Des réseaux de mobilités comme un graphe attribué : partitionnement par des méthodes basées sur la distance

Les données de mobilité peuvent être modélisées comme un graphe, qu'il s'agisse d'un réseau physique comme le réseau routier, ou d’un réseau défini par les connexions entre les ? points d’entrée et de sortie d’un système de transport. Le clustering de ces graphes permet d’identifier des communautés ou de segmenter des réseaux complexes. Après un aperçu de ces (sans le ces ? ou des quelques exemples de/certains ... ? c'est juste le ces qui me fait un peu bizarre ici) données de mobilité, cet exposé s'interessera aux graphes attribués, où chaque arête ou nœud est enrichi d’informations (courbes de flux, histogrammes de vitesse, etc.). Pour tenir compte à la fois de la structure topologique du graphe et des attributs, nous nous concentrerons ici sur des méthodes de partitionnement basées sur les distances, en particulier les k-Fréchet means et des méthodes issues du transport optimal, utilisant la distance de Gromov–Wasserstein. Leurs performances seront évaluées à l’aide d’un cadre de simulation, analysant la sensibilité au bruit et l’influence du choix de la structure cible, puis illustrées sur des données réelles de trafic urbain et de vélo en libre-service.