Skip to Main content Skip to Navigation
Theses

Spatial decision support in urban environments using machine learning, 3D geo-visualization and semantic integration of multi-source data

Résumé : La quantité et la disponibilité sans cesse croissantes de données urbaines dérivées de sources variées posent de nombreux problèmes, notamment la consolidation, la visualisation et les perspectives d’exploitation maximales des données susmentionnées. Un problème prééminent qui affecte l’urbanisme est le choix du lieu approprié pour accueillir une activité particulière (service social ou commercial commun) ou l’utilisation correcte d’un bâtiment existant ou d’un espace vide. Dans cette thèse, nous proposons une approche pour aborder les défis précédents rencontrés avec les techniques d’apprentissage automatique, le classifieur de forêts aléatoires comme méthode dominante dans un système qui combine et fusionne divers types de données provenant de sources différentes, et les code à l’aide d’un nouveau modèle sémantique. qui peut capturer et utiliser à la fois des informations géométriques de bas niveau et des informations sémantiques de niveau supérieur et les transmet ensuite au classifieur de forêts aléatoires. Les données sont également transmises à d'autres classificateurs et les résultats sont évalués pour confirmer la prévalence de la méthode proposée. Les données extraites proviennent d’une multitude de sources, par exemple: fournisseurs de données ouvertes et organisations publiques s’occupant de planification urbaine. Lors de leur récupération et de leur inspection à différents niveaux (importation, conversion, géospatiale, par exemple), ils sont convertis de manière appropriée pour respecter les règles du modèle sémantique et les spécifications techniques des sous-systèmes correspondants. Des calculs géométriques et géographiques sont effectués et des informations sémantiques sont extraites. Enfin, les informations des étapes précédentes, ainsi que les résultats des techniques d’apprentissage automatique et des méthodes multicritères, sont intégrés au système et visualisés dans un environnement Web frontal capable d’exécuter et de visualiser des requêtes spatiales, permettant ainsi la gestion de trois processus. objets géoréférencés dimensionnels, leur récupération, transformation et visualisation, en tant que système d'aide à la décision.
Document type :
Theses
Complete list of metadatas

Cited literature [97 references]  Display  Hide  Download

https://tel.archives-ouvertes.fr/tel-02449667
Contributor : Abes Star :  Contact
Submitted on : Wednesday, January 22, 2020 - 5:57:07 PM
Last modification on : Thursday, January 23, 2020 - 1:40:00 AM
Document(s) archivé(s) le : Thursday, April 23, 2020 - 5:15:41 PM

File

2019LIMO0083.pdf
Version validated by the jury (STAR)

Identifiers

  • HAL Id : tel-02449667, version 1

Collections

Citation

Nikolaos Sideris. Spatial decision support in urban environments using machine learning, 3D geo-visualization and semantic integration of multi-source data. Artificial Intelligence [cs.AI]. Université de Limoges, 2019. English. ⟨NNT : 2019LIMO0083⟩. ⟨tel-02449667⟩

Share

Metrics

Record views

328

Files downloads

247