Weakly Supervised Performance Evaluation of Trajectory Clustering

Avec l'avènement des nouvelles technologies au cours des dernières décennies, les techniques de collecte de données ont évolué et changé considérablement. Des appareils moins chers et plus récents ont facilité les tâches de collecte de données, tandis que la culture de la science ouverte a contribué à la disponibilité des ensembles de données collectées. D'autre part, les innovations technologiques et les méthodes d'analyse en constante amélioration ont facilité la tâche de traitement des données. Si ces changements technologiques contribuent à une évolution de l'analyse des données, les capacités humaines restent limitées. Par conséquent, les tâches manuelles peuvent potentiellement ralentir ce processus. Les méthodes d'apprentissage non supervisées constituent une solution pour résoudre le problème de la gestion et de l'analyse des mégadonnées. Les algorithmes de groupement (“clustering”), comme sont appelées les méthodes d'apprentissage non supervisées qui traitent de l'assignation des données à des catégories, jouent ici un rôle clé.Les études de circulation sont un domaine qui a largement utilisé ces algorithmes. Les trajectoires, en tant que source majeure d'informations dans les études de circulation, ont vu de nombreuses applications des méthodes de groupement. Cependant, dans la plupart des cas, l'évaluation des performances de ces méthodes a été négligé.