Nowadays, an abundance of sensors are used to collect very large datasets of moving objects. The movement of these objects can be analysed by identifying common routes. For this, a cluster of trajectories must be defined and the pattern of each cluster discovered. In this article, we introduce a new pattern, called the Trajectory Box Plot (TBP), to summarize a set of trajectories following the same route. The TBP is an extension of the well-known descriptive statistics Box Plot concept. Each TBP is described by a median trajectory, a 3D box and a 3D fence. The median trajectory depicts the typical movement of mobile objects. The box and the fences (whiskers) describe the spatial and temporal spreading around the central tendency. TBPs are useful to summarize and analyse trajectory streams, understand their spatio-temporal density and detect outliers. In this article, visual analysis highlights how the TBP pattern effectively describes how the density of trajectory clusters change over time.

Cet article a pour objectif de présenter la méthodologie de diagnostic qualité et d’apurement des données, expérimentée à partir d’une enquête de mobilité individuelle (programme Mobi’Kids). Une première partie revient sur la démarche suivie et pointe l’enjeu de l’évaluation de la qualité de données hétérogènes issues d’une méthode mixte et longitudinale de collecte (suivis GPS, enquêtes, observations). Une deuxième partie établit un diagnostic qualité selon l’origine (GPS, algorithme, enquête) et la nature des erreurs (complétude, précision, cohérence). Ces typologies permettent, dans une troisième partie, de définir d’une chaîne de traitements reproductible visant à améliorer la qualité interne et externe des données.

Les positions issues de capteurs GPS sont régulièrement employées pour analyser des déplacements d’objets mobiles. L’emploi exclusif des positions GPS s’avère insuffisant pour détecter finement les comportements d’objets mobiles, en raisons d’imprécisions et de pertes d’informations. Les objets mobiles sont de plus en plus équipés de capteurs complémentaires (génériques ou spécifiques à des types de véhicules). Cet article présente un modèle de trajectoires sémantiques ainsi qu’une méthode pour extraire la sémantique liée à celles-ci à partir de données brutes issues de différents capteurs. Ces outils de fouille de trajectoires permettent d’identifier les activités des véhicules lors de déplacements ou d’arrêts. Ce processus a été appliqué aux déplacements d’ambulances connectées des sapeurs-pompiers d’Indre et Loire. GPS positions are useful to analyze movements of mobile objects. Unfortunately, the outcome can be unsatisfactory due to imprecision and signal lost. Several sensors (generic or specific ones depending on the type of vehicle) are now included into mobile objects. This article describes a new model for semantic trajectories. This article also presents the movement pattern extraction process based on the raw data from GPS and other sensors, which help identified vehicle activities and movement patterns. This process was successfully applied to the Indre et Loire fire department and its connected ambulances.

La compréhension de la mobilité, qu’elle soit physique au sens spatial ou virtuelle au sens navigation web, soulève de nombreux enjeux en termes de surveillance des individus, d’aménagement du territoire ou de recommandation d’activité. Ayant accès aujourd’hui à de nombreuses ressources sur le caractère contextuel de cette mobilité, une des préoccupations actuelles est de réussir à dégager des groupes d’individus similaires, relativement à leur mobilité. Pour cela nous proposons dans cet article, un modèle de trajectoire sémantique enrichis par des ontologies au niveau des données contextuelles et permettant de calculer la similarité entre chaque épisode de mobilité de l’individu. Par la suite, une distance d’édition est définie afin d’évaluer de manière fine et contextuelle la similarité entre deux trajectoires sémantiques.