Résumé

Je suis membre de l’équipe de recherche STeamer du Laboratoire d’Informatique de Grenoble, que j’ai dirigée de 2010 à 2015, et qui mène des recherches en Informatique, en interaction avec les Sciences de l’Information Géographique (domaine identifié en France par le terme « géomatique »).

Les Sciences de l’Information Géographique, domaine scientifique à l’intersection de plusieurs disciplines, ont pour objet de proposer des méthodes et des outils afin de modéliser, d’intégrer, d’analyser, de simuler et de visualiser des données géographiques.

De fait, l’équipe STeamer place au centre de ses recherches la représentation et le traitement (raisonnement, inférence, visualisation, analyse, …) des informations à références spatiales et temporelles. La recherche au sein de l’équipe est articulée le long de 3 axes :

  1. Web sémantique spatio-temporel ;
  2.  Crowdsourcing et choix social ;
  3. Visualisation et analyse d’informations spatio-temporelles.

Mes différentes recherches se sont inscrites dans ces 3 axes depuis 2007 (date de création de l’équipe STeamer).

Actuellement, et depuis mon CRCT, mes recherches adressent essentiellement les problématiques liées aux trajectoires sémantiques à la fois des territoires (trajectoires politiques, administratives, socio-économiques, etc.) et des individus (trajectoires familiales, résidentielles, professionnelles, sanitaires, etc.).

Pour étudier ces objets spatio-temporels composites et complexes, je m’appuie sur les outils de représentation et d’analyse du Web sémantique et du Machine Learning.

En termes de modélisation, les langages à ontologies et les vocabulaires standards existants permettent de rendre compte de l’aspect multidimensionnel (temporel, spatial et multithématique) des trajectoires sémantiques.

En termes d’analyse, ces trajectoires sémantiques sont appréhendées comme des séquences temporelles de données multidimensionnelles et hétérogènes. Les axes d’analyse concernent principalement la classification et la recherche de motifs récurrents. Les défis sous-jacents sont la conception de mesures de similarité adaptées et la réduction de la dimensionnalité élevée de ces séquences de données.[:en]I am a member of the research team STeamer at the Laboratoire d’Informatique de Grenoble, team which I directed from 2010 to 2015, and which conducts research in Computer Science, in interaction with Geographic Information Sciences (field identified in France by the term “geomatics”).

Geographic Information Sciences, a scientific field at the intersection of several disciplines, aim at proposing methods and tools to model, integrate, analyze, simulate and visualize geographic data.

STeamer team places at the center of its research the representation and processing (reasoning, inference, visualization, analysis, …) of information with spatial and temporal references. The research within the team is articulated along 3 axes:

  1. SpatioTemporal Semantic Web;
  2. Crowdsourcing and Social Choice;
  3. Visualization and Analysis of SpatioTemporal Informationi.

My different researches are in line with these 3 axes since 2007 (date of creation of the STeamer team).

Currently, and since my CRCT, my researches address essentially the problems related to Semantic Trajectories, mainly those of Territories (political, administrative, socio-economic trajectories, etc.) and those of  Individuals (family, residential, professional, health trajectories, etc.).

To study these composite and complex spatio-temporal objects, I rely on the representation and analysis tools of the Semantic Web and Machine Learning.

In terms of modeling, existing ontology languages and standard vocabularies make it possible to account for the multidimensional aspect (temporal, spatial and multi-thematic) of semantic trajectories.

In terms of analysis, these semantic trajectories are understood as temporal sequences of multidimensional and heterogeneous data. The analysis axes mainly concern the classification and the search for recurrent patterns. The underlying challenges are the design of adapted similarity measures and the reduction of the high dimensionality of these data sequences.

x (x)
x (x)