Extraction et gestion de connaissance basée sur la reconnaissance d'activité d'utilisateur en situation de mobilité

par Shuja Jamil

Projet de thèse en Informatique

Sous la direction de Ahmed Lbath.

Thèses en préparation à l'Université Grenoble Alpes (ComUE) , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique , en partenariat avec Laboratoire d'Informatique de Grenoble (laboratoire) et de MRIM - Modélisation et recherche d'information multimédia. (equipe de recherche) depuis le 23-05-2014 .


  • Résumé

    Le travail de recherche est orientée vers l'extraction de connaissance des activités de personnes de grands rassemblements bondés. Il ya un certain nombre de grands événements annuels de collecte qui se déroulent partout dans le monde. Comprendre la mobilité des personnes, de leurs activités et de leurs interactions est important pour les organisateurs d'événements à comprendre afin de rendre de meilleurs services et de prévenir des catastrophes comme bousculade et la congestion. Comprendre l'activité en cours pourrait également aider à prévoir les prochains mouvements de la foule et prendre les mesures appropriées. Cette prédiction peut aussi aider les visiteurs en suggérant quelle est la prochaine dans la ligne en termes de suggestions d'activités sensibles au contexte, personnalisé et basé intérêt. La première étape pour atteindre cet objectif est de définir une architecture de bout en bout, depuis la collecte de données en temps réel à la prédiction de l'activité et de la recommandation. Nous commençons par la collecte des données soit avec des méthodes de détection active ou passive ou une combinaison des deux sources hétérogènes à l'aide. La deuxième étape consiste à nettoyer, combiner, formaliser les données recueillies à partir de sources hétérogènes et le fusionner avec les données externes supplémentaires tels que horaire de l'événement, les attractions de l'événement, les événements actuels dans l'événement, etc. La troisième étape consiste à extraire les données afin de extraire des informations utiles et appliquer des techniques d'apprentissage automatique pour prédire les prochains événements dans la foule et fournir des recommandations. Ce système pourrait être utile pour les visiteurs afin de maximiser leurs expériences sur la base des intérêts personnels et la popularité de certains sites touristiques de l'événement. Les prédictions d'un tel système pourrait également être utile pour la gestion de prendre de meilleures décisions pour contrôler la foule en temps réel ou pour mieux prévoir les événements à venir et à prévenir les catastrophes en utilisant pleinement ou semi-automatisé mécanismes en déployant actionneurs, capteurs, ou des guides etc.

  • Titre traduit

    Knowledge extraction and management based on activity recognition for mobile users


  • Résumé

    The research work is directed towards the knowledge extraction of activities of people from large crowded gatherings. There are a number of annual large gathering events happening all over the world. Understanding the mobility of people, their activities and their interactions is important for the event organizers to understand in order to render better services and to prevent disasters such as stampede and congestion. Understanding the current activity could also help to predict the upcoming moves of the crowd and take appropriate measures. This prediction can also help the visitors by suggesting what is next in line in terms of context-aware, personalized and interest based activity suggestions. The first step to achieve this is to define an end-to-end architecture from real-time data gathering to activity prediction and recommendation. We start by collecting the data with either active or passive sensing methods or a combination of both using heterogeneous sources. The second step is to clean, combine, formalize the data collected from heterogeneous sources and merge it with the additional external data such as event schedule, event attractions, current happenings in the event etc. The third step is to mine the data in order to extract useful information and apply machine-learning techniques to predict the next happenings in the crowd and provide recommendations. This system could be useful for the visitors to maximize their experiences based on the personal interests and the popularity of certain attractions in the event. The predictions of such system could also be helpful for the management to take better decisions to control the crowd in real-time or to plan better for the upcoming events and prevent disasters using fully or semi-automated mechanisms by deploying actuators, sensors, or guides etc.