Tales Paiva Nogueira - A Framework for Automatic Annotation of Semantic Trajectories

12:30
Lundi
30
Jan
2017
Lieu : 
Organisé par : 
Tales Paiva Nogueira
Intervenant : 
Tales Paiva Nogueira
Équipes : 

Composition du jury :

  • M Thomas Devogele, professeur, Université de Tours, rapporteur
  • M Alain Bouju, maître de conférences HDR, Université de La Rochelle, rapporteur
  • M Hervé Martin, professeur, Université Grenoble Alpes, directeur de thèse
  • M Ahmed Lbath, professeur, Université Grenoble Alpes, examinateur
  • Mme Rossana Maria de Castro Andrade, professeur, Federal University of Ceará, Brésil, examinateur

Les données de localisation sont présentes dans plusieurs aspects de notre vie. Nous assistons à une utilisation croissante de ce type de données par une grande variété d'applications. En conséquence, les systèmes d'information doivent construire des abstractions de haut niveau pour traiter de grands volumes de données brutes. La convergence des services de localisation et des standards de la Web sémantique peut faciliter les taches d'interconnexion et d'annotation des trajectoires.

Dans cette thèse, nous nous concentrons sur la modélisation de trajectoires dans le contexte du Web sémantique. Nous proposons une ontologie pour représenter des épisodes génériques. Notre modèle couvre aussi des éléments contextuels qui peuvent être liés à des trajectoires. Nous proposons un framework basé sur trois algorithmes d'annotation des trajectoires. Le premier détecte les mouvements, les arrêts et les données manquantes; le deuxième est utilisé pour compresser des séries temporelles et  créer des épisodes caractéristiques de l'évolution de la trajectoire; le troisième exploite les données liées pour annoter les trajectoires en s'appuyant notamment sur OpenStreetMap.

Une de nos contributions est une nouvelle ontologie qui peut représenter des phénomènes spatiotemporels avec différents niveaux de granularité. Notre méthode de détection de mouvement-arrêt-bruit est capable de traiter des traces échantillonnées irrégulièrement et ne dépend pas des données externes; notre méthode de compression des séries temporelles est capable de construire un résumé en évitant les segments trop courts; notre algorithme d'annotation spatiale exploite des données liées et des relations entre concepts pour extraire des types pertinents d'entités spatiales afin de décrire l'environnement où la trajectoire a eu lieu.