Le rendez-vous de l’innovation

Les Partenaires
des Innovatives

Ministère de l'éducation nationale de l'enseignement supérieur et de la recherche ABG - L'intelli'agence Fist SA

Rechercher




Accueil > Éditions précédentes > Big Data > Innovatives Big Data > Espace Exposition - Posters > Traitement - visualisation des données

Méthodes de traitement et de fusion de signaux irrégulièrement échantillonnés issus du mobile crowd-sensing. Application à la surveillance citoyenne de la qualité de l’air

par Benjamin LEVAUX - WEBMASTER FREELANCE - publié le , mis à jour le

Clément DORFFER (doctorant – affiliation a)
Matthieu PUIGT (MC – affiliation a)
Gilles DELMAIRE (MC – affiliation a)
Gilles ROUSSEL (MC HDR – affiliation a)
Romain ROUVOY (PR - affiliations b, c et d)

a : LISIC EA 4491, Univ. Littoral Côte d’Opale, F-62228 Calais Cedex
b : Equipe-projet Spirals, Inria Lille Nord Europe, F-59650 Villeneuve d’Ascq
c : CRISTAL UMR 9189, Univ. Lille 1, CNRS, F-59655 Villeneuve d’Ascq Cedex
d : IUF

Méthodes de traitement et de fusion de signaux irrégulièrement échantillonnés issus du mobile crowd-sensing. Application à la surveillance citoyenne de la qualité de l’air

L’Internet des Objets (IoT pour Internet of Things en anglais) étend internet aux choses et aux lieux réels : les objets connectés peuvent alors communiquer entre eux mais aussi avec leurs utilisateurs. Un intérêt de l’IoT est de permettre (i) la production d’une grande quantité d’information (Big Data) par un réseau distribué d’objets connectés et en conséquence (ii) une meilleure analyse de phénomènes physiques ou de comportements. Parmi les méthodes d’acquisition de l’IoT, le mobile crowd-sensing fournit des données datées et géo-localisées, produites par une foule de capteurs mobiles (issus de ou connectés à des smartphones) et transmises à un serveur via un réseau sans fil, de type WiFi ou GSM. L’exploitation des données provenant des capteurs pour l’IoT nécessite le développement de méthodes spécifiques de traitement de l’information pour améliorer la confiance en leur qualité—c’est-à-dire, avoir des réponses cohérentes entre les capteurs, détecter les valeurs aberrantes ou les capteurs défaillants—qui ne peut pas être réalisé manuellement en laboratoire. Pour acquérir ces données, nous nous appuyons sur la plate-forme APISENSE® (http://apisense.io) qui facilite le déploiement et l’orchestration à grande échelle de collectes de données sur le terrain. En particulier, nous utilisons APISENSE® pour collecter et agréger des données de qualité de l’air récupérées par des modules Arduino avant d’être enrichies et transmises par des smartphones. Les données sont ensuite automatiquement fusionnées en ligne pour déterminer les paramètres d’étalonnage des différents capteurs et ainsi améliorer la qualité de leurs relevés. Le problème d’étalonnage à distance est revisité comme un problème informé de factorisation matricielle à données manquantes, où les facteurs contiennent respectivement le modèle d’étalonnage fonction du phénomène physique observé (qui peut être affine, multi-linéaire, ou non-linéaire) et les paramètres d’étalonnage de chaque capteur. Les approches proposées sont montrées plus performantes que des approches basées sur la complétion de la matrice de données observées. D’un point de vue applicatif, nous voulons coupler des mesures citoyennes—anonymisées—de la qualité de l’air aux mesures normalisées—très précises mais très parcimonieuses—de l’association régionale agréée pour la surveillance de la qualité de l’air, afin de reconstruire des cartes fines de la qualité de l’air à l’échelle d’un quartier. Les travaux en cours concernent notamment le déploiement des boîtiers de mesure open-source, fabriqués puis portés par des lycéens et des étudiants volontaires.

Téléchargez le poster

Partenaires Innovatives Big Data

EDF Thalès Cap Digital

Avec le soutien du GDR

Madics