{"id":15796,"date":"2018-09-11T11:18:08","date_gmt":"2018-09-11T15:18:08","guid":{"rendered":"https:\/\/www.crim.ca\/fr\/?post_type=blogue&p=15796"},"modified":"2023-05-25T10:41:10","modified_gmt":"2023-05-25T14:41:10","slug":"ce-que-jai-lu-cette-semaine-les-donnees-spatio-temporelles","status":"publish","type":"blogue","link":"https:\/\/www.crim.ca\/fr\/blogue\/ce-que-jai-lu-cette-semaine-les-donnees-spatio-temporelles\/","title":{"rendered":"Ce que j\u2019ai lu cette semaine : Les donn\u00e9es spatio-temporelles"},"content":{"rendered":"
\n
\n
\n
\n
\n
\n
\n

Cette semaine, je me suis int\u00e9ress\u00e9 aux\u00a0donn\u00e9es spatio-temporelles<\/strong>. Plusieurs raisons justifient le fait que je me sois pench\u00e9 le sujet. D\u2019abord, la Ville de Montr\u00e9al rend disponible des donn\u00e9es ouvertes en lien avec diff\u00e9rentes sph\u00e8res d\u2019activit\u00e9 : \u00e9conomie et entreprises, \u00e9ducation, sant\u00e9, soci\u00e9t\u00e9 et culture. Le secteur qui m\u2019int\u00e9resse en particulier pour Montr\u00e9al est celui des\u00a0transports<\/strong>.<\/p>\n

Le\u00a0CRIM<\/a>\u00a0a d\u00e9j\u00e0 eu \u00e0 travailler avec des donn\u00e9es spatio-temporelles pour pr\u00e9dire le temps de r\u00e9ponse des pompiers du\u00a0Service de s\u00e9curit\u00e9 incendie de Montr\u00e9al<\/a>. L\u2019article traitant du sujet se retrouve d\u2019ailleurs sur\u00a0Medium<\/a>. Compte tenu de l\u2019exp\u00e9rience acquise lors de ce projet, il semblait logique de poursuivre l\u2019\u00e9tude du sujet. Ces nouvelles connaissances pourraient \u00e9ventuellement \u00eatre appliqu\u00e9es \u00e0 la r\u00e9solution d\u2019autres probl\u00e8mes li\u00e9s \u00e0 la\u00a0mobilit\u00e9<\/strong>, par exemple les\u00a0d\u00e9placements \u00e0 Montr\u00e9al<\/strong>,
\ngr\u00e2ce aux donn\u00e9es r\u00e9colt\u00e9es par l\u2019application\u00a0MTL Trajet<\/a>\u00a0ou les\u00a0cam\u00e9ras<\/a>\u00a0et\u00a0d\u00e9tecteurs<\/a>\u00a0dispers\u00e9s sur l\u2019\u00eele de Montr\u00e9al.<\/p>\n

Les donn\u00e9es spatio-temporelles offrent aussi un potentiel int\u00e9ressant d\u2019un point de vue local pour la\u00a0pr\u00e9vention des inondations au Qu\u00e9bec<\/strong>. Le Minist\u00e8re de la S\u00e9curit\u00e9 publique a d\u00e9voil\u00e9 en 2018 un\u00a0Plan d\u2019action en mati\u00e8re de s\u00e9curit\u00e9 civile relatif aux inondations<\/a>\u00a0pour faire suite aux importantes crues printani\u00e8res de l\u2019ann\u00e9e pr\u00e9c\u00e9dente. Une enveloppe de plus de 30 M$ sur 5 ans a \u00e9t\u00e9 pr\u00e9vue afin de mettre \u00e0 jour la cartographie des zones inondables sur le territoire qu\u00e9b\u00e9cois. En\u00a0climatologie<\/strong>, les donn\u00e9es spatio-temporelles sont devenues un outil si important que de nombreux projets en science des donn\u00e9es se d\u00e9veloppent pour les organiser, les analyser et les interpr\u00e9ter.<\/p>\n

Les donn\u00e9es spatio-temporelles<\/strong><\/h2>\n

Les donn\u00e9es spatio-temporelles sont collect\u00e9es dans plusieurs domaines : en science du climat, pour pr\u00e9dire la naissance d\u2019\u00e9v\u00e9nements m\u00e9t\u00e9orologiques extr\u00eames, en science de la Terre, pour d\u00e9tecter des zones d\u2019anomalies au sein d\u2019environnements marins, ou en \u00e9pid\u00e9miologie, pour \u00e9tudier la propagation de maladies. D\u2019autres domaines comme la neuroscience, la science de l\u2019environnement, les m\u00e9dias sociaux et la dynamique des trafics utilisent aussi ce type d\u2019information \u00e0 toutes les sauces.<\/p>\n

\n

Mais quelle est la particularit\u00e9 des donn\u00e9es spatio-temporelles? Elles sont caract\u00e9ris\u00e9es par des\u00a0attributs spatiaux<\/strong>\u00a0(distance, direction, position)\u00a0et<\/strong>\u00a0temporels<\/strong>\u00a0(nombre d\u2019occurrences, changements dans le temps, dur\u00e9e). En d\u2019autres termes, il s\u2019agit de donn\u00e9es, ou de mesures, qui subissent un changement dans le temps et dans un l\u2019espace.<\/p>\n<\/blockquote>\n

Par exemple, pour la pr\u00e9diction d\u2019\u00e9v\u00e9nements m\u00e9t\u00e9orologiques, la repr\u00e9sentation spatiale est d\u00e9finie par un quadrillage de la r\u00e9gion terrestre \u00e9tudi\u00e9e, et caract\u00e9ris\u00e9e par divers param\u00e8tres et mesures atmosph\u00e9riques. La repr\u00e9sentation temporelle est ensuite d\u00e9finie par l\u2019\u00e9volution de ces param\u00e8tres dans le temps, ce qui pourrait permettre, par exemple, de concevoir un mod\u00e8le de pr\u00e9diction de l\u2019\u00e9volution d\u2019ouragans.<\/p>\n

La litt\u00e9rature sur le sujet est abondante : la diversit\u00e9 de mod\u00e8les, d\u2019approches et d\u2019applications est innombrable. Pour commencer, je me suis donc limit\u00e9 \u00e0 quatre articles semblant int\u00e9ressants pour me donner une id\u00e9e de la mani\u00e8re de g\u00e9rer et d\u2019utiliser les donn\u00e9es spatio-temporelles.<\/p>\n

Le premier article pr\u00e9sente une approche utilisant un r\u00e9seau de neurones convolutifs 3D pour apprendre des caract\u00e9ristiques (features)\u00a0<\/em>spatio-temporelles. Le deuxi\u00e8me pr\u00e9sente des applications d\u2019exploration de donn\u00e9es (data mining)\u00a0<\/em>par r\u00e8gles d\u2019association dans un contexte d\u2019analyse d\u2019ouragans. Le troisi\u00e8me traite d\u2019un mod\u00e8le d\u2019apprentissage de structures hi\u00e9rarchiques pour pr\u00e9voir le d\u00e9clenchement d\u2019\u00e9v\u00e9nements m\u00e9t\u00e9orologiques extr\u00eames. Le quatri\u00e8me d\u00e9finit un mod\u00e8le de\u00a0data mining\u00a0<\/em>spatio-temporel pour l\u2019analyse de structures d\u2019association anormales dans un environnement marin. Les sections suivantes pr\u00e9senteront une courte synth\u00e8se des id\u00e9es et concepts essentiels et pertinents provenant de chaque article.<\/p>\n<\/div>\n

<\/div>\n
\n

Learning Spatiotemporal Features with 3D Convolutional Networks<\/h2>\n
\n

Tran, D., Bourdev, L., Fergus, R., Torresani, L., & Paluri, M. (2015, December). Learning spatiotemporal features with 3d convolutional networks. In\u00a0Computer Vision (ICCV), 2015 IEEE International Conference on<\/em>\u00a0(pp. 4489\u20134497). IEEE.<\/p>\n<\/blockquote>\n

Objectif<\/h2>\n

Conception d\u2019une approche pour l\u2019apprentissage de\u00a0features<\/em>\u00a0spatio-temporels utilisant un\u00a0r\u00e9seau de neurones convolutifs profond en trois dimensions<\/strong>\u00a0(3D ConvNets) entra\u00een\u00e9 sur un jeu de donn\u00e9es \u00e0 grande \u00e9chelle de vid\u00e9os supervis\u00e9s. Le but \u00e9tant de parvenir \u00e0 reconna\u00eetre diff\u00e9rents types d\u2019action (101 actions) et objets (42 types), et de classifier des paires d\u2019actions similaires (432 actions) ou des sc\u00e8nes individuelles (14 sc\u00e8nes).<\/p>\n

Sommaire<\/h2>\n
\n
\n
\"\"<\/div>\n<\/div>\n<\/figure>\n

L\u2019id\u00e9e derri\u00e8re les op\u00e9rations de convolution 3D est de pr\u00e9server l\u2019information temporelle d\u2019un signal d\u2019entr\u00e9e. En effet, les convolutions 2D appliqu\u00e9es sur une ou de multiples images g\u00e9n\u00e8rent une image \u00e9galement, donc une sortie en deux dimensions. Seules les convolutions 3D pr\u00e9servent l\u2019information temporelle et g\u00e9n\u00e8rent une sortie volumique. Le m\u00eame ph\u00e9nom\u00e8ne est observ\u00e9 pour les \u00e9tapes de\u00a0pooling<\/em>, en 2D et 3D respectivement. Ainsi, l\u2019id\u00e9e derri\u00e8re l\u2019utilisation des convolutions 3D est d\u2019encapsuler l\u2019information en lien avec les objets, les sc\u00e8nes et les actions.<\/p>\n

M\u00e9thode<\/h2>\n

Architecture<\/strong><\/p>\n

L\u2019architecture de base du\u00a0kernel\u00a0<\/em>de convolution est un champ r\u00e9ceptif fixe de dimension {d x 3 x 3} o\u00f9 seule la dimension temporelle est modifi\u00e9e pour fin d\u2019exp\u00e9rimentation. La raison pour cette limitation est le temps d\u2019entrainement tr\u00e8s important qui d\u00e9coulerait de nombreuses exp\u00e9riences. La notation pour les dimensions des clips vid\u00e9os et des\u00a0kernels\u00a0<\/em>est la suivante :<\/p>\n

Clip vid\u00e9o<\/em>\u00a0(c<\/em>\u00a0x\u00a0l<\/em>\u00a0x\u00a0h<\/em>\u00a0x\u00a0w)<\/em><\/p>\n