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 quisont le modèle STEPS [15], [16] et le modèle de Shiddhartha Raj Bhandari et Al.. Avec le modèle STEPS, no

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL

L THÀHI N

TUDE ET INT GRATION DE PATTERNS DE MOBILIT DE PI TONS AU

SEIN D’UN SIMULATEUR ORIENT AGENTS MOBILES

NGHI NCÙUV TCHHÑPC CM UCHUY N ¸NG CÕA NG×˝I I B¸ V O

M¸T H M˘ PH˜NG A T C TÛ DI ¸NG

MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE

HANOI - 2015

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL

L THÀHI N

TUDE ET INT GRATION DE PATTERNS DE MOBILIT DE PI TONS AU

SEIN D’UN SIMULATEUR ORIENT AGENTS MOBILES

NGHI NCÙUV TCHHÑPC CM UCHUY N ¸NG CÕA NG×˝I I B¸ V O

M¸T H M˘ PH˜NG A T C TÛ DI ¸NG

Sp†cialit†: R†seaux et Syst–me Communicants (RSC)

Code: Programme pilote

MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE

Sous la direction de :

M St†phane MAAGProfesseur D†partement RS2MT†l†com SudParis, France

HANOI - 2015

ATTESTATION SUR L’HONNEUR

J’atteste sur l’honneur que ce m†moire a †t† r†alis† par moi-m¶me et que les donn†es et lesr†sultats qui y sont pr†sent†s sont exacts et n’ont jamais †t† publi†s ailleurs La source desinformations cit†es dans ce m†moire a †t† bien pr†cis†e

Tæi cam oan ¥y l cæng tr…nh nghi¶n cøu cıa ri¶ng tæi

C¡c sŁ li»u, k‚t qu£ n¶u trong Lu“n v«n l trung thüc v ch÷a tłng ÷æc ai cæng bŁ trong b§t kýcæng tr…nh n o kh¡c C¡c thæng tin tr‰ch d¤n trong Lu“n v«n ¢ ÷æc ch¿ rª nguçn gŁc

vry, Ng y 18 th¡ng 11 n«m 2015

LE Thi Hien

Table des matières

Table des matières

Remerciements

Résumé

Abstract

Liste des figures

Liste des tableaux

Introduction

1 Présentation du stage

1.1 Présentation du laboratoire

1.2 Contexte du stage

1.3 Objectif du stage

1.4 Description du stage

1.5 Conclusion

2 État de l’art 2.1 Pattern de mobilité

2.2 STEPS – une approche pour le modèle de la mobilité humaine 2.3 Modèle de Shiddhartha Raj Bhandari et Al

2.4 Conclusion

3 Proposition de modèle de mobilité 3.1 Idée principale

3.2 Proposition de modèle de mobilité

3.3 Conclusion

4 Implémentation et Résultats 4.1 Introduction de l’outil utilisé

4.2 Simulation sous la plate-forme GAMA

4.3 Analyse du résultat

4.4 Conclusion

Conclusion

Bibliographie

A Exemple pour les deux modèles

i

J’adresse mes remerciements aux personnes qui m’ont aidées dans la réalisation de cemé-moire

En premier lieu, je remercie mon responsable de stage - Monsieur Stéphane MAAG qui

a dirigé ce travail de recherche de Master informatique Je le remercie parce qu’il m’a guidédans mon travail, m’a donné des conseils et m’a aidé à trouver des solutions pour avancer

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 remercieégalement Monsieur NGUYEN Hong Quang, le responsable de la spécialité RSC pour leuraide pendant les six mois de mon stage et aussi pendant mes deux années d’études à l’IFI

Je remercie également Monsieur Djamal ZEGHLACHE - le directeur du départementRS2M du TSP pour m’avoir accepté au sein de l’équipe et pour le dynamisme de l’équipe.C’est un grand 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

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

reconnaissance et mon attachement

Dans ce mémoire, nous faisons l’étude et l’intégration de patterns de mobilité de piétons

au sein d’un simulateur orienté agents mobiles

Premièrement, nous présentons des modèles de mobilité, donnons des commentairessur ces modèles et expliquons pourquoi ils ne sont pas réalistes

Ensuite, nous proposons un modèle de mobilité en nous basant sur deux modèles quisont le modèle STEPS [15], [16] et le modèle de Shiddhartha Raj Bhandari et Al poursimuler le comportement humain Avec le modèle STEPS, nous allons déterminer ladestination pour les piétons en nous basant sur la distance entre les zones et la valeurd’attraction Après avoir déterminé la destination, les piétons vont se déplacer vers cettedestination en se basant sur le modèle de Shiddhartha Raj Bhandari et Al

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

écrans publicitaires), leurs activiés, et l’impact entre eux

Après avoir exécuté la simulation sous GAMA, les résultats obtenus ont été analyséspar des méthodes pour optimiser le placement du mobilier urbain intelligent, a cherffiintelligement le contenu temps-réel et trouver les contenus les plus recherchés

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

basée agents, GAMA

iii

Finally, in the practical part, we will simulate through a platform based agents: GAMA(GAMA Modeling Language), which allows us to model agents (pedestrians, advertisingscreens), 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 contentand find the desired content

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

GAMA

Liste des figures

1.1 Organisation de TSP

1.2 Plan de travail

2.1 Classification des modèles de mobilité

3.1 Détermination la destination

3.2 Déplacement à la destination

3.3 A chage informations sur l’écran ffi

4.1 Avantages de GAMA

4.2 Logiciel OpenJUMP

4.3 Carte d’une petite ville

4.4 Impact de mobilité sur les écrans

4.5 Premier cas d’a chage des bonnes informations ffi

4.6 Deuxième cas d’a chage des bonnes informations ffi

4.7 Simulation sous la plate-forme GAMA

4.8 Position des écrans et des magasines

4.9 Nombre de la pubilicité de chaque écran

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

4.11 Impact des piétons sur l’écran 1

4.12 Impact des piétons sur l’écran 2

4.13 Impact des piétons sur l’écran 3

4.14 Impact des piétons sur l’écran 4

4.15 Impact des piétons sur l’écran 5

4.16 Capacité d’attraction de chaque magasin

4.17 Taux de chaque type d’intérêt pour magasin 1

4.18 Taux de chaque type d’intérêt pour magasin 3

4.19 Taux de chaque type d’intérêt pour magasin 4

4.20 Taux de chaque type d’intérêt pour magasin 6

4.21 Taux de chaque type d’intérêt pour magasin 7

4.22 Taux de chaque type d’intérêt pour magasin 8

4.23 Taux de chaque type d’intérêt pour magasin 9

4.24 Taux de chaque type d’intérêt pour magasin 10

v

Liste des tableaux

2.1 Commentaire sur les modèles de mobilité

2.2 Comparaison entre les modèles de mobilité

4.1 Représentation des piétons

4.2 Liste des intérêts

4.3 Vitesse des piétons

4.4 Valeur de la probabilité de chaque type de piétons

4.5 Position de l’écran

4.6 Valeur d’attraction de chaque magasin

Les géographes ont utilisées depuis fort longtemps l’expression de « réseau urbain » pourdésigner l’ensemble des villes d’une région, d’un état, voir d’un continent C’est l’expansion de lahiérarchie urbaine dans un territoire, il indique la façon dont les villes s’approprient le territoire.Les villes d’un réseau urbain sont reliées entre elles par des liens/flux hiérarchiques Ainsi, lesvilles d’un pays ou d’une région forment un ensemble hiérarchisé dominé par une ou plusieursmétropoles (L’importance d’une métropole dépend de son poids démographique et de sesfonctions économiques, politiques et culturelles On distingue trois types de métropoles) Dans

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 que lesgens ne se déplacent pas par hasard, ils vont souvent à certains lieux, pendant un certain tempsassocié, et ce, en fonction des leurs habitudes de vie Donc, ce sont des modèles qui ne sont pasréalistes C’est-à-dire qu’ils ne modélisent pas le mouvement des gens dans la vie réelle Il existed’autres modèles qui sont présentés en détail dans la partie 2.1 Mais tous sont di cilesffi

à simuler pour analyser les interactions entre entités en milieu urbain et il n’y a pas d’études d’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 plate-forme basée agents

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 ắté e ectué Dans le deuxième chapitre, nous faisons un rappel sur les patterns de mobilité (ouffmodèles de mobilité) existants Le troisième chapitre contient un modèle de mobilité que nousproposons en nous basant sur des modèles existants pour simuler le mouvement des gens Dans lequantième chapitre, nous faisons l’expérimentation, c’est-à-dire la simulation et l’analyse desrésultats Et enfin, une conclusion et perspectives pour terminer ce rapport

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

1

Figure 1.1: Organisation de TSP

On peut voir dans la figure 1.1 1

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 :Mathématiques Appliquées de Paris 5

Multimédia Mobile –Télécom SudParis) Ce département fédère les activités d’enseignement

et de recherche dans le domaine des réseaux et services multimédia mobiles au sein deTelecom SudParis Il est constitué de trois équipes :

Réseaux et architecture de services

Couvrant les architectures de services, la convergence web-NGN, le P2P, les réseauxsociaux, 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’autresdo-maines ou secteurs d’application

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 ledo-maine des réseaux et services mobiles en collaboration avec des partenaires clefs del’industrie et 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) dudomaine réseaux de SAMOVAR : UMR 5157 du CNRS

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

3

1.2 Contexte du stage

Aujourd’hui, les entreprises cherchent à attirer plus de clients Pour cela elles utilisentdes moyens d’information tels que l’Internet, la télévision, la radiodi usion, la presse.ffAjoutées à cette liste, les entreprises utilisent fortement les panneaux d’a chagesffi(billboards) pour informer les clients de leurs promotions, les nouvelles o res, etc.ff

af-fichent des informations fixes C’est ce que l’on retrouve dans la rue, les aéroports ou

attirer l’atten-tion des clients qui peuvent y trouver les informations qui les intéressent

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 a chent seulement desffiinfor-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 concernantces périphériques Ceci leur permettra d’a cher les informations qui intéressent lesffipassants attirant ainsi leur attention

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

de voiries, de transport, de canalisations et câblage, etc propres à une agglomération" 3Dans 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 de mobilité

en nous basant sur des modèles existants Ce modèle nous permettra de savoir comment les piétons

se déplacent (comme dans la vie réelle), comment l’écran a che les bonnes informa-tions pour attirerffi

le nombre maximal de piétons quand ils sont autour de lui En plus, il nous permettra de connaitrel’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 URSA 4 (Urban Sensing for Ads Networks) qui est supportépar le ministère des a aires étrangères Français et les partenaires : Télécom SudParisff(France, leader du projet), Université Fu Jen Catholic (Taiwan), Institut de RechercheInforcomm (Singapour), INRIA (France) et IFI (Vietnam) URSA vise à définir un réseau dedétection urbain fondé sur la mobilité des utilisateurs et la di usion de publicités par desfféléments fixes Dans notre sujet, nous allons modéliser la di usion de publicités pour lesffréseaux urbains, en considérant les patterns de mobilité urbains et ce à travers une plate–forme basée agents (GAMA 5) Ce rapport va présenter :

— Pattern de mobilité qu’on utilise pour URSA

— Impact de l’écran sur la mobilité et inversement

— Stratégie pour a cher les bonnes informations sur les écransffi

— 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

impactée par les a chages.ffi

1.5 Conclusion

Dans le premier chapitre, nous avons fait une présentation du laboratoire de travail dépar-tement RS2M, Telecom SudParis ó le stage a été e ectué et le contexte, l’objectif, laffdescription du stage

-Notre contribution au stage concerne l’étude, l’implémentation et l’expérimentation depat-terns de mobilité de piétons au sein d’un simulateur orienté agents mobiles

4 source : http://www-public.tem-tsp.eu/~maag/URSA/index.html

5 source : https://code.google.com/p/gama-platform

5

Figure 2.1: Classification des modèles de mobilité

Il y a aujourd’hui plusieurs modèles de mobilité comme nous les avons présentés dans la figure

2.1

1 Les modèles de mobilité sont divisés en deux types : individuel et groupe Dans chaque type, il y

a plusieurs modèles di érents Chaque modèle a aussi des caractères di érents.ff ff

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 tableau ci-dessous :

Table 2.1: Commentaire sur les modèles de mobilité

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’entréesont très complexes à installer pour le simuler[14] et les résultats de la performance deprotocole de routage ne sont pas comparés avec les traces réelles [15], [16]

caracté-STEP (Spatio-TEmporal mobility Model) [10] est proposé en se basant sur desexpériences GPS et en suivant le mouvement d’environ 200 élèves dans deux campusuniversitaires De nombreux modèles existants ne peuvent pas capturer les caractéristiquestemporelles et leurs corrélations avec les caractéristiques spatiales Son unique objectif est

de surmonter le manque de certains des modèles précédents

SLAW qu’il imite

Chaque modèle a ses avantages et ses inconvénients, donc le choix d’un modèle joue

un rôle très important pour satisfaire la demande Les modèles dans la figure 2.1 ne sont pasréalistes car ils modélisent un déplacement aléatoire, c’est à dire qu’ils ne modélisent pas lemouvement des piétons dans la vie réelle Alors nous présentons deux modèles de mobilitéréalistes en détail dans les parties 2.2 et 2.3

7

2.2 STEPS – une approche pour le modèle de la mobilité

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 propor-tionnelle à la distance de sa localisation préférentielle

— Quand un nœud est en dehors de sa localisation préférentielle, la probabilité qu’il s’en approche 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 transitionreprésente un pattern du déplacement

Dans le modèle STEPS, une localisation est définie comme une zone dans laquelle unnœud peut se déplacer librement selon un modèle de mobilité aléatoire comme RandomWaypoint (Par exemple : À l’école, on peut être dans la salle de cours ou la salle de fitness,etc.) Le déplacement entre les zones est déterminé par la distribution de la loi de puissancedont la valeur de l’exposant exprime la mobilité plus ou moins localisée

Supposons que l’espace du réseau est divisé en N×N zones carrées z0; z1; :::; zn 1.Dans la structure de l’espace, chaque nœud mobile est associé à une zone préférentielle(Zpref ) Pour simplifier, 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 exemple 2 pour distinguer des formules de la distance connue

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

Distance Minkowski

Distance Euclidienne (q=2)

pd(i;j) = 2 (jxi1 xj1j)2 + (jxi2 xj2j)2 + ::: + (jxip xjpj)2

9

• 2 R est l’exposant d’une loi de puissance (power law exponent) qui représente la

puis-sance d’attraction (attractor power) de la zone Zpref

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

distance courte

> 0 : les nœuds sont plus localisés

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

uni-forme

L’expression(1) n’a de sens que pour > 1, qui est en e et une exigence pour une formeff

de loi de puissance à normaliser [6] Dans l’article [7], l’auteur a démontré = 1:75 0:15 pour le

déplacement humain

il doit satisfaire à la condition : le total des probabilités égale un 3

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

Algorithm 1: STEPS algorithm

from zpref ;

[vmin;vmax];0 < vmin vmax < +1 ;

[tmin;tmax];0 < tmin tmax < +1 ;

9 end

10 until End of simulation;

L’expression (1) montre que si une zone est plus éloingnée de la zone Zpref , la

probabilité est 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 sa localisation qu’un autre plus loin

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

10

2.3 Modèle de Shiddhartha Raj Bhandari et Al.

STEPS, celui du point d’attraction et la distance entre les zones Au début, les noeuds sontdistribués par hasard dans l’espace de la simulation

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

Et d est un vecteur contenant les distances entre un nœud donné et l’ensemble despoints attirants

S est inversement proportionnelle à la distance euclidienne entre le nœud et le pointd’at-traction :

1

S / distance euclidienne de noeud au point attirant

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

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

4Calculate distance factor di

5Calculate attractivity ai

6 Calculate Si = di ai

7 end

8 Choose attraction point with highest selection factor Si

9Follow 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 basant sur les informations du tableau ci-dessous :

Table 2.2: Comparaison entre les modèles de mobilité

CaractéristiquesVoies horizontales

de la voieComportementsocial

2.4 Conclusion

Dans ce chapitre, nous avons présenté et étudiés succintement les patterns de mobilitéavec certaines de leurs caractéristiques Nous avons également fait l’introduction endétaillant deux modèles de mobilité : modèle STEPS et modèle de Shiddhartha Raj Bhandari

et Al Ce sont ces deux modèles que nous appliquerons dans notre travail

deux modèles, il y a des avantages et aussi des inconvénients, donc nous allonssélectionner les points qui conviennent aux caractéristiques de notre projet Tout cela seraprésenté dans le troisième chapitre

12

— 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 sonentourage et inversement Cet impact est surtout l’a chage des bonnes informations (c’est-ffià-dire les infor-mations qui intéressent les piétons) sur les écrans quand les piétons setrouvent dans sa zone de portée (la zone de connexion) et la modification qu’apporte cet

En resumé, notre sujet sera divisé en trois étapes :

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

— 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 notre modèle de mobilité

3.2 Proposition de modèle de mobilité

Dans notre simulation, les piétons sont distribués par hasard dans les maisons Chaque bâtiment 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

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 distanceEuclidienne et la valeur d’attraction

La valeur de S est inversement proportionnelle à la distance euclidienne entre le nœud

et le point d’attraction :

1

S / 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 points d’attraction

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

le maximum

14

• Détermination de la destination

Algorithm 3: Select destination zone

1 Search available attraction points

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

3 Calculate distance factor di from zhome to zwork

4 Calculate attractivityai 5

CalculateSi=diai

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 basant sur le modèle STEPS

Algorithm 4: Move to the destination

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

2 Go linearly toziwith a speed chosen uniformly at random from

[vmin;vmax];0 < vmin vmax < +1 ;

3 Choose uniformly at random a staying time t from [tmin;tmax];0 < tmin tmax < +1 ;

4 whilet has not elapsed dodo

5Perform Random Waypoint movement in zwork ;

6 end

Ensuite, le piéton se déplacera à ce point avec une vitesse aléatoire entre la vitesseminimale 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 sommespas immobiles, nous faisons des déplacements entre endroits Par exemple : la cantine, lasalle de réunion, la cafétéria, etc ou quand nous allons au super marché nous faisons desdéplacements pour chercher les produits (ou articles)

3.2.2 A chage des bonnes informations sur l’écran ffi

Dans notre simulation, nous avons divisé les intérêts en 10 catégories di érentes (voir le tableauff

4.2) Donc, nous assignons les intérêts au piéton comme un vecteur contenant les valeurs

di érentes : [Hbff 0, Hb1, , Hbn], n = 9, dans lequel n est le nombre d’intérêts et Hbi est l’intérêt

àla position i La valeur pour chaque intérêt est calculée par hasard parce que l’intérêt de chaque personne est di érent Nous avons 10 catégories di érentes, donc :ff ff

Valeur Hbi=rnd(9)

publicité, un message est donc envoyé à cet écran Ce message contient des informationssur les intérêts du piéton

Figure 3.3: A chage informations sur l’écranffi

Cette action se répète pour tous les piétons de la zone de connexion de l’écran L’écran

va par la suite calculer et trouver la meilleure valeur d’intérêt (le centre d’intérêt commun)des gens dans cette zone C’est-à-dire nous allons calculer le total des valeurs des intérêtspour chaque type et trouver la meilleure valeur

XValeur d’intérêt de l’écran = max( Hbi); i 2 [0;9]

i

16

Ensuite l’écran a che la publicité qui est en rapport avec ce centre d’intérêt (voir enffidétail dans la partie 4.2.3) S’il y a une seule valeur maximale, l’écran l’a che :ffi

Valeur d’a chage de l’écran = la meilleure valeurffi

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

Valeur d’a chage de l’écran = rand(les meilleures valeurs)ffi

Cette opération s’e ectue chaque sept secondes, car quand les piétons se déplacent dansff

la rue, 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

un piéton pour comprendre les informations contenues dans la publicité

L’a chage de ces informations sur l’écran se fait à travers l’algorithme suivant :ffi

Algorithm 5: Display ads on the screen

2 if z0 in zone zconnect of screen Si then

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

5if only a max value of total value then

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

la vitesse 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

t from [tmin;tmax];0 < tmin tmax < +1 ;

t from [tmin;tmax];0 < tmin tmax < +1 ;

22 end

23 end

Ici, à chaque changement de direction, la probabilité de changement diminue (en se basant

sur la valeur de la probabilité qui est presentée dans la tableau 4.4 et le nombre de changement)

et le temps de séjour total augmente (valeur maximale vaut soixante minutes) Si le piéton

change de direction pour visiter d’autres endroits, il va finalement se diriger vers sa direction de

depart Si la probabilité est inférieure à cinquante pourcent (50%) ou le temps de séjour total est

supérieur à soixante minutes, alors le piéton ne peut pas changer sa direction

18