ÉTUDE ET INTÉGRATION DE PATTERNS DE MOBILITÉ DE PIÉTONS AU SEIN D’UN SIMULATEUR ORIENTÉ AGENTS MOBILES

Ensuite, nous proposons un modèle de mobilité en nous basant sur deux modèles qui sontle modèle STEPS [15], [16] et le modèle de Shiddhartha Raj Bhandari et Al.. Avec le modèle STEPS, no

UNIVERSITE NATIONALE DU VIETNAM, HANOIINSTITUT FRANCOPHONE INTERNATIONAL

LÊ THỊ HIỀN

ÉTUDE ET INTÉGRATION DE PATTERNS DE MOBILITÉ

DE PIÉTONS AU SEIN D’UN SIMULATEUR ORIENTÉ

UNIVERSITE NATIONALE DU VIETNAM, HANOIINSTITUT FRANCOPHONE INTERNATIONAL

LÊ THỊ HIỀN

ÉTUDE ET INTÉGRATION DE PATTERNS DE MOBILITÉ

DE PIÉTONS AU SEIN D’UN SIMULATEUR ORIENTÉ

AGENTS MOBILES

NGHIÊN CỨU VÀ TÍCH HỢP CÁC MẪU CHUYỂN ĐỘNG CỦA NGƯỜI ĐI BỘ VÀO MỘT HỆ MÔ PHỎNG ĐA TÁC TỬ

DI ĐỘNG

Spécialité: Réseaux et Système Communicants (RSC)

Code: Programme pilote

MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE

Sous la direction de :

M Stéphane MAAGProfesseur Département RS2MTélécom SudParis, France

HANOI - 2015

ATTESTATION SUR L’HONNEUR

J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultatsqui y sont présentés sont exacts et n’ont jamais été publiés ailleurs La source des informations citéesdans ce mémoire a été bien précisée

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của riêng tôi

Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất

kỳ công trình nào khác Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc

Fait à Évry, le 18 Novembre 2015Évry, Ngày 18 tháng 11 năm 2015

LE Thi Hien

Table des matières

1.1 Présentation du laboratoire 2

1.2 Contexte du stage 4

1.3 Objectif du stage 4

1.4 Description du stage 5

1.5 Conclusion 5

2 État de l’art 6 2.1 Pattern de mobilité 6

2.2 STEPS – une approche pour le modèle de la mobilité humaine 8

2.3 Modèle de Shiddhartha Raj Bhandari et Al 11

2.4 Conclusion 12

3 Proposition de modèle de mobilité 13 3.1 Idée principale 13

3.2 Proposition de modèle de mobilité 13

3.3 Conclusion 19

4 Implémentation et Résultats 20 4.1 Introduction de l’outil utilisé 20

4.2 Simulation sous la plate-forme GAMA 22

4.3 Analyse du résultat 29

4.4 Conclusion 40

Je remercie aussi tous les professeurs de l’Institut Francophone International (IFI) pourtout ce qu’ils m’ont apporté pendant le Master 1 et aussi le Master 2 Et je remercie égalementMonsieur NGUYEN Hong Quang, le responsable de la spécialité RSC pour leur aide pendant lessix mois de mon stage et aussi pendant mes deux années d’études à l’IFI.

Je remercie également Monsieur Djamal ZEGHLACHE - le directeur du département RS2M

du TSP pour m’avoir accepté au sein de l’équipe et pour le dynamisme de l’équipe C’est ungrand plaisir de travailler dans une équipe aussi active

Enfin, un grand merci chaleureux et de tout mon cœur à mes parents, sans qui je ne seraisabsolument pas ó je suis aujourd’hui Je les remercie sincèrement pour leur gentillesse et leursoutien inconditionnel et constant, pour m’avoir donné du courage et de l’espoir, pour êtretoujours présents même à distance Je leur dois ce que je suis Aussi un merci de tout mon cœur

à tous mes amis que j’aime pour leur sincère amitié et confiance, et à qui je dois ma reconnaissance

et mon attachement

À tous ces intervenants, je présente mes remerciements, mon respect et ma gratitude

Ensuite, nous proposons un modèle de mobilité en nous basant sur deux modèles qui sont

le modèle STEPS [15], [16] et le modèle de Shiddhartha Raj Bhandari et Al pour simuler lecomportement humain Avec le modèle STEPS, nous allons déterminer la destination pour lespiétons en nous basant sur la distance entre les zones et la valeur d’attraction Après avoirdéterminé la destination, les piétons vont se déplacer vers cette destination en se basant sur lemodèle de Shiddhartha Raj Bhandari et Al

Enfin, dans la partie pratique, les simulations se feront à travers une plate-forme basée agents

- GAMA (GAma Modeling Language) qui nous permet de modéliser les agents (piétons, écranspublicitaires), leurs activiés, et l’impact entre eux

Après avoir exécuté la simulation sous GAMA, les résultats obtenus ont été analysés pardes méthodes pour optimiser le placement du mobilier urbain intelligent, afficher intelligement

le contenu temps-réel et trouver les contenus les plus recherchés

Mots-clés: Modèles de mobilité, Modèle réaliste, Comportement humain, Plate-forme baséeagents, GAMA

Finally, in the practical part, we will simulate through a platform based agents: GAMA(GAMA Modeling Language), which allows us to model agents (pedestrians, advertising screens),their activities, and impacts between them.

After running the simulation by GAMA, the received results are analyzed by methods tooptimize the placement of smart urban furniture, intelligently display the real-time content andfind the desired content

Keywords: Mobility models, Realistic model, Human behavior, Platform based agents,

GAMA

Liste des figures

1.1 Organisation de TSP 2

1.2 Plan de travail 5

2.1 Classification des modèles de mobilité 6

3.1 Détermination la destination 14

3.2 Déplacement à la destination 15

3.3 Affichage informations sur l’écran 16

4.1 Avantages de GAMA 20

4.2 Logiciel OpenJUMP 22

4.3 Carte d’une petite ville 23

4.4 Impact de mobilité sur les écrans 26

4.5 Premier cas d’affichage des bonnes informations 27

4.6 Deuxième cas d’affichage des bonnes informations 28

4.7 Simulation sous la plate-forme GAMA 32

4.8 Position des écrans et des magasines 33

4.9 Nombre de la pubilicité de chaque écran 33

4.10 Évaluation de l’impact de l’écran sur les piétons 34

4.11 Impact des piétons sur l’écran 1 35

4.12 Impact des piétons sur l’écran 2 35

4.13 Impact des piétons sur l’écran 3 36

4.14 Impact des piétons sur l’écran 4 36

4.15 Impact des piétons sur l’écran 5 36

4.16 Capacité d’attraction de chaque magasin 37

4.17 Taux de chaque type d’intérêt pour magasin 1 37

4.18 Taux de chaque type d’intérêt pour magasin 3 38

4.19 Taux de chaque type d’intérêt pour magasin 4 38

4.20 Taux de chaque type d’intérêt pour magasin 6 38

4.21 Taux de chaque type d’intérêt pour magasin 7 39

4.22 Taux de chaque type d’intérêt pour magasin 8 39

4.23 Taux de chaque type d’intérêt pour magasin 9 39

4.24 Taux de chaque type d’intérêt pour magasin 10 40

Liste des tableaux

2.1 Commentaire sur les modèles de mobilité 7

2.2 Comparaison entre les modèles de mobilité 12

4.1 Représentation des piétons 23

4.2 Liste des intérêts 24

4.3 Vitesse des piétons 24

4.4 Valeur de la probabilité de chaque type de piétons 25

4.5 Position de l’écran 26

4.6 Valeur d’attraction de chaque magasin 33

un réseau urbain, les gens et leurs mouvements ont un rơle important car ils influent directementsur les trois types de métropoles (économiques, politiques et culturelles)1.

Le mouvement des gens est simulé en se basant sur des modèles de mobilité Aujourd’hui, ilexiste plusieurs modèles de mobilité : Random Waypoint, Random Point Group, Random Walk,Random Direction, etc L’idée principale de ces modèles est le mouvement aléatoire tandis queles gens ne se déplacent pas par hasard, ils vont souvent à certains lieux, pendant un certaintemps associé, et ce, en fonction des leurs habitudes de vie Donc, ce sont des modèles qui nesont pas réalistes C’est-à-dire qu’ils ne modélisent pas le mouvement des gens dans la vie réelle

Il existe d’autres modèles qui sont présentés en détail dans la partie2.1 Mais tous sont difficiles

à simuler pour analyser les interactions entre entités en milieu urbain et il n’y a pas d’étudesd’impact de la mobilité des piétons sur les contenus dynamiques

Donc, pour résoudre ces problèmes, notre travail s’est déroulé en deux étapes :

— Première étape : L’étude des modèles de mobilité

— Deuxième étape : Les implémentations et expérimentations se feront à travers une forme basée agents

plate-Pour des raisons de simplification, le travail a été divisé en sous-parties composées de quatrechapitres Le premier chapitre est consacré au contexte du stage, ses objectifs et au laboratoire ó

il a été effectué Dans le deuxième chapitre, nous faisons un rappel sur les patterns de mobilité(ou modèles de mobilité) existants Le troisième chapitre contient un modèle de mobilité quenous proposons en nous basant sur des modèles existants pour simuler le mouvement des gens.Dans le quantième chapitre, nous faisons l’expérimentation, c’est-à-dire la simulation et l’analysedes résultats Et enfin, une conclusion et perspectives pour terminer ce rapport

1 source : http://lapremieres.free.fr/geographie/metropolisation_reseaux_urbains.php

Communica-en outre de l’expertise des quatre départemCommunica-ents de Telecom Ecole de ManagemCommunica-ent.

Figure 1.1: Organisation de TSP

On peut voir dans la figure 1.11

Six départements de Telecom SudParis :

ARTEMIS : Advanced Research and Techniques for Multidimensional Imaging Systems

1 source : http://www.telecom-sudparis.eu/p_fr_ecole_Mot-directeur-Digne_organisation_8262 html

CITI : Communications, Images et Traitement de l’Information

EPH : Electronique et PHysique

INF : INFormatique

RS2M : Réseaux et Services Multimédia Mobiles

RST : Réseaux et Services de Télécommunications

Un laboratoire de recherche CNRS :

SAMOVAR UMR 5157 : Services répartis, Architectures, MOdélisation, Validation, nistration des Réseaux

Admi-Une équipe de recherche CNRS :

ARTEMIS : équipe ingénierie multimédia du laboratoire MAP5 URM 8145 : MathématiquesAppliquées de Paris 5

Mon stage s’effectue sous la supervision de M Stéphane MAAG qui est professeur à TélécomSudParis J’ai fait mon stage dans le département RS2M2(Réseaux et Services Multimédia Mobile–Télécom SudParis) Ce département fédère les activités d’enseignement et de recherche dans ledomaine des réseaux et services multimédia mobiles au sein de Telecom SudParis Il est constitué

de trois équipes :

Réseaux et architecture de services

Couvrant les architectures de services, la convergence web-NGN, le P2P, les réseaux sociaux,

la création de services, l’internet des objets

Algorithme pour les réseaux

Couvrant l’optimisation en générale et son application aux réseaux mobiles et d’autres maines ou secteurs d’application

do-Modélisation, contrôle et gestion de ressources et services réseaux

Couvrant notamment la mobilité, la configuration dynamique et l’adaptation des réseauxmobiles, fixes et informatiques

Le département RS2M forme des ingénieurs, des doctorants et des chercheurs dans le maine des réseaux et services mobiles en collaboration avec des partenaires clefs de l’industrie et

do-de la recherche académique

Les membres du département RS2M sont membres des équipes R3S (Réseaux, Systèmes,Services, Sécurité) et Méthodes (Méthodes et modèles pour les réseaux) du domaine réseaux deSAMOVAR : UMR 5157 du CNRS

2 source : http://rs2m.telecom-sudparis.eu/fr/

1.2 Contexte du stage

Aujourd’hui, les entreprises cherchent à attirer plus de clients Pour cela elles utilisent desmoyens d’information tels que l’Internet, la télévision, la radiodiffusion, la presse Ajoutées à cetteliste, les entreprises utilisent fortement les panneaux d’affichages (billboards) pour informer lesclients de leurs promotions, les nouvelles offres, etc

Les panneaux d’affichages dont nous parlons ici sont de grands écrans numériques qui fichent des informations fixes C’est ce que l’on retrouve dans la rue, les aéroports ou dans lescentres commerciaux Ces panneaux d’affichages sont un moyen bien connu pour attirer l’atten-tion des clients qui peuvent y trouver les informations qui les intéressent

af-Dans la rue, à l’aéroport ou au centre commercial, on peut trouver une multitude de cesécrans Mais, ces écrans ne sont pas intelligents, c’est-à-dire qu’ils affichent seulement des infor-mations pendant une durée de temps fixe

Imaginez maintenant des écrans qui peuvent se connecter à des périphériques (téléphone,tablette, etc.) des piétons autour d’eux et capturer des informations concernant ces périphériques.Ceci leur permettra d’afficher les informations qui intéressent les passants attirant ainsi leurattention

Comment mettre en place ces genres de panneaux ? Comment communiquent-ils avec lespériphériques voisins ? Et quel est l’impact de ces panneaux sur le comportement des piétons ?

1.3 Objectif du stage

"Un réseau urbain se caractérise d’abord par le "semis urbain", c’est-à-dire la répartitiondes villes dans l’espace et, les relations entre elles et l’influence exercée par les villes sur lesterritoires" "Dans le langage courant, l’expression réseau urbain désigne les infrastructures devoiries, de transport, de canalisations et câblage, etc propres à une agglomération"3

Dans notre travail, nous voulons représenter le réseau urbain dans le domaine du transport.Plus précisément, celui des piétons dans une petite ville

À partir du contexte ci-dessus et de l’idée de l’écran intelligent, nous allons modéliser lesréseaux urbains en considérant les patterns de mobilité urbains Nous donnons un modèle demobilité en nous basant sur des modèles existants Ce modèle nous permettra de savoir commentles piétons se déplacent (comme dans la vie réelle), comment l’écran affiche les bonnes informa-tions pour attirer le nombre maximal de piétons quand ils sont autour de lui En plus, il nouspermettra de connaitre l’impact de la mobilité sur l’écran et aussi de l’écran sur cette mobilité

3 source : https://fr.wikipedia.org/wiki/Réseau_urbain

1.4 Description du stage

Ce stage fait parti du projet URSA4(Urban Sensing for Ads Networks) qui est supporté par

le ministère des affaires étrangères Français et les partenaires : Télécom SudParis (France, leader

du projet), Université Fu Jen Catholic (Taiwan), Institut de Recherche Inforcomm (Singapour),INRIA (France) et IFI (Vietnam) URSA vise à définir un réseau de détection urbain fondésur la mobilité des utilisateurs et la diffusion de publicités par des éléments fixes Dans notresujet, nous allons modéliser la diffusion de publicités pour les réseaux urbains, en considérant lespatterns de mobilité urbains et ce à travers une plate–forme basée agents (GAMA5) Ce rapport

va présenter :

— Pattern de mobilité qu’on utilise pour URSA

— Impact de l’écran sur la mobilité et inversement

— Stratégie pour afficher les bonnes informations sur les écrans

— Modélisation par GAMA

— Analyse du résultat

Figure 1.2: Plan de travail

Dans ce système, nous verrons les modèles de mobilité et les métriques afin de savoir commentafficher les bonnes informations sur les écrans et comment la mobilité peut être impactée par lesaffichages

Figure 2.1: Classification des modèles de mobilité

Il y a aujourd’hui plusieurs modèles de mobilité comme nous les avons présentés dans lafigure 2.11 Les modèles de mobilité sont divisés en deux types : individuel et groupe Danschaque type, il y a plusieurs modèles différents Chaque modèle a aussi des caractères différents

1 source : http://www.jatit.org/volumes/Vol33No1/2Vol33No1.pdf

Basés sur des recherches qui sont publiques, nous étudions ces modèles de mobilité dans le tableauci-dessous :

Table 2.1: Commentaire sur les modèles de mobilité

Random Waypoint Model C’est un modèle qui est très connu dans la

(RWPM) communauté de recherche [5] Il est simple

mais il ne reflète pas la réalité et il est considérécomme “nuisible” dans certains cas d’après [19].Random Direction Model Ils sont similaires au modèle RWPM On peut

Random Walk Model (RWM) considérer qu’ils sont deux modèles spécifiques

du modèle RWPM [3]

Reference Point Group Model Il simule le comportement de groupe [11]

le leader détermine le mouvement des membres [12].)Column Mobility Model Ils sont similaires au modèle RPGM

Normadic Community Mobility Ces modèles et le modèle RPGM présentent

Pursue Mobility Model la caractéristique de la dépendance spatiale

Exponential Correlated Model de la vitesse [3]

Il résout le problème de la vitesse rapide

et des changements de direction du modèle RWMGauss-Markov Model et du modèle RWPM , mais il manque encore

la capacité d’imitation d’actions comme

le groupe ou l’évitement d’obstacles [8]

Pathway Mobility Model Ils intègrent les contraintes géographiques dans

Manhattan Mobility Model le modèle de mobilité1 Il est difficile

FreewayMobility Model à simuler parce qu’on doit dépendre

Il existe d’autres modèles comme :

SLAW (Self-similar Least Action Walk) [13] qui a été construit par l’extraction de ristiques statistiques du mouvement humain dans la vie réelle Mais ses paramètres d’entrée sonttrès complexes à installer pour le simuler[14] et les résultats de la performance de protocole deroutage ne sont pas comparés avec les traces réelles [15], [16]

caracté-STEP (Spatio-TEmporal mobility Model) [10] est proposé en se basant sur des expériencesGPS et en suivant le mouvement d’environ 200 élèves dans deux campus universitaires Denombreux modèles existants ne peuvent pas capturer les caractéristiques temporelles et leurscorrélations avec les caractéristiques spatiales Son unique objectif est de surmonter le manque

de certains des modèles précédents

SMOOTH [14] est un modèle simple dont l’idée principale est basée sur celle du modèleSLAW qu’il imite

Chaque modèle a ses avantages et ses inconvénients, donc le choix d’un modèle joue un rôletrès important pour satisfaire la demande Les modèles dans la figure 2.1 ne sont pas réalistescar ils modélisent un déplacement aléatoire, c’est à dire qu’ils ne modélisent pas le mouvementdes piétons dans la vie réelle Alors nous présentons deux modèles de mobilité réalistes en détaildans les parties2.2et2.3

2.2 STEPS – une approche pour le modèle de la mobilité

humaine

STEPS est un modèle simple de mobilité qui est donné à partir des caractères observables

du mouvement des gens, notamment la corrélation spatio-temporelle

Dans la vie réelle, les gens ne se déplacent pas par hasard Ils visitent souvent certainesplaces plus que d’autres Par exemple : le bureau, l’école, etc On dit que ces lieux ont plus devaleur attirante

Baser sur les caractéristiques ci-dessus, STEPS est défini par deux mobilités principales [15],[16] :

— La probabilité de déplacement d’un nœud dans une localisation est inversement tionnelle à la distance de sa localisation préférentielle

propor-— Quand un nœud est en dehors de sa localisation préférentielle, la probabilité qu’il s’enapproche est plus forte que celle qu’il s’en éloigne

De fait, la mobilité de déplacement des gens peut être modélisée comme une chaîne deMarkov d’espace d’états finis, dans laquelle la distribution de probabilité de transition représente

un pattern du déplacement

Dans le modèle STEPS, une localisation est définie comme une zone dans laquelle un nœudpeut se déplacer librement selon un modèle de mobilité aléatoire comme Random Waypoint (Parexemple : À l’école, on peut être dans la salle de cours ou la salle de fitness, etc.) Le déplacemententre les zones est déterminé par la distribution de la loi de puissance dont la valeur de l’exposantexprime la mobilité plus ou moins localisée

Supposons que l’espace du réseau est divisé en N×N zones carrées z0, z1, , zn−1 Dans lastructure de l’espace, chaque nœud mobile est associé à une zone préférentielle (Zpref) Poursimplifier, supposons que chaque nœud est attaché à une seule zone

La formule de fonction de densité de probabilité (pdf - probability density function ou pmfprobability mass function) de la loi de puissance est représentée :

ai, bi sont des coordonnées de a et b

Pour mieux comprendre, donnons un exemple2 pour distinguer des formules de la distanceconnue

2 source : http://cs.joensuu.fi/pages/franti/cluster/Clustering-Part4.ppt

Distance Minkowski

d(i,j) = p(|xq i1− xj1|)q+ (|xi2− xj2|)q+ + (|xip− xjp|)q(1ere dimension, 2eme dimension, , peme dimension)Distance Euclidienne (q=2)

• α ∈ R est l’exposant d’une loi de puissance (power law exponent) qui représente la sance d’attraction (attractor power) de la zone Zpref.

puis-α < 0: les nœuds ont une haute probabilité pour choisir une distance plus longue qu’une distancecourte

α > 0: les nœuds sont plus localisés

α = 0 : les nœuds se déplacent aléatoirement d’une zone à une autre avec une probabilité forme

uni-L’expression(1) n’a de sens que pour α > 1, qui est en effet une exigence pour une forme deloi de puissance à normaliser [6] Dans l’article [7], l’auteur a démontré α = 1.75 ± 0.15 pour ledéplacement humain

• β est une constante normale (normalizing constant) Car l’expression (1) est pdf donc, ildoit satisfaire à la condition : le total des probabilités égale un3

C’est-à-dire : avec les valeurs d et α déterminées, on peut calculer β par la formule :

X

d

f (d) = 1 → β = X 1

d(1 + d)−α

Dans l’algorithme STEPS, on utilise la formule (1) pour choisir la destination d’un nœud.Algorithm 1:STEPS algorithm

Input: Initial zone ←− Zpref

1 repeat

2 Choose a random distance d from the probability distribution (1) ;

3 Select uniformly at random a zone zi among all zones that are d distance units awayfrom zpref;

4 Choose uniformly at random a point in zi;

5 Go linearly to this point with a speed chosen uniformly at random from

[vmin,vmax],0 < vmin ≤ vmax< +∞;

6 Choose uniformly at random a staying time t from

[tmin,tmax],0 < tmin≤ tmax< +∞;

7 while t has not elapsed do do

8 Perform Random Waypoint movement in zi;

10 until End of simulation;

L’expression (1) montre que si une zone est plus éloingnée de la zone Zpref , la probabilitéest moindre pour se déplacer en dehors de sa localisation préférentielle comme défini par STEPS

Ce qui prouve le fait qu’il est plus probable qu’une personne visite un lieu plus proche de salocalisation qu’un autre plus loin

3 source : https://onlinecourses.science.psu.edu/stat414/node/57

2.3 Modèle de Shiddhartha Raj Bhandari et Al.

Le modèle de Shiddhartha Raj Bhandari et Al.[4] se base sur le même concept que STEPS,celui du point d’attraction et la distance entre les zones Au début, les noeuds sont distribuéspar hasard dans l’espace de la simulation

Normalement on peut définir la valeur d’attraction pour chaque zone, mais dans la tion, ce ne sera pas le cas car si on procède ainsi, on va perdre beaucoup de temps Donc, l’auteurassigne des valeurs d’attraction aléatoires comprises entre 0 et 1

simula-Et d est un vecteur contenant les distances entre un nœud donné et l’ensemble des pointsattirants

S est inversement proportionnelle à la distance euclidienne entre le nœud et le point traction :

distance euclidienne de noeud au point attirant

On calcule la valeur Si = di ∗ ai pour tous les points attirants ; S est donc proportionnel

au point d’attraction Enfin, on choisit la valeur maximale de S, s’il en existe plusieurs, on vachoisir par hasard une destination ayant la valeur maximale de S

C’est-à-dire la sélection de Si se fait selon deux critères : La valeur du point d’attraction(ai) est plus haute et la distance du nœud au point d’attraction (di) est plus bas

Comme dans la vie réelle, on visite souvent un lieu lorsqu’il nous attire le plus et lorsqu’ilest plus proche de nous

L’algorithme de ce modèle est représenté clairement dans le pseudo code suivant :

Algorithm 2:Algorithm of Shiddhartha Raj Bhandari and Al

1 do

2 Search available attraction points

3 for i ← 0 ; i < number of attraction points ; i++ do

4 Calculate distance factor di

5 Calculate attractivity ai

6 Calculate Si = di∗ ai

8 Choose attraction point with highest selection factor Si

9 Follow selected attraction point

10 while end of simulation time;

Pour prouver le réalisme du modèle, les auteurs l’ont comparé au modèle RWP en se basantsur les informations du tableau ci-dessous :

Table 2.2: Comparaison entre les modèles de mobilitéCaractéristiques Random Waypoint Shiddhartha Raj Bhandari et AlVoies horizontales Pas de voies horizontales et Représente les voies créées pour

et verticales verticales Les nœuds se les voyageurs à pied et le scénario

déplacent aléatoirement autour d’exposition

au sein de l’exposition considéréeMouvement Les nœuds se déplacent Les nœuds se déplacent à partir des

de nœud aléatoirement dans la zone voies verticales et horizontales vers

de simulation des points fixes, points d’attractionChangement de Les nœuds sont libres de se Le nœud change de voie sur la basecomportement déplacer Aucuns chemins de actuelle des points d’attraction

de la voie mouvement sont spécifiés

Comportement Aucune incorporation de Intègre un comportement socialsocial comportement social de nœuds de nœuds mobiles Les gens essaient

mobiles de suivre le point d’attraction qui est

proche et populaire parmi les autres

2.4 Conclusion

Dans ce chapitre, nous avons présenté et étudiés succintement les patterns de mobilité aveccertaines de leurs caractéristiques Nous avons également fait l’introduction en détaillant deuxmodèles de mobilité : modèle STEPS et modèle de Shiddhartha Raj Bhandari et Al Ce sont cesdeux modèles que nous appliquerons dans notre travail

Pour mieux comprendre ces modèles, il faut voir l’exemple dans [l’annexeA] Dans ces deuxmodèles, il y a des avantages et aussi des inconvénients, donc nous allons sélectionner les pointsqui conviennent aux caractéristiques de notre projet Tout cela sera présenté dans le troisièmechapitre

le déplacement du départ à la destination Nous combinons donc les points forts de ces deuxmodèles pour les adapter à notre sujet Ce sont :

— Déterminer la destination en se basant sur le modèle Shiddhartha Raj Bhandari et Al

— Se déplacer à la destination en se basant sur le modèle STEPS

Dans notre travail, non seulement il y a la détermination de la destination et le déplacement,mais encore l’impact qu’a l’écran sur un piéton quand ce dernier se trouve dans son entourage

et inversement Cet impact est surtout l’affichage des bonnes informations (c’est-à-dire les mations qui intéressent les piétons) sur les écrans quand les piétons se trouvent dans sa zone deportée (la zone de connexion) et la modification qu’apporte cet affichage sur les mouvements despiétons

infor-En resumé, notre sujet sera divisé en trois étapes :

— La détermination de la destination et le déplacement à cette destination

— L’affichage des bonnes informations sur l’écran

— Le changement de la direction s’il y a l’impact de l’écran

Ces trois étapes vont présenter en détail dans la partie suivante pour la simulation de notremodèle de mobilité

3.2 Proposition de modèle de mobilité

Dans notre simulation, les piétons sont distribués par hasard dans les maisons Chaquebâtiment de destination a une valeur d’attraction définie

Au début, le piéton (z0) commence son déplacement dans sa maison ( zhome).

Il n’a pas encore changé de direction : changeDirect = 0 Donc,

Le nombre de changements vaut zéro : n_changDirect = 0

Le temps total qu’il passe sur les autres places est zéro minute : s_Time = 0

Input : Initial a point z0 in zone ←− zhome, changeDirect=0 : not change direction,n_changDirect = 0 number of time for change, s_Time = 0 : staying time total

3.2.1 Détermination de destination

Le piéton veut aller à son bureau (par exemple)

Figure 3.1: Détermination la destination

À cet instant, nous allons utiliser l’algorithme de Shiddhartha Raj Bhandari et Al pourchoisir la destination C’est-à-dire nous calculons la valeur S en utilisant la distance Euclidienne

et la valeur d’attraction

La valeur de S est inversement proportionnelle à la distance euclidienne entre le nœud et lepoint d’attraction :

distance euclidienne de noeud au point d0attraction

La valeur d’attraction ai pour chaque zone est aléatoire entre 0 et 1

Et d est un vecteur contenant les distances entre un nœud donné et l’ensemble des pointsd’attraction

On calcule la valeur Si = di∗ ai pour tous les points d’attraction ; ensuite nous choisissons

le maximum

• Détermination de la destination

Algorithm 3:Select destination zone

1 Search available attraction points

2 for i ← 0 ; i < number of attraction points zwork; i++ do

3 Calculate distance factor di from zhome to zwork

4 Calculate attractivity ai

5 Calculate Si = di∗ ai

6 end

7 Choose attraction point that is the zone zwork with highest selection factor Si

8 Follow selected attraction point

Après avoir choisi la destination, le piéton va se déplacer à cette destination en se basantsur le modèle STEPS

• Déplacement à la destination

Algorithm 4:Move to the destination

1 Choose uniformly at random a point zi in zone zwork which is selected above ;

2 Go linearly to zi with a speed chosen uniformly at random from

[vmin,vmax],0 < vmin ≤ vmax< +∞;

3 Choose uniformly at random a staying time t from [tmin,tmax],0 < tmin ≤ tmax< +∞;

4 while t has not elapsed do do

5 Perform Random Waypoint movement in zwork;

6 end

À la première étape, nous choisissons par hasard un point dans la zone de destination.Ensuite, le piéton se déplacera à ce point avec une vitesse aléatoire entre la vitesse minimale et

la vitesse maximale

Figure 3.2: Déplacement à la destination

Une fois à destination (son bureau par exemple), il y restera pendant un temps de séjour

t (entre le temps minimal et le temps maximal) et il se déplacera au hasard selon le patternRandom Way Point

(À chaque pas de temps, un noeud est sélectionné au hasard, une destination et il s’y placera avec une vitesse qui est choisie par hasard entre vmin et vmax Après avoir atteint ladestination , le noeud s’arrête pendant une période de temps qui est définie par le paramètre

dé-”pause − time” - le temps de séjour Après ce temps, le nœud continuera à sélectionner parhasard une destination et répéter tout le processus jusqu’à ce que la simulation se termine.).Comme dans la vie réelle : quand nous arrivons dans notre bureau, nous ne sommes pasimmobiles, nous faisons des déplacements entre endroits Par exemple : la cantine, la salle deréunion, la cafétéria, etc ou quand nous allons au super marché nous faisons des déplacementspour chercher les produits (ou articles)

3.2.2 Affichage des bonnes informations sur l’écran

Dans notre simulation, nous avons divisé les intérêts en 10 catégories différentes (voir letableau4.2) Donc, nous assignons les intérêts au piéton comme un vecteur contenant les valeursdifférentes : [Hb0, Hb1, , Hbn], n = 9, dans lequel n est le nombre d’intérêts et Hbi est l’intérêt

à la position i La valeur pour chaque intérêt est calculée par hasard parce que l’intérêt de chaquepersonne est différent Nous avons 10 catégories différentes, donc :

Valeur Hbi=rnd(9)

Quand le piéton passe dans une zone de connexion (zconnect) ó il y a un écran de publicité,

un message est donc envoyé à cet écran Ce message contient des informations sur les intérêts dupiéton

Figure 3.3: Affichage informations sur l’écran

Cette action se répète pour tous les piétons de la zone de connexion de l’écran L’écran vapar la suite calculer et trouver la meilleure valeur d’intérêt (le centre d’intérêt commun) des gensdans cette zone C’est-à-dire nous allons calculer le total des valeurs des intérêts pour chaquetype et trouver la meilleure valeur

Valeur d’intérêt de l’écran = max

i (XHbi), i ∈ [0,9]

Ensuite l’écran affiche la publicité qui est en rapport avec ce centre d’intérêt (voir en détaildans la partie4.2.3) S’il y a une seule valeur maximale, l’écran l’affiche :

Valeur d’affichage de l’écran = la meilleure valeur

S’il y a plusieurs valeurs maximales, l’écran va choisir une de ces valeurs par hasard pourfaire de la publicité en fonction :

Valeur d’affichage de l’écran = rand(les meilleures valeurs)

Cette opération s’effectue chaque sept secondes, car quand les piétons se déplacent dans larue, ils n’ont pas beaucoup de temps pour faire attention aux publicités qui contiennent tropd’informations Donc, une information courte qui peut être lu en quelque secondes, est idéalepour les panneaux publicitaires Nous supposons que sept secondes est le temps nécessaire à unpiéton pour comprendre les informations contenues dans la publicité

L’affichage de ces informations sur l’écran se fait à travers l’algorithme suivant :

Algorithm 5:Display ads on the screen

1 while time mode 7 = 0 do

2 if z0 in zone zconnect of screen Si then

3 Send information of z0 to the screen Si;

4 Calculate the total value of all favorite people in zone zconnect of screen Si;

5 if only a max value of total value then

6 Display color corresponding to the screen;

— 0 : elle continue d’aller dans sa direction de début avec la vitesse qui est limitée entre lavitesse minimale et la vitesse maximal :

speed = vmin+ rnd(vmax− vmin)

— 1 : elle s’arrête un peu :

sa vitesse vaut zéro : speed = 0

Et ensuite, elle continue son déplacement avec sa vitesse normale

— 2 : elle se ralentit un peu :

sa vitesse speed = vpresent− rnd(vpresent− vmin)

Et ensuite, elle continue son déplacement avec sa vitesse normale

— 3 : elle change sa direction : se déplacer au shop et rester là-bas pendant un peu de temps

et aller au bureau (sa vitesse vaut maximun)

Notation :

vmin : la vitesse minimale, vmax : la vitesse maximale, vpresent : la vitesse au présent.L’algorithme pour changer la direction est :

Algorithm 6:Change direction

1 if z0 in zone zconnect and the interest of z0 appearing on screen advertising and

probability ≥ 50 and s_Time ≤ 60 then

2 Choose a random value Decision = rnd(3);

14 probability=(rnd(100) ∗ probability value) - (n_changDirect *10);

15 Select uniformly a zone zshop from Algorithm 3;

16 Choose uniformly at random a point zj in zshop;

17 Go linearly to zj with a maximun speed : vmax]Choose randomly a staying time

t from [tmin,tmax],0 < tmin ≤ tmax< +∞ ;

18 while t has not elapsed do

19 Perform Random Waypoint movement in zshop;

21 Go linearly to zi with a maximun speed : vmax]Choose randomly a staying time

t from [tmin,tmax],0 < tmin ≤ tmax< +∞ ;