Machine and deep learning

Simple item page
dc.contributor.authorSelatnia, Redha
dc.contributor.authorHafsi, Redha
dc.contributor.authorSassi, Abdessamed
dc.date.accessioned2024-10-17T20:40:06Z
dc.date.available2024-10-17T20:40:06Z
dc.date.issued2024
dc.description.abstractNotre travail intitulé "Prédiction de mobilité humaine en utilisant les techniques d'apprentissage en profondeur (deep learning)" explore l'application des technologies d'intelligence artificielle pour prédire les schémas de déplacement des individus. La problématique centrale de cette recherche est de déterminer dans quelle mesure les techniques de deep learning peuvent améliorer la précision des prédictions de mobilité humaine par rapport aux méthodes traditionnelles. L'objectif principal de ce travail est de développer et d'évaluer un modèle de deep learning capable d'analyser de grandes quantités de données de mobilité, telles que les traces GPS, les traces Wifi, les données de téléphonie mobile et les informations des réseaux sociaux, pour prédire les futurs déplacements des individus. Pour atteindre cet objectif, une approche méthodologique rigoureuse a été adoptée. Tout d'abord, un ensemble de données de mobilité Wi-Fi collecté par des chercheurs de l'Université de Dartmouth aux États-Unis a été prétraité afin d’étudier et d’analysé les déplacements de leurs étudiants durant la periode 2001 et 2004. Ensuite, plusieurs architectures de réseaux neuronaux profonds, y compris les réseaux de neurones récurrents (RNN) et les réseaux de neurones convolutifs (CNN), ont été conçues et entraînées sur ces données. Plusieurs architectures de réseaux neuronaux ont été combinées et appliquées pour améliorer les performances des modèles. Les résultats obtenus montrent que les modèles de deep learning surpassent les méthodes de prédiction traditionnelles en termes de précision et de capacité à généraliser sur des ensembles de données non vus. Les tests ont révélé que les réseaux de neurones récurrents, en particulier les LSTM (Long Short-Term Memory), sont particulièrement efficaces pour capturer les dépendances temporelles dans les données de mobilité humaine. En conclusion, cette étude démontre le potentiel significatif des techniques d'apprentissage en profondeur pour la prédiction de la mobilité humaine. Les modèles développés peuvent être utilisés dans divers domaines, tels que la planification urbaine, les services de transport intelligents et la gestion des crises. Cependant, des recherches supplémentaires sont nécessaires pour aborder les défis liés à la confidentialité des données et à l'évolutivité des modèles dans des contextes réels.
dc.identifier.urihttp://dspace.univ-oeb.dz:4000/handle/123456789/20061
dc.language.isofr
dc.publisherUniversité d’Oum El Bouaghi
dc.titleMachine and deep learning
dc.title.alternativepour la prédiction de la mobilité humaine
dc.typeOther
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Selatnia et Hafsi 2024 Info Mastre .pdf
Size:
9.33 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
قسم الإعلام الالي