Détection et caractérisation des événements urbains à grain fin basées sur la cofactorisation des tenseurs.

Résumé La compréhension des mouvements de foule et des activités sociales irréguliers provoqués par des événements urbains tels que les festivals et les concerts peut être utile à la gestion des événements et à la planification urbaine. Bien que diverses données urbaines puissent être exploitées pour détecter ces irrégularités, les données relatives à la mobilité des foules (par exemple, les enregistrements des déplacements à vélo) sont généralement mixtes et présentent plusieurs schémas de base (par exemple, repas, travail et loisirs), ce qui rend difficile la distinction entre les événements simultanés qui se déroulent dans la même région. Les données relatives à l'activité sociale (par exemple, les enregistrements sur les réseaux sociaux) sont généralement trop éparses, ce qui entrave la caractérisation fine des événements urbains. Dans cet article, nous proposons un cadre de fusion de données basé sur la cofactorisation tensorielle pour la détection et la caractérisation d'événements urbains à grain fin en exploitant les données de mobilité de la foule et les données d'activité sociale. Tout d'abord, nous adoptons une approche de cofactorisation de tenseur non négatif pour décomposer le tenseur de mobilité de la foule en plusieurs modèles de base, avec l'aide du tenseur auxiliaire d'activité sociale. Nous utilisons ensuite une méthode multivariée basée sur la détection des valeurs aberrantes pour identifier les irrégularités des modèles de base décomposés et les agréger pour détecter et caractériser les événements urbains associés. Nous évaluons la performance de notre cadre en utilisant des données réelles de déplacements à vélo et des données d'enregistrement de la ville de New York et de Washington, DC, respectivement. Les résultats montrent qu'en fusionnant les deux types de données urbaines, notre méthode permet de détecter et de caractériser finement les événements urbains dans les deux villes et d'obtenir des performances supérieures à celles des solutions de référence.