Centre dedocumentation
scientifique

A framework to manage uncertainty in the computation of waste collection routes after a flood / Arnaud Le Guilcher in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol V-4-2021 (July 2021)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol V-4-2021 (July 2021) . - pp 61 - 68 Titre : A framework to manage uncertainty in the computation of waste collection routes after a flood Type de document : Article/Communication Auteurs : Arnaud Le Guilcher , Auteur ; Sofiane Martel, Auteur ; Mickaël Brasebin , Auteur ; Yann Méneroux , Auteur Année de publication : 2021 Projets : 1-Pas de projet / Conférence : ISPRS 2021, Commission 4, 24th ISPRS Congress, Imaging today foreseeing tomorrow 05/07/2021 09/07/2021 Nice on-line France OA Annals Commission 4 Article en page(s) : pp 61 - 68 Note générale : biblographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] cadre conceptuel [Termes IGN] calcul d'itinéraire [Termes IGN] catastrophe naturelle [Termes IGN] collecte des déchets [Termes IGN] discrétisation spatiale [Termes IGN] incertitude géométrique [Termes IGN] inondation [Termes IGN] programmation stochastique [Termes IGN] variable aléatoire Résumé : (auteur) In this paper, we describe a framework to find a good quality waste collection tour after a flood, without having to solve a complicated optimization problem from scratch in limited time. We model the computation of a waste collection tour as a capacitated routing problem, on the vertices or on the edges of a graph, with uncertain waste quantities and uncertain road availability. Multiple models have been conceived to manage uncertainty in routing problems, and we build on the ideas of discretizing the uncertain parameters and computing master solutions that can be adapted to propose an original method to compute efficient solutions. We first introduce our model for the progressive removal of the uncertainty, then outline our method to compute solutions: our method first considers a low-dimensional set of random variables that govern the behaviour of the problem parameters, discretizes these variables and computes a solution for each discrete point before the flood, and then uses these solutions as a basis to build operational solutions when there are enough information about the parameters of the routing problem. We then give computational tools to implement this method. We give a framework to compute the basis of solutions in an efficient way, by computing all the solutions simultaneously and sharing information (that can lead to good quality solutions) between the different problems based on how close their parameters are, and we also describe how real solutions can be derived from this basis. Our main contributions are our model for the progressive removal of uncertainty, our multi-step method to compute efficient solutions, and our intrusive framework to compute solutions on the discrete grid of parameters. Numéro de notice : A2021-316 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-4-2021-61-2021 En ligne : https://doi.org/10.5194/isprs-annals-V-4-2021-61-2021 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97946 [article]

Import massifs de données dans OpenStreetMap : un phénomène en plein essor / Mamadou Bailo Balde (2021) 

Public Titre : Import massifs de données dans OpenStreetMap : un phénomène en plein essor Type de document : Mémoire Auteurs : Mamadou Bailo Balde, Auteur ; Ana-Maria Olteanu-Raimond , Encadrant ; Arnaud Le Guilcher , Encadrant Editeur : Paris : Université de Paris Année de publication : 2021 Importance : 70 p. Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Géomatique web [Termes IGN] analyse de données [Termes IGN] données localisées des bénévoles [Termes IGN] Haute-Garonne (31) [Termes IGN] import de données [Termes IGN] Midi-Pyrénées [Termes IGN] modèle conceptuel de données localisées [Termes IGN] OpenStreetMap [Termes IGN] outil d'alimentation [Termes IGN] PostgreSQL [Termes IGN] QGIS [Termes IGN] R (langage) [Termes IGN] source de données Index. décimale : DCAR Mémoires de l'ex DESS cartographie et du Master CARTHAGEO Résumé : (auteur) Depuis les débuts du projet d’OpenStreetMap (OSM), les imports massifs se faisaient avec notamment l’import des données AND (Automative Navigation Data) aux Pays-Bas et TIGER (Topologically Integrated Geographic Encoding and Referencing system) aux Etats-Unis (cf. Partie I.1). Par ailleurs, cette pratique s’est accentuée avec l’avènement du Géoweb. En effet, le développement fulgurant et la multiplication des outils de cartographie collaborative et de l’Opendata ont occasionné la croissance du phénomène d’import de données massives dans OSM. Dans cette étude nous analyserons donc les imports de données massives dans OSM. Pour ce faire, nous subdivisons notre travail en trois grandes parties, chacune étant décrite à travers un chapitre. Le premier chapitre porte sur la présentation générale de l’écosystème d’OSM. Il s’agit donc de décrire le modèle de données d’OSM, de présenter les outils d’éditions (y compris les outils d’imports) et les plateformes de téléchargement de données. Le deuxième chapitre s’articulera autour de l’analyse des données massivement importées dans OpenStreetMap. Concrètement, cette analyse se fait à travers l’identification et la typologie des sources de données, l’identification des types de modification et l’analyse de l’évolution des données importées. Enfin, le troisième chapitre porte sur les discussions et les perspectives de l’analyse des imports massifs dans OSM. Note de contenu : Introduction 1- OpenStreetMap, un projet libre et communautaire 2- Analyse des imports massifs de données dans OSM 3- Discussion et perspectives Conclusion Numéro de notice : 17698 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Mémoire master cartographie Organisme de stage : LASTIG (IGN) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99532

Documents numériques

peut être téléchargé Import massifs de données dans OSM - pdf auteur Adobe Acrobat PDF

A regression model of spatial accuracy prediction for Openstreetmap buildings / Ibrahim Maidaneh Abdi in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V-4 (August 2020)  

Public [article]  inISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > V-4 (August 2020) . - pp 39 - 47 Titre : A regression model of spatial accuracy prediction for Openstreetmap buildings Type de document : Article/Communication Auteurs : Ibrahim Maidaneh Abdi, Auteur ; Arnaud Le Guilcher , Auteur ; Ana-Maria Olteanu-Raimond , Auteur Année de publication : 2020 Projets : 1-Pas de projet / Conférence : ISPRS 2020, Commission 4, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Annals Commission 4 Article en page(s) : pp 39 - 47 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées [Termes IGN] apprentissage automatique [Termes IGN] bati [Termes IGN] modèle de régression [Termes IGN] OpenStreetMap [Termes IGN] précision géométrique (imagerie) [Termes IGN] qualité des données Résumé : (auteur) Data quality assessment of OpenStreetMap (OSM) data can be carried out by comparing them with a reference spatial data (e.g authoritative data). However, in case of a lack of reference data, the spatial accuracy is unknown. The aim of this work is therefore to propose a framework to infer relative spatial accuracy of OSM data by using machine learning methods. Our approach is based on the hypothesis that there is a relationship between extrinsic and intrinsic quality measures. Thus, starting from a multi-criteria data matching, the process seeks to establish a statistical relationship between measures of extrinsic quality of OSM (i.e. obtained by comparison with reference spatial data) and the measures of intrinsic quality of OSM (i.e. OSM features themselves) in order to estimate extrinsic quality on an unevaluated OSM dataset. The approach was applied on OSM buildings. On our dataset, the resulting regression model predicts the values on the extrinsic quality indicators with 30% less variance than an uninformed predictor. Numéro de notice : A2020-506 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-4-2020-39-2020 Date de publication en ligne : 03/08/2020 En ligne : https://doi.org/10.5194/isprs-annals-V-4-2020-39-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95647 [article]

Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning / Yann Méneroux in International Journal of Data Science and Analytics JDSA, vol 10 n° 1 (June 2020)    

Public [article]  inInternational Journal of Data Science and Analytics JDSA > vol 10 n° 1 (June 2020) . - pp 101 - 119 Titre : Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning Type de document : Article/Communication Auteurs : Yann Méneroux , Auteur ; Arnaud Le Guilcher , Auteur ; Guillaume Saint Pierre, Auteur ; Mohammad Ghasemi Hamed, Auteur ; Sébastien Mustière , Auteur ; Olivier Orfila, Auteur Année de publication : 2020 Projets : 1-Pas de projet / Article en page(s) : pp 101 - 119 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] analyse fonctionnelle (mathématiques) [Termes IGN] apprentissage profond [Termes IGN] carte routière [Termes IGN] classification par forêts aléatoires [Termes IGN] contenu généré par les utilisateurs [Termes IGN] détection d'objet [Termes IGN] données routières [Termes IGN] feu de circulation [Termes IGN] inférence [Termes IGN] reconnaissance de formes [Termes IGN] signalisation routière [Termes IGN] trace GPS [Termes IGN] trafic routier [Termes IGN] transformation en ondelettes [Termes IGN] vitesse Résumé : (auteur) The increasing availability of large-scale global positioning system data stemming from in-vehicle-embedded terminal devices enables the design of methods deriving road network cartographic information from drivers’ recorded traces. Some machine learning approaches have been proposed in the past to train automatic road network map inference, and recently this approach has been successfully extended to infer road attributes as well, such as speed limitation or number of lanes. In this paper, we address the problem of detecting traffic signals from a set of vehicle speed profiles, under a classification perspective. Each data instance is a speed versus distance plot depicting over a hundred profiles on a 100-m-long road span. We proposed three different ways of deriving features: The first one relies on the raw speed measurements; the second one uses image recognition techniques; and the third one is based on functional data analysis. We input them into most commonly used classification algorithms, and a comparative analysis demonstrated that a functional description of speed profiles with wavelet transforms seems to outperform the other approaches with most of the tested classifiers. It also highlighted that random forests yield an accurate detection of traffic signals, regardless of the chosen feature extraction method, while keeping a remarkably low confusion rate with stop signs. Numéro de notice : A2020-336 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s41060-019-00197-x Date de publication en ligne : 04/10/2019 En ligne : https://doi.org/10.1007/s41060-019-00197-x Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93755 [article]

Documents numériques

peut être téléchargé Traffic signal detection ... - preprint Adobe Acrobat PDF

Convolutional neural network for traffic signal inference based on GPS traces / Yann Méneroux (2018) 

Public contenu dans Spatial big data and machine learning in GIScience, Workshop at GIScience 2018, Melbourne, Australia, 28 August 2018 / Martin Raubal (2018)     Titre : Convolutional neural network for traffic signal inference based on GPS traces Type de document : Article/Communication Auteurs : Yann Méneroux , Auteur ; V. Dizier, Auteur ; Mathieu Margollé, Auteur ; Marie-Dominique Van Damme , Auteur ; Hiroshi Kanasugi, Auteur ; Arnaud Le Guilcher , Auteur ; Guillaume Saint Pierre, Auteur ; Yugo Kato, Auteur Editeur : Zurich : Eidgenossische Technische Hochschule ETH - Ecole Polytechnique Fédérale de Zurich EPFZ Année de publication : 2018 Projets : 1-Pas de projet / Conférence : Workshop 2018 on Spatial big data and machine learning 28/08/2018 28/08/2018 Melbourne Australie OA Proceedings Importance : pp 9 - 12 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] apprentissage automatique [Termes IGN] apprentissage profond [Termes IGN] données maillées [Termes IGN] réseau neuronal convolutif [Termes IGN] trace GPS [Termes IGN] trafic routier [Termes IGN] traitement de données localisées Résumé : (auteur) Map inference techniques aim at using GPS trajectories collected from a fleet of vehicles, to infer geographic information and enrich road map databases. In this paper, we investigate whether a Convolutional Neural Network can detect traffic signals on a raster map of features computed from a large dataset of GPS traces. Experimentation revealed that our model is able to capture traffic signal pattern signature on this very specific case of unnatural input images. Performance indices are encouraging but need to be improved through a more refined tuning of the workflow. Numéro de notice : C2018-053 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91340

Documents numériques

en open access CNN for traffic signal inference ... - pdf éditeur Adobe Acrobat PDF

Detection and localization of traffic signals with GPS floating car data and Random Forest / Yann Méneroux (2018)    

Permalink

Projet ANR MapMuxing : navigation fluide dans des représentations cartographiques hétérogènes / Guillaume Touya (2018) 

Permalink

Utilisation de véhicules traceurs pour la détection et la localisation de l'infrastructure routière par apprentissage automatique / Yann Méneroux (2018) 

Permalink

26ièmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2017, 26es Journées (23 - 24 mars 2017; Cité Descartes, Marne-la-Vallée, Champs-sur-Marne, France) (2017)    

Permalink

Potentiel des données géolocalisées issues de la foule pour les questions de mobilité et tourisme : quelques exemples issus de la littérature / Laurence Jolivet (2017) 

Permalink

Using surrogate road network for map-matching: A sensitivity analysis of positional accuracy / Yann Méneroux (2017) 

Permalink

25ièmes Journées de la Recherche IGN : livret d'abstracts / Journées Recherche de l'IGN 2016, 25es Journées (24 - 25 mars 2016; Cité Descartes, Marne-la-Vallée, Champs-sur-Marne, France) (2016)    

Permalink

Une application SIG pour l’optimisation de la collecte des déchets post-inondation / Serge Lhomme (2016) 

Permalink