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 :
- Web sémantique spatio-temporel ;
- Crowdsourcing et choix social ;
- 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.