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

UNIVERSITE NATIONALE DU VIETNAM, HANOI
INSTITUT 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

MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE

HANOI - 2015


UNIVERSITE NATIONALE DU VIETNAM, HANOI
INSTITUT 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 MAAG
Professeur Département RS2M
Télécom 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 résultats
qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées
dans 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 2015
Évry, Ngày 18 tháng 11 năm 2015

LE Thi Hien

Table des matières
Table des matières

i

Remerciements

ii

Résumé

iii

Abstract

iv

Liste des figures

v

Liste des tableaux

vi

Introduction

1

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
2
4
4
5
5

.
.
.
.

6
6
8
11
12

3 Proposition de modèle de mobilité
3.1 Idée principale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Proposition de modèle de mobilité . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13
13
13
19

4 Implémentation et Résultats
4.1 Introduction de l’outil utilisé
4.2 Simulation sous la plate-forme
4.3 Analyse du résultat . . . . . .
4.4 Conclusion . . . . . . . . . .

20
20
22
29
40

.
.
.
.
.

.
.

.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.

.
.
.

.
.
.
.
.

.
.
.
.
.

2 État de l’art
2.1 Pattern de mobilité . . . . . . . . . . . . . .
2.2 STEPS – une approche pour le modèle de la
2.3 Modèle de Shiddhartha Raj Bhandari et Al.
2.4 Conclusion . . . . . . . . . . . . . . . . . .

. . . . .
GAMA
. . . . .
. . . . .

.
.
.

.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

. . . . .
mobilité
. . . . .
. . . . .

.
.
.
.

.
.
.
.

.
.
.

.

.
.
.
.

.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

. . . . . .
humaine .
. . . . . .
. . . . . .

.
.
.
.

.
.

.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.

.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.

.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.

.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.

.
.
.
.

.
.
.
.

Conclusion

41

Bibliographie

43

A Exemple pour les deux modèles

45

i


Remerciements
J’adresse mes remerciements aux personnes qui m’ont aidées dans la réalisation de ce mémoire.

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 guidé dans
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) pour
tout ce qu’ils m’ont apporté pendant le Master 1 et aussi le Master 2. Et je remercie également
Monsieur NGUYEN Hong Quang, le responsable de la spécialité RSC pour leur aide 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 département RS2M
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 serais
absolument pas où je suis aujourd’hui. Je les remercie sincèrement pour leur gentillesse et leur
soutien inconditionnel et constant, pour m’avoir donné du courage et de l’espoir, pour être
toujours 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.

ii


Résumé
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 commentaires sur ces
modèles et expliquons pourquoi ils ne sont pas réalistes.
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 le
comportement humain. Avec le modèle STEPS, nous allons déterminer la destination pour les
piétons en nous basant sur la distance entre les zones et la valeur d’attraction. Après avoir

déterminé la destination, les piétons vont se déplacer vers cette destination 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
- GAMA (GAma Modeling Language) qui nous permet de modéliser les agents (piétons, écrans
publicitaires), leurs activiés, et l’impact entre eux.
Après avoir exécuté la simulation sous GAMA, les résultats obtenus ont été analysés par
des 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 basée
agents, GAMA.

iii


Abstract
In this paper, we study and integrate mobile patterns for pedestrians in a simulator oriented
mobile agents.
First, we present the mobility models, give comments on this models and explain why they
are not realistic.
Then, we propose a mobility model based two models that are the STEPS model and the
model of Shiddhartha Raj Bhandari and Al. to simulate human behavior. With the STEPS
model, we will determine the destination for pedestrians based on the distance between the
areas and the attraction value. After determining the destination, pedestrians will move to that
destination based on the model of Shiddhartha Raj Bhandari and Al.
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 to
optimize the placement of smart urban furniture, intelligently display the real-time content and

find the desired content.

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

iv


Liste des figures
1.1
1.2

Organisation de TSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Plan de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2
5

2.1

Classification des modèles de mobilité . . . . . . . . . . . . . . . . . . . . . . . .

6

3.1
3.2
3.3

Détermination la destination . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Déplacement à la destination . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Affichage informations sur l’écran . . . . . . . . . . . . . . . . . . . . . . . . . . .

14
15
16

4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
4.17
4.18
4.19
4.20
4.21
4.22
4.23
4.24

Avantages de GAMA . . . . . . . . . . . . . . . .
Logiciel OpenJUMP . . . . . . . . . . . . . . . .
Carte d’une petite ville . . . . . . . . . . . . . . .
Impact de mobilité sur les écrans . . . . . . . . .
Premier cas d’affichage des bonnes informations .
Deuxième cas d’affichage des bonnes informations
Simulation sous la plate-forme GAMA . . . . . .
Position des écrans et des magasines . . . . . . .
Nombre de la pubilicité de chaque écran . . . . .
Évaluation de l’impact de l’écran sur les piétons .
Impact des piétons sur l’écran 1 . . . . . . . . . .
Impact des piétons sur l’écran 2 . . . . . . . . . .
Impact des piétons sur l’écran 3 . . . . . . . . . .
Impact des piétons sur l’écran 4 . . . . . . . . . .
Impact des piétons sur l’écran 5 . . . . . . . . . .
Capacité d’attraction de chaque magasin . . . . .
Taux de chaque type d’intérêt pour magasin 1 . .
Taux de chaque type d’intérêt pour magasin 3 . .
Taux de chaque type d’intérêt pour magasin 4 . .
Taux de chaque type d’intérêt pour magasin 6 . .
Taux de chaque type d’intérêt pour magasin 7 . .
Taux de chaque type d’intérêt pour magasin 8 . .
Taux de chaque type d’intérêt pour magasin 9 . .
Taux de chaque type d’intérêt pour magasin 10 .

20
22
23
26

27
28
32
33
33
34
35
35
36
36
36
37
37
38
38
38
39
39
39
40

v

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.


Liste des tableaux
2.1
2.2

Commentaire sur les modèles de mobilité . . . . . . . . . . . . . . . . . . . . . .
Comparaison entre les modèles de mobilité . . . . . . . . . . . . . . . . . . . . . .

7
12

4.1
4.2
4.3
4.4
4.5
4.6

Représentation des piétons . . . . . . . . .
Liste des intérêts . . . . . . . . . . . . . .
Vitesse des piétons . . . . . . . . . . . . .
Valeur de la probabilité de chaque type de
Position de l’écran . . . . . . . . . . . . .
Valeur d’attraction de chaque magasin . .

23
24
24
25
26
33

. . . . .
. . . . .
. . . . .
piétons
. . . . .

. . . . .

vi

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.


Introduction
Les géographes ont utilisées depuis fort longtemps l’expression de « réseau urbain » pour
désigner l’ensemble des villes d’une région, d’un état, voir d’un continent. C’est l’expansion
de la hiérarchie 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, les villes d’un pays ou d’une région forment un ensemble hiérarchisé dominé par une ou
plusieurs métropoles (L’importance d’une métropole dépend de son poids démographique et de
ses fonctions économiques, politiques et culturelles. On distingue trois types de métropoles). Dans
un réseau urbain, les gens et leurs mouvements ont un rôle important car ils influent directement
sur 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, il
existe 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
les gens ne se déplacent pas par hasard, ils vont souvent à certains lieux, pendant un certain
temps associé, et ce, en fonction des leurs habitudes de vie. Donc, ce sont des modèles qui ne
sont 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 partie 2.1. Mais tous sont difficiles
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 plateforme basée agents.
Pour des raisons de simplification, le travail a été divisé en sous-parties composées de quatre
chapitres. Le premier chapitre est consacré au contexte du stage, ses objectifs et au laboratoire où
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 que

nous 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’analyse
des résultats. Et enfin, une conclusion et perspectives pour terminer ce rapport.

1. source : />
1


Chapitre 1

Présentation du stage
1.1

Présentation du laboratoire
Les activités de recherche en TIC (les Technologies de l’Information et de la Communica-

tion) à Télécom SudParis sont structurées en six départements thématiques, un laboratoire de
recherche CNRS (Centre National de la Recherche Scientifique) et une équipe de recherche CNRS
qui totalisent plus d’une certaine d’enseignants-chercheurs. Les équipes de recherche sont reconnues pour leur excellence et évaluées dans ce cadre par l’AERES (l’Agence d’Évaluation de la
Recherche et de l’Enseignement Supérieur). Les développements scientifiques en TIC bénéficient
en outre de l’expertise des quatre départements de Telecom Ecole de Management.

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
html

: />

2


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, Administration des Réseaux
Une équipe de recherche CNRS :
ARTEMIS : équipe ingénierie multimédia du laboratoire MAP5 URM 8145 : Mathématiques
Appliquées de Paris 5.
Mon stage s’effectue sous la supervision de M. Stéphane MAAG qui est professeur à Télécom
SudParis. J’ai fait mon stage dans le département RS2M 2 (Réseaux et Services 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 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 domaines ou secteurs d’application.
Modélisation, contrôle et gestion de ressources et services réseaux
Couvrant notamment la mobilité, la configuration dynamique et l’adaptation des réseaux
mobiles, fixes et informatiques.
Le département RS2M forme des ingénieurs, des doctorants et des chercheurs dans le domaine des réseaux et services mobiles en collaboration avec des partenaires clefs de l’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) du domaine réseaux de

SAMOVAR : UMR 5157 du CNRS.

2. source : />
3


1.2

Contexte du stage
Aujourd’hui, les entreprises cherchent à attirer plus de clients. Pour cela elles utilisent des

moyens d’information tels que l’Internet, la télévision, la radiodiffusion, la presse. Ajoutées à cette
liste, les entreprises utilisent fortement les panneaux d’affichages (billboards) pour informer les
clients de leurs promotions, les nouvelles offres, etc.
Les panneaux d’affichages dont nous parlons ici sont de grands écrans numériques qui affichent des informations fixes. C’est ce que l’on retrouve dans la rue, les aéroports ou dans les
centres commerciaux. Ces panneaux d’affichages sont un moyen bien connu pour attirer l’attention 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 ces
écrans. Mais, ces écrans ne sont pas intelligents, c’est-à-dire qu’ils affichent seulement des informations 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 leur
attention.
Comment mettre en place ces genres de panneaux ? Comment communiquent-ils avec les
périphériques 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 répartition

des villes dans l’espace et, les relations entre elles et l’influence exercée par les villes sur les
territoires". "Dans le langage courant, l’expression réseau urbain désigne les infrastructures de
voiries, 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 les
réseaux 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 affiche les bonnes informations pour attirer le nombre maximal de piétons quand ils sont autour de lui. En plus, il nous
permettra de connaitre l’impact de la mobilité sur l’écran et aussi de l’écran sur cette mobilité.

3. source : />
4


1.4

Description du stage
Ce stage fait parti du projet URSA 4 (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 fondé
sur la mobilité des utilisateurs et la diffusion de publicités par des éléments fixes. Dans notre
sujet, nous allons modéliser la diffusion de publicités pour les réseaux 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 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 comment
afficher les bonnes informations sur les écrans et comment la mobilité peut être impactée par les
affichages.

1.5

Conclusion
Dans le premier chapitre, nous avons fait une présentation du laboratoire de travail - dépar-

tement RS2M, Telecom SudParis où le stage a été effectué et le contexte, l’objectif, la description
du stage.
Notre contribution au stage concerne l’étude, l’implémentation et l’expérimentation de patterns de mobilité de piétons au sein d’un simulateur orienté agents mobiles.

4. source : />5. source : />
5


Chapitre 2

État de l’art
2.1

Pattern de mobilité
Le pattern de mobilité ou le modèle de mobilité est conçu pour décrire le mouvement des

utilisateurs mobiles, et comment leurs localisations, vitesses et accélérations changent fil du temps

[3].

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 différents. Chaque modèle a aussi des caractères différents.
1. source : />
6


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
Modèles
Random Waypoint Model
(RWPM)
Random Direction Model
Random Walk Model (RWM)
Reference Point Group Model
(RPGM)
Column Mobility Model
Normadic Community Mobility
Pursue Mobility Model
Exponential Correlated Model
Gauss-Markov Model
Pathway Mobility Model
Manhattan Mobility Model
FreewayMobility Model
Obstacle Mobility Model

Commentaires
C’est un modèle qui est très connu dans la
communauté de recherche [5]. Il est simple
mais il ne reflète pas la réalité et il est considéré
comme “nuisible” dans certains cas d’après [19].
Ils sont similaires au modèle RWPM. On peut
considérer qu’ils sont deux modèles spécifiques
du modèle RWPM [3].
Il simule le comportement de groupe [11].
(Les nœuds se déplacent en groupes et
le leader détermine le mouvement des membres [12].)
Ils sont similaires au modèle RPGM.
Ces modèles et le modèle RPGM présentent
la caractéristique de la dépendance spatiale
de la vitesse [3].
Il résout le problème de la vitesse rapide
et des changements de direction du modèle RWM
et du modèle RWPM , mais il manque encore
la capacité d’imitation d’actions comme
le groupe ou l’évitement d’obstacles [8].
Ils intègrent les contraintes géographiques dans
le modèle de mobilité 1 . Il est difficile
à simuler parce qu’on doit dépendre
de ces contraintes.

Il existe d’autres modèles comme :
SLAW (Self-similar Least Action Walk) [13] qui a été construit par l’extraction de caractéristiques statistiques du mouvement humain dans la vie réelle. Mais ses paramètres d’entrée sont
très complexes à installer pour le simuler[14] et les résultats de la performance de protocole de
routage ne sont pas comparés avec les traces réelles [15], [16].
STEP (Spatio-TEmporal mobility Model) [10] est proposé en se basant sur des expériences

GPS et en suivant le mouvement d’environ 200 élèves dans deux campus universitaires. De
nombreux modèles existants ne peuvent pas capturer les caractéristiques temporelles et leurs
corrélations 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 modèle
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 pas réalistes
car ils modélisent un déplacement aléatoire, c’est à dire qu’ils ne modélisent pas le mouvement
des piétons dans la vie réelle. Alors nous présentons deux modèles de mobilité réalistes en détail
dans les parties 2.2 et 2.3.

7


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 certaines
places plus que d’autres. Par exemple : le bureau, l’école, etc. On dit que ces lieux ont plus de
valeur 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 proportionnelle 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 de
Markov 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 nœud
peut se déplacer librement selon un modèle de mobilité aléatoire comme Random Waypoint (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 puissance dont 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 pmf
probability mass function) de la loi de puissance est représentée :
P [D = d] =

β
(1)
(1 + d)α

• D = d est la variable aléatoire discrète qui représente la distance à partir de la zone
préférentielle Zpref , il est défini par la formule de distance Chebyshev.
DChebyshev (a,b) = max(|ai − bi |),
i

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 : />
8

Distance Minkowski
d(i,j) =

q

(|xi1 − xj1 |)q + (|xi2 − xj2 |)q + ... + (|xip − xjp |)q

(1ere dimension, 2eme dimension, ..., peme dimension)
Distance Euclidienne (q=2)
d(i,j) =

2

(|xi1 − xj1 |)2 + (|xi2 − xj2 |)2 + ... + (|xip − xjp |)2

Distance Manhattan (q=1)
d(i,j) = |xi1 − xj1 | + |xi2 − xj2 | + ... + |xip − xjp |
Distance Chebyshev (q → ∞)
n

|xi − yi |q )1/q = max(|x1 − y1 |,|x2 − y2 |, ..., |xn − yn |)

d∞ (X,Y ) = lim (
q→∞

i=1

Example : matrice de distance 2D :X1 (2,8) etX2 (6,3)

Distance Euclidean : d(1,2) =

2

(|2 − 6|)2 + (|8 − 3|)2 =

Distance Manhattan : d(1,2) = |2 − 6| + |8 − 3| = 9
Distance Chebyshev : d(1,2) = max(|2 − 6|, |8 − 3|) = 5

9

√

41


• α ∈ R est l’exposant d’une loi de puissance (power law exponent) qui représente la puissance d’attraction (attractor power ) de la zone Zpref .
α < 0 : les nœuds ont une haute probabilité pour choisir une distance plus longue qu’une distance
courte.
α > 0 : les nœuds sont plus localisés.
α = 0 : les nœuds se déplacent aléatoirement d’une zone à une autre avec une probabilité uniforme.
L’expression(1) n’a de sens que pour α > 1, qui est en effet une exigence pour une forme de
loi de puissance à normaliser [6]. Dans l’article [7], l’auteur a démontré α = 1.75 ± 0.15 pour le
déplacement humain.
• β est une constante normale (normalizing constant). Car l’expression (1) est pdf donc, il
doit satisfaire à la condition : le total des probabilités égale un 3 .
C’est-à-dire : avec les valeurs d et α déterminées, on peut calculer β par la formule :
1

f (d) = 1 → β =

(1 + d)−α

d
d

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 away
from 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
8
9
10

while t has not elapsed do do
Perform Random Waypoint movement in zi ;
end
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 : />
10


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 distribués
par hasard dans l’espace de la simulation.
Normalement on peut définir la valeur d’attraction pour chaque zone, mais dans la simulation, 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 des points
attirants.
S est inversement proportionnelle à la distance euclidienne entre le nœud et le point d’attraction :
S∝

1
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 va
choisir 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’il
est 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

7

end

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 basant

sur les informations du tableau ci-dessous :

11


Table 2.2: Comparaison entre les modèles de mobilité
Caractéristiques
Voies horizontales
et verticales

Random Waypoint
Pas de voies horizontales et
verticales. Les nœuds se
déplacent aléatoirement autour
de la zone de simulation

Point de croisement

Pas de point de croisement

Point d’attraction

Pas de point d’attraction

Mouvement
de nœud

Les nœuds se déplacent

aléatoirement dans la zone
de simulation
Les nœuds sont libres de se
déplacer. Aucuns chemins de
mouvement sont spécifiés
Aucune incorporation de
comportement social de nœuds
mobiles

Changement de
comportement
de la voie
Comportement
social

2.4

Shiddhartha Raj Bhandari et Al
Représente les voies créées pour
les voyageurs à pied et le scénario
d’exposition
Représente le point de croisement
où les visiteurs peuvent changer
leur voie pendant leur mouvement
Représente les points d’attraction
qui sont les stands spécifiques
au sein de l’exposition considérée
Les nœuds se déplacent à partir des
voies verticales et horizontales vers
des points fixes, points d’attraction

Le nœud change de voie sur la base
actuelle des points d’attraction
Intègre un comportement social
de nœuds mobiles. Les gens essaient
de suivre le point d’attraction qui est
proche et populaire parmi les autres

Conclusion
Dans ce chapitre, nous avons présenté et étudiés succintement les patterns de mobilité avec

certaines de leurs caractéristiques. Nous avons également fait l’introduction en détaillant 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.
Pour mieux comprendre ces modèles, il faut voir l’exemple dans [l’annexe A]. Dans ces deux
modèles, il y a des avantages et aussi des inconvénients, donc nous allons sélectionner les points
qui conviennent aux caractéristiques de notre projet. Tout cela sera présenté dans le troisième
chapitre.

12


Chapitre 3

Proposition de modèle de mobilité
3.1

Idée principale
Les deux derniers modèles (modèle STEPS et modèle de Shiddhartha Raj Bhandari et Al.)

que nous avons vus dans le chapitre précédent modélisent bien les déplacements des humains

dans la vie réelle. Mais dans le modèle STEPS, après le calcul de la probabilité, l’auteur choisit
aléatoirement la distance d, ce qui n’est pas vraiment réaliste. Par contre, dans le modèle de
Shiddhartha Raj Bhandari et Al., il choisit seulement la destination, il ne montre pas clairement
le déplacement du départ à la destination. Nous combinons donc les points forts de ces deux
modèles 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 informations qui intéressent les piétons) sur les écrans quand les piétons se trouvent dans sa zone de
portée (la zone de connexion) et la modification qu’apporte cet affichage sur les mouvements des
piétons.
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 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.

13


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. pour
choisir 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 le
point d’attraction :
S∝

1
distance euclidienne de noeud au point d attraction

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

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 basant

sur 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
6

Perform Random Waypoint movement in zwork ;
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 pattern
Random Way Point.

15


(À chaque pas de temps, un noeud est sélectionné au hasard, une destination et il s’y déplacera avec une vitesse qui est choisie par hasard entre vmin et vmax . Après avoir atteint la
destination , le noeud s’arrête pendant une période de temps qui est définie par le paramètre
”pause − time” - le temps de séjour. Après ce temps, le nœud continuera à sélectionner par
hasard 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 pas
immobiles, nous faisons des déplacements entre endroits. Par exemple : la cantine, la salle de
réunion, la cafétéria, etc. ou quand nous allons au super marché nous faisons des déplacements
pour 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 le
tableau 4.2). Donc, nous assignons les intérêts au piéton comme un vecteur contenant les valeurs

différentes : [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 chaque
personne est différent. Nous avons 10 catégories différentes, donc :
Valeur Hbi =rnd(9)
Quand le piéton passe dans une zone de connexion (zconnect ) où il y a un écran de publicité,
un message est donc envoyé à cet écran. Ce message contient des informations sur les intérêts du
piéton.

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 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 intérêts pour chaque
type et trouver la meilleure valeur.
Valeur d’intérêt de l’écran = max(
i

16

Hbi ), i ∈ [0,9]