO2019072713A1 true WO2019072713A1 (fr) 2019-04-18

Family

ID=60302366

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/077134 WO2019072713A1 (fr) 2017-10-12 2018-10-05 Procédé de création d'un modèle prédictif à partir d'un ensemble de données contextuelles

Country Status (3)

Country Link
EP (1) EP3695364A1 (fr)
FR (1) FR3072485B1 (fr)
WO (1) WO2019072713A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3032286A1 (fr) * 2015-02-03 2016-08-05 Easy Comptage Procede et systeme d'estimation d'une population

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3032286A1 (fr) * 2015-02-03 2016-08-05 Easy Comptage Procede et systeme d'estimation d'une population

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALSHAWISH RAJA A ET AL: "Big data applications in smart cities", 2016 INTERNATIONAL CONFERENCE ON ENGINEERING & MIS (ICEMIS), IEEE, 22 September 2016 (2016-09-22), pages 1 - 7, XP033004876, DOI: 10.1109/ICEMIS.2016.7745338 *
PIYUSHIMITA THAKURIAH ET AL: "Big data and urban Informatics: innovations and challenges to urban planning and knowledge discovery", PROC. OF NSF WORKSHOP ON BIG DATA AND URBAN INFORMATICS, 1 January 2016 (2016-01-01), pages 4 - 32, XP055462463, Retrieved from the Internet <URL:https://pdfs.semanticscholar.org/2bfd/3dfa47806996f370d330b03fec599977a606.pdf> *
ZHENG YIXIAN ET AL: "Visual Analytics in Urban Computing: An Overview", IEEE TRANSACTIONS ON BIG DATA, IEEE, vol. 2, no. 3, 1 September 2016 (2016-09-01), pages 276 - 296, XP011626504, DOI: 10.1109/TBDATA.2016.2586447 *

Also Published As

Publication number Publication date
FR3072485A1 (fr) 2019-04-19
EP3695364A1 (fr) 2020-08-19
FR3072485B1 (fr) 2022-09-09

Similar Documents

Publication Publication Date Title
Konowalik et al. Evaluation metrics and validation of presence-only species distribution models based on distributional maps with varying coverage
Bravo-Moncayo et al. A machine learning approach for traffic-noise annoyance assessment
US20130226667A1 (en) Methods and apparatus to analyze markets based on aerial images
Havinga et al. Social media and deep learning capture the aesthetic quality of the landscape
Li et al. Measuring visual walkability perception using panoramic street view images, virtual reality, and deep learning
Chen et al. Quantifying the scale effect in geospatial big data using semi-variograms
US20230207135A1 (en) Methods and systems for detecting environment features in images to predict location-based health metrics
US20210118117A1 (en) Predicting and correcting vegetation state
Sottini et al. Winescape perception and big data analysis: An assessment through social media photographs in the Chianti Classico region
CN112668375B (zh) 景区内游客分布分析系统及方法
US10012765B2 (en) Geographical condition prediction
Liu et al. Towards human-centric digital twins: leveraging computer vision and graph models to predict outdoor comfort
Aschwanden et al. Learning to walk: Modeling transportation mode choice distribution through neural networks
CN115456695A (zh) 一种店铺选址的分析方法、装置、系统及介质
CN113807278A (zh) 一种基于深度学习的土地利用分类及变化预测方法
Groff Measuring a place’s exposure to facilities using geoprocessing models: An illustration using drinking places and crime
Torkko et al. How to best map greenery from a human perspective? Comparing computational measurements with human perception
Gong et al. Spatio-temporal parking occupancy forecasting integrating parking sensing records and street-level images
Li et al. Model parameter evaluation and improvement for real-time flood inundation mapping using HAND model: Iowa case study
WO2019072713A1 (fr) Procédé de création d&#39;un modèle prédictif à partir d&#39;un ensemble de données contextuelles
WO2021001631A1 (fr) Procédé et dispositif d&#39;évaluation d&#39;une zone géographique
Zhao et al. Evaluation method for pedestrian level of service on sidewalks based on fuzzy neural network model
Gongora et al. Toward the generation of smell maps: Matching electro-chemical sensor information with human odor perception
Yang et al. From intangible to tangible: The role of big data and machine learning in walkability studies
Fei et al. Adapting public annotated data sets and low-quality dash cameras for spatiotemporal estimation of traffic-related air pollution: A transfer-learning approach

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: 18779704

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018779704

Country of ref document: EP

Effective date: 20200512