VEDECOM a le plaisir de vous annoncer la soutenance de thèse de Mr  Ali ZIAT  intitulée « Apprentissage de représentation pour la prédiction et la classification de séries temporelles » qui a eu lieu le mardi 16 octobre 2017 sur le campus de Jussieu.
L’encadrement scientifique de la thèse a été assuré au sein de VEDECOM par M. Bertrand LEROY.

JURY
Ahlame Douzal, Université Joseph Fourier Grenoble 1, Rapporteur
Latiffa Oukhellou, Ifsttar, Rapporteur
Matthieu Cord, Université Pierre et Marie Curie – LIP6, Examinateur
Jean Michel Loubes, Institut de Mathématiques de Toulouse, Examinateur
Bertrand Leroy, Institut VEDECOM, Encadrant
Ludovic Denoyer, Université Pierre et Marie Curie – LIP6, Directeur de thèse
RESUME
Nous nous intéressons dans cette thèse au développement de méthodes qui répondent aux difficultés posées par l’analyse des séries temporelles. Nos contributions se focalisent sur deux tâches : la prédiction de séries temporelles appliquée à la prédiction de trafic et la classification de séries temporelles. Notre première contribution présente une méthode de prédiction et de complétion de séries temporelles multivariées et relationnelles. Le but est d’être capable de prédire simultanément l’évolution d’un ensemble de séries temporelles reliées entre elles selon un graphe (pouvant représenter la proximité géographique entre plusieurs capteurs par exemple), ainsi que de compléter les valeurs manquantes dans ces séries (pouvant correspondre par exemple à une panne d’un capteur pendant un intervalle de temps donné). On se propose d’utiliser des techniques d’apprentissage de représentation pour prédire l’évolution des séries considérées tout en complétant les valeurs manquantes et prenant en compte les relations qu’il peut exister entre elles. Des extensions de ce modèle sont proposées et décrites : d’abord dans le cadre de la prédiction de séries temporelles hétérogènes puis dans le cas de la prédiction de séries temporelles avec une incertitude exprimée.
Un modèle de prédiction de séries spatio-temporelles est ensuite proposé, avec lequel les relations entre les différentes séries peuvent être exprimées de manière plus générale, et où ces dernières peuvent être apprises.
Enfin, nous nous intéressons à la classification de séries temporelles. Un modèle d’apprentissage joint de métrique et de classification de séries est proposé et une comparaison expérimentale est menée.

VEDECOM a le plaisir de vous annoncer la soutenance de thèse de Mr  Ali MASRI intitulée « Integration Multi-Réseaux pour la Mobilité Intelligente » qui a eu lieu le mardi 28 novembre 2017 à 14h à l’université de Versailles Saint-Quentin-en-Yvelines.
L’encadrement scientifique de la thèse a été assuré au sein de VEDECOM par M. Bertrand LEROY.

JURY
M. Jose Antonio F. de Macedo. Professeur : Universidade Federal do Ceará, BRESIL. Rapporteur
M. Thomas Devogele. Professeur : Université de Tours, France. Rapporteur
M. Bruno Defude. Professeur : Telecom SudParis – Paris Saclay, France. Examinateur
M. Dimitris Kotzinos. Professeur : Université de Cergy-Pontoise, France. Examinateur
M. Omar Boucelma. Professeur : Université de Marseilles, France. Examinateur
M. Bertrand Leroy. Chef de Projet : VEDECOM, France. Examinateur
Mme. Karine Zeitouni. Professeur : Université de Versailles Saint Quentin- Paris Saclay, France. Directrice de thèse
Mme. Zoubida Kedad. Maitre de conférence : Université de Versailles Saint Quentin- Paris Saclay, France. Co-directrice de thèse
RESUME
La multi-modalité requière l’intégration de données et/ou de services provenant de systèmes de transport hétérogènes, et ce afin de générer une vue globale du réseau de transport multimodal. Plusieurs services de transport émergeants (co-voiturage, auto-partage ou partage de deux roues, etc.) se développent car ils offrent des solutions de mobilité parfois plus intéressantes que les modes traditionnels. Cependant, ces services sont à l’heure actuelle isolés du reste des modes de transport et des solutions multimodales. Ils sont proposés comme une alternative mais sans intégration réelle aux plans proposés par les outils existants. Par ailleurs, le concept de données ouvertes est aujourd’hui adopté par de nombreuses organisations publiques et privées, leur permettant de publier leurs sources de données sur le Web et de gagner ainsi en visibilité.     L’objectif de cette thèse est d’utiliser ces données pour permettre et étendre la multi-modalité, en offrant une vue unifiée des réseaux de transport existants et des nouveaux services de transport. Les verrous scientifiques auxquels s’intéresse cette thèse sont liés aux problèmes d’intégration à la fois des données et des services informatiques des systèmes de transport sous-jacents. Nos principales contributions sont les suivantes : i) une approche d’appariement de schémas pour les données géospatiales ; ii) une méthode de découverte de connexions offrant la possibilité de définir et de calculer des relations sémantiques riches entre des sources au niveau des instances ; iii) une solution pour la planification de trajet multimodale qui intègre pleinement les nouveaux services de mobilité avec celles existantes du transport public.

VEDECOM a le plaisir de vous annoncer la soutenance de thèse de Mr  Julian GARBISO  intitulée « Clustering auto-adaptatif et équitable dans les réseaux véhiculaires hybrides » qui a eu lieu le mardi 30 novembre 2017 à 14h30 au Laboratoire LINCS / EIT Digital, 23 avenue d’Italie, Paris XIII.
L’encadrement scientifique de la thèse a été assuré au sein de VEDECOM par M. Bertrand LEROY.

JURY
Rapporteurs :
Christian BECKER, Professeur, Université de Mannheim
Ken CHEN, Professeur, Professeur, Université de Paris XIII
Examinateurs :
Samir TOHMÉ, Professeur, Université de Versailles – Saint Quentin
Bertrand LEROY, Responsable d’équipe de recherche, Institut VEDECOM
Invité :
Jeremy PITT, Professeur, Imperial College London
Directeurs de thèse :
Mme Ada DIACONESCU, Maître de conférences, Télécom ParisTech
Marceau COUPECHOUX, Maître de conférences, Télécom ParisTech
RESUME
Dans le cadre du développement des innovations dans les Systèmes de Transport Intelligents, les véhicules connectés devront être capables de télécharger des informations basées sur la position sur et depuis des serveurs distants. Ces véhicules seront équipés avec des différentes technologies d’accès radio, telles que les réseaux cellulaires ou les réseaux véhicule-à-véhicule (V2V) comme IEEE 802.11p. Les réseaux cellulaires, avec une couverture presque omniprésente, fournissent un accès à internet avec garanties de qualité de service. Cependant, l’accès à ces réseaux est payant.
Dans cette thèse, un algorithme de clustering multi-saut est proposé avec pour objectif de réduire le coût d’accès au réseau cellulaire en agrégeant des données sur le réseau V2V. Pour faire ceci, le leader du cluster (CH, de l’anglais Cluster Head) est utilisé comme passerelle unique vers le réseau cellulaire. Pour le test d’une application d’exemple pour télécharger du Floating Car Data agrégé, les résultats des simulations montrent que cette approche réduit l’utilisation du réseau cellulaire de plus de 80%, en s’attaquant à la redondance typique des données basées sur la position dans les réseaux véhiculaires.
Il y a une contribution en trois parties : Premièrement, une approche pour déléguer la sélection du CH à la station de base du réseau cellulaire afin de maximiser la taille des clusters, et par conséquent le taux de compression. Deuxièmement, un algorithme auto-adaptatif qui change dynamiquement le nombre maximum de sauts afin de maintenir un équilibre entre la réduction des coûts d’accès au réseau cellulaire et le taux de perte de paquets dans le réseau V2V. Finalement, l’incorporation de la théorie de la justice distributive, afin d’améliorer l’équité sur la durée concernant la distribution des coûts auxquels les CH doivent faire face, améliorant ainsi l’acceptabilité sociale de la proposition.
Les algorithmes proposés ont été testés via simulation, et les résultats montrent une réduction significative dans l’utilisation du réseau cellulaire, une adaptation réussie du nombre de sauts aux changements de la densité du trafic véhiculaire, et une amélioration dans les métriques d’équité, sans affecter la performance des réseaux.