• Nom 1 : Thibault Ober
• Créneau : PM
• Nom 2 : Lucas Sauvage
• Créneau : AM
• Nom du Projet : AutoTraffic

Bob est un automobiliste lambda qui en a assez de perdre du temps dans les embouteillages. Bob ne quitte jamais le travail à la même heure, il ne se souvient donc jamais si la route sera embouteillée.

Bob décide de télécharger notre application pour éviter ces bouchons. Lors de sa première utilisation, Bob indique à l’application qu’il va prendre sa voiture pour effectuer son trajet quotidien. Bob roule ensuite comme à son habitude et arrive à destination. Une fois arrivé, il indique à l’application qu’il est bien arrivé à son point final.

Bob répète la même opération plusieurs fois afin que l’application collecte plusieurs fois les données. Au bout de x trajets, l’application commence à informer Bob du temps qu’il va mettre pour rentrer si il part maintenant. Bob peut également consulter des anciens relevés de ces trajets afin d'y retrouver les pires et meilleurs horaires de chaque jour.

L'application :

Application récupérant des informations sur le trajet quotidien de ses utilisateurs. Celle-ci déterminera le temps moyen du trajet de l'utilisateur. Plus précisément, l'idée est de pouvoir informer l'utilisateur dans combien de temps il sera chez lui s'il part maintenant (à cet horaire précisément). L'utilisateur a également la possibilité de consulter un résumé des anciens relevés de ces trajets.

• Samsung Galaxy S3
  • Caractéristiques techniques :
    • http://www.samsung.com/fr/consumer/mobile-devices/smartphones/galaxy-s/GT-I9300MBDVGF
    • Capteurs :
      • Accéléromètre
      • Baromètre
      • Boussole
      • Geomagnetic
      • Gyroscope
      • Lumière ambiante
      • Proximité
    • Communication / Réseaux :
      • Wifi 802.11 a/b/g/n
      • Bluetooth 4.0
      • A-GPS
      • GLONASS
      • GPS
      • 3G (HSPA+)
  • Android 4.3, Google Maps

• LG G4
  • Caractéristiques techniques :
    • http://www.lg.com/fr/smartphones/lg-G4-smartphone
    • Capteurs :
      • Accéléromètre
      • Baromètre
      • Boussole
      • Gyroscope
      • Lumière ambiante
      • Proximité
    • Communication / Réseaux :
      • Wifi 802.11 a/ac/b/g/n
      • Bluetooth 4.1
      • A-GPS
      • GLONASS
      • GPS
      • 4G
  • Android 6.0, Google Maps

• Sony Xperia M2
  • Caractéristiques techniques :
    • http://www.sonymobile.com/fr/products/phones/xperia-m2/
    • Capteurs :
      • Accéléromètre
      • Boussole
      • Lumière ambiante
      • Proximité
    • Communication / Réseaux :
      • Wifi 802.11 a/b/g/n/n 5GHz
      • Bluetooth 4.0
      • A-GPS
      • GLONASS
      • GPS
      • 4G
  • Android 4.4, Google Maps

Liste des capteurs mais aussi Data collectés par le Mobile, utilisés pour le projet :

• GPS et réseau mobile pour obtenir la position de l'utilisateur

Listes des SDK et API pour l'accès à ces informations :

• GPS, réseau mobile pour obtenir la position de l’utilisateur
• SDK et cible : Android (https://developer.android.com/about/versions/android-4.3.html)
• API :
  • Google RoadMaps (https://developers.google.com/maps/documentation/roads/intro)
• Environnement de logiciel : Android
• Version OS : 4.3

Le projet est-il faisable ? Oui, tous nos appareils sont équipés d’un GPS qui nous permettra de géolocaliser l’utilisateur à des intervalles de temps régulier. L’utilisateur n’a pas besoin d’avoir une connexion à internet permanente. En effet, les données collectées seront transmise au serveur à la fin du parcours.

• Le SDK d’Android nous permettra d’avoir accès aux données du GPS et d’envoyer des “Proximity Alert” quand le téléphone s’approche d’une certaine zone https://developer.android.com/reference/android/location/LocationManager.html#addProximityAlert(double, double, float, long, android.app.PendingIntent)
• L’API Google RoadMaps nous permettra de définir le parcours et d’obtenir des points qui appartiennent à la route prise par notre utilisateur

L’idée dans un premier temps était de réaliser des statistiques sur les différents trajets de Bob au fil des mois afin d’extraire les horaires à éviter ou même les portions de trajets qui posent problèmes. Réaliser de simples statistiques ne nécessitent aucun algorithme d’apprentissage il s’agit d’attribuer à chaque trajet une plage horaire et de faire la moyenne des plages horaires pour connaître la meilleure heure de départ pour un jour donné.

Nous avons donc décidé de faire évoluer le projet pour tenir compte de cette problématique d’apprentissage. L’idée est connaissant :

• Le jour
• L’heure de départ
• Le numéro du checkpoint qu’il vient d’atteindre
• Le temps mis pour atteindre ce checkpoint

Nous allons calculer l’heure d’arrivée en fonction des précédents relevés réalisées.

Pour le moment nous hésitons encore sur quel algorithme utilisée entre machine de vecteurs et système neuronal, les 2 permettent de donner en sortie une estimation du temps restant. Malgré nos hésitations, nous allons dans un premier temps partir sur un algorithme SVM.

Algorithme SVM (machines à vecteurs de support) :

• Traitement du signal et de la mesure
  • Échantillonnage : Coordonnées GPS
  • Filtrage : Création de checkpoints parmis les coordonnées
  • Calcul de la mesure : Calcul des vitesses moyennes et des temps de trajet
• Reconnaissance d’activité
  • Supervisé
  • Métrique : GPS