Traces collected by citizens using GNSS (Global Navigation Satellite System) devices during sports activities such as running, hiking or biking are now widely available through different sport-oriented collaborative websites. The traces are collected by citizens for their own purposes and frequently shared with the sports community on the internet. Our research assumption is that crowdsourced GNSS traces may be a valuable source of information to detect updates in authoritative datasets. Despite their availability, the traces present some issues such as poor metadata, attribute incompleteness and heterogeneous positional accuracy. Moreover, certain parts of the traces (GNSS points composing the traces) are results of the displacements made out of the existing paths. In our context (i.e., update authoritative data) these off path GNSS points are considered as noise and should be filtered. Two types of noise are examined in this research: Points representing secondary activities (e.g., having a lunch break) and points representing errors during the acquisition. The first ones we named secondary human behaviour (SHB), whereas we named the second ones outliers. The goal of this paper is to improve the smoothness of traces by detecting and filtering both SHB and outliers. Two methods are proposed. The first one allows for the detection secondary human behaviour by analysing only traces geometry. The second one is a rule-based machine learning method that detects outliers by taking into account the intrinsic characteristics of points composing the traces, as well as the environmental conditions during traces acquisition. The proposed approaches are tested on crowdsourced GNSS traces collected in mountain areas during sports activities.

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.