Étude de similarité et clustering de trajectoires d objets mobiles
|
|
- Géraldine Rancourt
- il y a 8 ans
- Total affichages :
Transcription
1 Étude de similarité et clustering de trajectoires d objets mobiles Mohamed Khalil EL MAHRSI Télécom ParisTech - BILab, Département Informatique et Réseaux Tutoriel sur l extraction de connaissances des traces d objets mobiles - EGC 2010 Similarité et clustering de trajectoires Tutoriel EGC 2011
2 Introduction Il y a quelques années... Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
3 Introduction!"#"$%&'())* +"#&%,-./&0 12-#, #,&4+562&%-. 7-#-/8,0,09 :1;;74())*< ( Aujourd hui : un "boom" dans les technologies de communications mobiles et de géolocalisation...!"# $%&#'#(()*+,'-(%-.):?&@A-/B,-00&##,/())C/D EEEF95&2G33F5"< D-*9-1*1'%*)"9*-4*=;%'%*(%$#?%'*T D-*9-1*%$%&*4%%,*=;)=*9-1*)&%*=&)?<%(T!"#"$%&'())* +"#&%,-./&0 12-#, #,&4+562&%-. 7-#-/8,0,09 :1;;74())*< > Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
4 Introduction LBS : foursquare, Gowalla, Facebook places... Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
5 Introduction Waze : aide à la navigation avec cartes construites et mises à jour par les remontées GPS des utilisateurs... Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
6 Motivations et intérêt Plusieurs domaines applicatifs ; Trafic routier : Détection et étude de situations de congestion ; Covoiturage. Biologie Étude du comportement migratoire des animaux ; Étude de l effet de la planification des routes sur la faune sauvage. Météorologie Étude du comportement des ouragans. etc. Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
7 Pourquoi le clustering? Extraction de connaissances cachées ; Mouvements de groupes ; Tendances et patterns ; Un moyen pour résumer l information... Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
8 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références Similarité et clustering de trajectoires Introduction Tutoriel EGC 2011
9 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
10 Objectif de l étude de similarité entre trajectoires "In terms of similarity-based retrieval, we are interested in the movement shape of the trajectories ; sequences of sampled vectors are important in measuring similarity between two trajectories and time components can be ignored." [Chen et al., 2005] l intérêt porte sur la dimension spatiale ; la dimension temporelle est negligée ; les fonctions de distance doivent être robustes face à différents facteurs : bruit ; différence entre taux d échantillonnage ; facteurs d échelle, etc. Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
11 Distance Euclidienne Distance Euclidienne (ED) : Soient T et T deux trajectoires de même longueur n : ED(T, T ) = q Pn i=1 dist(p i, P i ) où dist(p i, P i ) = (x i x i )2 + (y i y i )2. Les deux trajectoires doivent avoir la même longueur (c.à-d. le même nombre de points) ; Pas de gestion de la distorsion du temps ; Très sensible au bruit. Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
12 Dynamic Time Warping Dynamic Time Warping (DTW ) 1 Soient T et T deux trajectoires de longueurs respectives n et n : DTW (T, T ) = 0 si n = n = 0 si n = 0 ou n = 0 dist(p 1, P 1 )+ min{dtw (Reste(T ), Reste(T )), DTW (Reste(T ), T ), DTW (T, Reste(T ))} sinon Implémentation par programmation dynamique ; Capable de gérer la distorsion du temps ; Sensible au bruit. 1. Reste(T ) : reste de la trajectoire T après suppression de son premier point Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
13 Longest Common Subsequence [Vlachos et al., 2002] Longest Common Subsequence (LCSS) Soient T et T deux trajectoires de longueurs respectives n et n : 0 si n = 0 ou n = 0 LCSS(T, T LCSS(Reste(T ), Reste(T ) = )) + 1 max{lcss(reste(t ), T ), si dist(p 1, P 1 ) ɛ sinon LCSS(T, Reste(T ))} Capable de gérer la distorsion temporelle ; Robuste en présence de bruit ; Ne donne pas de renseignements sur la taille des parties différentes entre sous-séquences communes. Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
14 Edit Distance with Real Penalty [Chen and Ng, 2004] Edit Distance with Real Penalty (ERP) Soient T et T deux trajectoires de longueurs respectives n et n : P n 1 dist(p i, g) si n = 0 P n ERP(T, T 1 ) = dist(p i, g) si n = 0 min{erp(reste(t ), Reste(T )) + dist(p 1, P 1 ), ERP(Reste(T ), T ) + dist(p 1, g), sinon ERP(T, Reste(T )) + dist(p 1, g)} Basée sur la distance d édition ; Capable de gérer la distorsion du temps ; Sensible à la présence du bruit ; Le recours à une distorsion du temps est pénalisé (constante dist(, g)). Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
15 Edit Distance on Real Sequence [Chen et al., 2005] Edit Distance on Real Sequence (EDR) Soient T et T deux trajectoires de longueurs respectives n et n : n si n = 0 EDR(T, T n si n = 0 ) = min{edr(reste(t ), Reste(T )) + cout 2, EDR(Reste(T ), T ) + 1, sinon EDR(T, Reste(T )) + 1} Capable de gérer la distorsion du temps ; Robuste en présence de bruit. 2. cout = 0 si dist(p 1, P 1) ɛ sinon cout = 1 Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
16 x Exemple I Soient les trajectoires : Q = [(t 1, 1), (t 2, 2), (t 3, 3), (t 4, 4)] ; R = [(t 1, 10), (t 2, 9), (t 3, 8), (t 4, 7)] ; S = [(t 1, 1), (t 2, 40), (t 3, 2), (t 4, 3), (t 5, 4)] ; P = [(t 1, 1), (t 2, 40), (t 3, 41), (t 4, 2), (t 5, 4)] t Q R S P Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
17 Exemple II x Q R S P t Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
18 Exemple III x Q R S P t Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
19 x Exemple IV Classement des trajectoires R,S et P par rapport à leur similarité à Q (ɛ = 1) : ED : R < S < P ; DTW : R < S < P ; ERP : R < S < P ; LCSS : S = P < R ; EDR : S < P < R Q R S P t Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
20 Résumé Distance Distorsion du temps Bruit Métrique Complexité ED non non oui O(n) DTW oui non non O(n 2 ) LCSS oui oui non O(n 2 ) ERP oui non oui O(n 2 ) EDR oui oui non O(n 2 ) Table: Caractéristiques des différentes fonctions de distance. Distances définies sur la totalité des trajectoires et non pas sur des parties (c.à-d. sous-trajectoires) ; Dimension temporelle non prise en compte. Similarité et clustering de trajectoires Recherche de similarité entre trajectoires Tutoriel EGC 2011
21 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références
22 Clustering (Cluster Analysis) Définition : Clustering Organiser un ensemble d individus X en classes C 1,..., C k telles que : Les individus similaires appartiennent à une même classe ; Les individus dissimilaires appartiennent à des classes différentes. Le clustering est une méthode de classification non supervisée.
23 Étapes clés du clustering Choix de la représentation des données ; Définition d un critère de similarité pour le regroupement des individus ; Algorithme de clustering ; Abstraction des résultats ; Évaluation de la qualité des clusters générés.
24 Différents clusters construits à partir d un même jeu de données
25 Quelques approches Par partitionnement des données : Les données sont divisées en un ensemble de clusters disjoints. Chaque individu appartient à un et un seul cluster. Hiérarchiques : Une hiérarchie de clusters est établie et représentée sous forme d un arbre (dendrogramme). Basées sur la densité : Les clusters sont construits à partir des régions denses dans le jeu de données. etc.
26 k-means 234*"$(! " # $!"#"$%&'())* +"#&%,-./&0 12-#, #,&4+562&%-. 7-#-/8,0,09 :1;;74())*< =?
27 Clustering hiérarchique Deux 6#*+"+01#0"& approches %&'()*+#$, : ascendante (agglomérative) et descendante ; Clustering UB& A"%' $;51-V*)((4&A1#"$%,1 hiérarchique agglomératif "'+ >%,%-%,1 : Commencer avec des clusters formés par les objets individuels ; )((4&A1#"$%,1 À chaque itération, fusionner les deux clusters les plus proches ; S$"#$*B%$9 "44 &/012$- "-*%'+%,%+6"4*246-$1#- Jusqu à avoir un seul cluster global. )$ 1"29 -$15G*A1#(1*$91 $B& A&-$ -%A%4"#*246-$1#- W'$%4 #1-$- &'1 246-$1#*7&# C*246-$1#-8 % " " # %!! # & '(# '(&$ '(& '('$ $ $ '! " # $ % & &/012$-!"#"$%&'())* +"#&%,-./&0 12-#, #,&4+562&%-. 7-#-/8,0,09 :1;;74())*< >@ Figure: Clustering hiérarchique ascendant et dendrogramme
28 DBSCAN [Ester et al., 1996] Algorithme basé sur la densité ; Capable de construire des clusters de forme quelconque ; Le nombre de clusters n est pas spécifié à l avance. database 1 database 2 database 3 Figure: Exemple figure de6: résultats Clusterings obtenus discovered par application by DBSCAN de DBSCAN à des données spatiales. To test the efficiency of DBSCAN and CLARANS, we use the SEQUOIA 2000 benchmark data. The SEQUOIA 2000 benchmark database (Stonebraker et al. 1993) uses real data sets that are representative of Earth Science tasks. There are four types of data in the database: raster data, point data, and on r sults of nificant shape th more, th forms C ciency. Futur First, w bases, h polygon an Eps- DBSCA mension
29 DBSCAN : Notions Densité : nombre de points dans un voisinage de rayon ɛ ; Point principal (core point) : point dont le voisinage contient au moins minpts points ; Point périphérique (border point) : point dont le voisinage contient moins de minpts points mais qui appartient au voisinage d un point principal ; Les points restants sont considérés comme du bruit.!! "#$%!&#'()!!*#$+%$!&#'()!!,#'-%!.minpts = 6/!
30 DBSCAN : Exemple (1/7) Un point est choisi (au hasard) parmi l ensemble des données ; Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
31 DBSCAN : Exemple (2/7) Un point est choisi (au hasard) parmi l ensemble des données ; L ɛ-voisinage du point (c.à-d. les points à une distance ɛ) est inspecté ; Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
32 DBSCAN : Exemple (3/7) Un point est choisi (au hasard) parmi l ensemble des données ; L ɛ-voisinage du point est inspecté ; Si minpts points (au moins) sont présents dans l ɛ-voisinage, un cluster contenant tous ces points est créé ; Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
33 DBSCAN : Exemple (4/7) Un point est choisi (au hasard) parmi l ensemble des données ; L ɛ-voisinage du point est inspecté ; Si minpts points (au moins) sont présents dans l ɛ-voisinage, un cluster contenant tous ces points est créé ; Les ɛ-voisinages des points appartenant au cluster sont inspectés... Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
34 DBSCAN : Exemple (5/7) Un point est choisi (au hasard) parmi l ensemble des données ; L ɛ-voisinage du point est inspecté ; Si minpts points (au moins) sont présents dans l ɛ-voisinage, un cluster contenant tous ces points est créé ; Les ɛ-voisinages des points appartenant au cluster sont inspectés, s ils contiennent suffisamment de points, ces derniers sont ajoutés au cluster ; Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
35 DBSCAN : Exemple (6/7) Un point est choisi (au hasard) parmi l ensemble des données ; L ɛ-voisinage du point est inspecté ; Si minpts points (au moins) sont présents dans l ɛ-voisinage, un cluster contenant tous ces points est créé ; Les ɛ-voisinages des points appartenant au cluster sont inspectés, s ils contiennent suffisamment de points, ces derniers sont ajoutés au cluster ; Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
36 DBSCAN : Exemple (7/7) Un point est choisi (au hasard) parmi l ensemble des données ; L ɛ-voisinage du point est inspecté ; Si minpts points (au moins) sont présents dans l ɛ-voisinage, un cluster contenant tous ces points est créé ; Les ɛ-voisinages des points appartenant au cluster sont inspectés, s ils contiennent suffisamment de points, ces derniers sont ajoutés au cluster ; Les points non attribués à des clusters sont considérés comme du bruit. Figure: Principe de fonctionnement de DBSCAN (minpts = 7).
37 Clustering de trajectoires Plusieurs facteurs entrent dans la définition de la problématique du clustering de trajectoires ; Choix de la représentation des données : géométrique ou symbolique ; Les dimensions considérées : spatiale, temporelle, spatio-temporelle ; Granularité : trajectoires entières, sous-trajectoires, etc. Supposition d un mouvement libre vs intégration des contraintes d un réseau sous-jacent.
38 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références
39 dicates the major behavior of the trajectory partitions (i.e., line segments) that belong to the cluster. Notice that a representative trajectory indicates a common sub-trajectory. Partition and Group Framework /* Grouping [Lee Phase et al., */ 2007] Example 3. Figure 3 shows the overall procedure of trajectory clustering in the partition-and-group framework. First, each trajectory is partitioned into a set of line segments. Second, line segments which are close to each other according to our distance measure are grouped together into a cluster. Then, a representative trajectory is generated for each cluster. TR TR TR (1) Partition A set of trajectories TR 2 TR 1 A representative trajectory Get a set L of line segments using the result; 03: Accumulate L into a set D; /* Figure 12 */ 04: Execute LineSegmentClustering for D; Get a set O of clusters as the result; 05: for each (C O) do /* Figure 15 */ 06: Execute Representative Trajectory Generation; Get a representative trajectory as the result; si Algorithme TRACLUS Figure (TRAjectory 4: The algorithm CLUstering) TRACLUS. en deux phases ; ej 2 2 " 1 " 2 Lj d" = d! l" 1 + l" 2 Partitionnement l"2 sj! : compression d = MIN( l 1, l 2 ) l"1 e i individuelle des trajectoires d! = Lj # sin(! ) (par Li l 2 (2) Group 1 s p l e A cluster A set of line segments Figure 5: Three components of the distance function for lineregroupement segments. : construction Figure 3: An example of trajectory clustering in the partition-and-group Figure: Principe framework. du order 2. Suppose des clusters the projectionavec points ofun the points algorithme sj and ej onto Li are ps and pe, respectively. l 1 is the Euclidean 2.2 Partition-and-Group The TRACLUS Algorithm Framework. distancebasé between sj sur and ps; lal 2 densité is that between (version ej and pe. Figure 4 shows the skeleton of our trajectory clustering d (Li,Lj) = l2 1 + l 2 modifiée de DBSCAN) 2 algorithm TRACLUS. As illustrated in Figure 3, it goes l 1 + ; l 2 (1) through the two phases. It executes three algorithms to Definition 2. The parallel distance between Li and Lj is perform the subtasks (lines 2, 4, and 6). We explain these À l issue de la seconde phase, defined une as Formula trajectoire (2). Suppose the représentative projection points of the est algorithms in Sections 3.3, 4.2, and 4.3. points sj and ej onto Li are ps and pe, respectively. l1 is the minimum of the Euclidean distances of ps to si and ei. 2.3 Distance construite Function pour chaque cluster. Likewise, l2 is the minimum of the Euclidean distances of We now define the distance function used in clustering line pe to si and ei. segments, which is composed of three components: (i) the perpendicular distance (d ), (ii) the parallel distance (d), d(li,lj) = MIN(l1,l2) (2) and (iii) the angle distance (dθ). These components are Remark: The parallel distance in Definition 2 is designed adapted from similarity measures used in the area of pattern to be robust to detection errors, especially broken line segments. recognition [4]. They are intuitively illustrated in Figure 5. Similarité We formally et clustering define thede three trajectoires components through Defini- If we use MAX(l1, l2) instead of MIN(l1, l2), the Clustering de trajectoires Tutoriel EGC 2011 l + l un algorithme de type MDL) ;
40 ectory. TraClus : Fonction /* Figure de 12 */ distance of trajecrk. First, nts. Secccording a cluster. ach clus- s ajectory /* Grouping Phase */ 04: Execute Line Segment Clustering for D; Get a set O of clusters as the result; Distance 05: for divisée each (Cen trois O) docomposantes : /* Figure 15 */ 06: Distance Execute perpendiculaire Representative d ; Trajectory Generation; Distance Getparallèle a representative d ; trajectory as the result; Distance angulaire d θ ; dist(l i, L j ) = w d + w d + w θ d θ. Figure 4: The algorithm TRACLUS. si sj l"1! Lj d! ej l"2 Li l 1 l 2 s e ei l d" = l d 2 " 1 " 1 + l + l! = Lj # 2 " 2 " 2 d = MIN( l 1, l 2 ) sin(! ) p p luster Figure: Figure Composantes 5: Three decomponents la fonction deof distance the distance utiliséefunction dans TraClus for line segments. g in the order 2. Suppose the projection points of the points s j and e j onto L i are p s and p e, respectively. l 1 is the Euclidean
41 algorithm in Section 3.3. TraClus : Phase de partitionnement 3.1 Desirable Properties We aim at finding the points where the behavior of a trajectory changes rapidly, which we call characteristic points. Échantillonnage From a trajectory des trajectoires TR i = p 1p 2pd origine 3 p j ppour leni, we nedeter- mine points a set of caractéristiques characteristic points ; {p c1, p c2, p c3,, p cpari conserver que les } (c 1 <c 2 <c 3 < <c pari ). Then, the trajectory TR i is Pointpartitioned caractéristique at every= characteristic point où un point, changement and each partition considérable de vitesse is represented ou de direction by a line s est segment produit between ; two consecutive characteristic points. That is, TR i is partitioned into a set of Utilisation (par i 1) d un linealgorithme segments {p c1 de p c2 type, p c2 p c3 MDL,,(Minimal p cpari Description 1 pcpar }. i Length) We; call such a line segment a trajectory partition. Figure 6 shows an example of a trajectory and its trajectory partitions. pc 2 pc pc 4 3 p5 7 p6 p4 p p3 p2 : characteristic point : trajectory partition p8 p1 pc1 TRi Figure 6: An example of a trajectory and its trajectory partitions. de partitionnement du partition-and-group framework Figure: Phase The length The optimal partitioning of a trajectory should possess we encode th two desirable properties: preciseness and conciseness. Pre- the encoded the MDL pr Figure 7 Suppose a tr of characteri we formulate notes the le clidean dista resents the s On the oth L(D H) repr jectory and jectory parti this trajecto k c j+1 1 difference, w the angle dis since a traje L(D H) =
42 TraClus : Phase de regroupement Extension des concepts de DBSCAN aux segments ; Un segment est dit segment principal s il y a au moins minseg segments dans son ɛ voisinage ; Un cluster n est retenu définitivement que si un nombre suffisant de trajectoires y ont participé.
43 gain full practical potential from trajectory clustering, this representative trajectory is absolutely required. TraClus : Construction Figure 13 illustrates de trajectoires our approach of generating représentatives a representative trajectory. A representative trajectory is a sequence of points RT R i = p 1p 2p 3 p j p leni (1 i num clus). These points are determined using a sweep line approach. While sweeping a vertical line across line seg- Pour chaque mentscluster, in the direction une trajectoire of the major axis représentative of a cluster, we fictive est count the number of the line segments hitting the sweep générée ; line. This number changes only when the sweep line passes a starting point or an ending point. If this number is equal Une lignetodeor balayage greater than MinLns, est utilisée we compute pourtheparcourir average coor-ldinate of those line segments with respect to the major axis cluster (perpendiculairement à sa direction moyenne) ; and insert the average into the representative trajectory; otherwise, we skip the current point (e.g., the 5th and 6th positions in Figure 13). Besides, if a previous point is located too close (e.g., the 3rd position in Figure 13), we skip the current point to smooth the representative trajectory. Des points sont créés au début/fin d un segment sweep MinLns = 3 Figure 13: An example of a cluster and its representative trajectory. Figure: Principe de la construction d une trajectoire représentative We explain the above approach in more detail. To represent the major axis of a cluster, we define the average direction vector in Definition 11. We add up vectors instead of their direction vectors (i.e., unit vectors) and normalize the result. This is a nice heuristic giving the effect of a longer 8! x" 1 x 1 Figure 14: Rota Figure 15 shows the a Generation. We first c tor and rotate the axes sort the starting and end rotated axis (lines 3 4) ending points in the sor line segments and comp line segments (lines 5 1 Algorithm Representa Input: (1) A cluster C i (3) A smoothing Output: A representati Algorithm: 01: Compute the averag 02: Rotate the axes so t 03: Let P be the set of t the line segments in /* X -value denotes 04: Sort the points in th 05: for each (p P) do /* count num p 06: Let num p be th that contain the 07: if (num p Min 08: diff := the d and i 09: if (diff γ)
44 Variantes TraClass, algorithme de classification de trajectoires par clustering hiérarchique (basé sur les régions et sur les trajectoires) [Lee et al., 2008b]. TRAOD, algorithme de détection d outliers utilisant le principe partition-and-detect [Lee et al., 2008a].
45 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références
46 Clusters mobiles [Kalnis et al., 2005] Définition : Cluster mobile Un cluster mobile est une séquence de clusters spatiaux denses qui apparaissent à des instants consécutifs et tels que deux clusters spatiaux possèdent un grand nombre d objets mobiles en commun. [Kalnis et al., 2005]
47 MC1 : Algorithme de base [Kalnis et al., 2005] À chaque instant t i l algorithme DBSCAN est exécuté pour générer les clusters spatiaux ; Ensuite, l intersection des clusters spatiaux avec les candidats retenus à t i 1 est calculée ; Si un candidat est étendu (par l existence d un cluster spatial qui partage avec lui un nombre important d objets) alors il est retenu pour l itération d après ; Sinon, il est immédiatement signalé et retiré des candidats.
48 MC1 : Exemple!!!!!! "! " " "! #!! #!$!!! & " #! $ # "!!% "! %! $! %!!! "! # Figure: Exemple d un cluster Fig. 1. Example mobileof sur a moving 3 snapshots cluster consécutifs. O 1 quitte le CM à t 2 tandis que O 5 le rejoint. loss of generality, we assume that the locations of each object were sampled at every timestamp during o i.t. We refer to o i.t, as the lifetime of o i. A snapshot S i of H is the set of objects and their locations at time t i. S i is a subset of S, since not all objects in S necessarily existed at t i. Formally, S i = {o j S : t i o j.t }. Given a snapshot S i, we can employ a standard spatial clustering algorithm, like DBSCAN [5] to identify dense groups of objects in S i which are close to each other and Similarité et clustering the density trajectoires of the group meets the density Clustering constraints de(minpts trajectoires and ) of the clustering Tutoriel EGC 2011
49 Clusters mobiles Deux autres versions proposées : MC2 réduit le nombre de jointures (pour le calcul des intersections) ; MC3 réduit le nombre d exécutions de DBSCAN (mais résultats approximatifs). Des objets mobiles peuvent, à tout instant, rejoindre ou partir du cluster ; Aucune contrainte de durée minimale n est imposée.
50 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références
51 Flock Patterns Plusieurs définitions dans la littérature. Flock ([Benkert et al., 2006] et [Vieira et al., 2009]) Un Flock(minObj, ɛ, duree) est un groupe d au moins minobj objets mobiles dont les positions se trouvent dans un même disque de rayon ɛ pendant exactement duree instants successifs. g algorithms as the base erence between these two lusters are joined between ever, neither of them can e clusters do not assume le, in Figure 2(a) convoy T 3} for θ =3andfor3 ) it does not return noth- = 1 then moving clusters ) and (b). On the other T 1,T 2,T 3} in Figure 2(a) ut the last one is not a urn results based on the flock pattern it would rehe reason is that in both nse areas (t but 2 jusqu à they do not t 4 ). em. oduced in [5, 4, 17], withg time. Later [10] intro- Figure 3: Flock pattern example Figure: Deux flock patterns : f 1 = {T 1, T 2, T 3 } (t 1 jusqu à t 3 ) et f 2 = {T 4, T 5, T 6 } In the above definition, a flock pattern can be viewed as a tube shape formed by the centers c and expanded with diameter ɛ, andhavinglengthδ (consecutive time instants)
52 Travaux existants [Laube et al., 2004] Définition du flock pattern (sans notion de durée) ; [Benkert et al., 2006] Introduction de la notion de durée + plusieurs méthodes approchées pour découvrir des flock patterns ; [Gudmundsson and van Kreveld, 2006] Détection de flock patterns de durée maximale ; [Al-Naymat et al., 2007] Amélioration de [Benkert et al., 2006] par utilisation de projections aléatoires ; [Vieira et al., 2009] Méthodes exactes pour découvrir des flock patterns à la volée.
53 BFE (Basic Flock Evaluation) [Vieira et al., 2009] À chaque instant t tous les disques possibles (de rayon ɛ et contenant minobj objets mobiles sont générés) ; Une structure de grille est utilisée pour accélérer la génération des disques ; Les disques sont comparés (jointure) avec les flocks candidats à l instant t ; Tout flock qui satisfait la contrainte de durée est affiché directement (ne sera pas étendu davantage).
54 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références
55 Convoy Patterns t O 1 O 2 O 3 O 4 O 5 Définition : Convoy Un Convoy(minObjs, ɛ, mintemps) est un groupe d objets qui restent densément-connectés (par rapport à minobjs et ɛ) pendant au moins mintemps instants consécutifs. [Jeung et al., 2008] y Figure: Exemple d un convoy contenant cinq objets (O 1, O 2, O 3, O 4 et O 5 ) pendant trois instants consécutifs. x
56 L algorithme CMC (Coherent Moving Clusters) pour découverte de convoy patterns Algorithme de construction séquentielle de convoy patterns ; Paramètres : minobjs : nombre minimum d objets mobiles dans un convoy (équivalent de minpts dans DBSCAN) ; ɛ : paramètre pour DBSCAN ; mintemps : durée minimale (en nombre d instants consécutifs) d un convoy.
57 CMC : Principe de fonctionnement À chaque instant t i : DBSCAN est exécuté (avec ɛ et minobjs) pour construire des clusters spatiaux ; Les clusters spatiaux sont comparés (opération d intersection) avec les convoys candidats retenus à t i 1 ; Un convoy candidat qui est étendu par un cluster spatial est retenu pour t i+1 ; Un convoy candidat non étendu est affiché s il satisfait toutes les conditions (rejeté sinon).
58 Exemple d exécution de CMC (1/3) O 1 O 2 O 3 O 4 t 3 Timestamp Clusters Candidats 1 {O 1, O 2, O 3 } (1 1, {O 1, O 2, O 3 }) 2 y 1 x Figure: Exécution de CMC (minobjs = 2, mintemps = 3).
59 Exemple d exécution de CMC (2/3) O 1 O 2 O 3 O 4 t 3 Timestamp Clusters Candidats 1 {O 1, O 2, O 3 } (1 1, {O 1, O 2, O 3 }) 2 {O 1, O 2 } (1 2, {O 1, O 2 }) 2 y 1 x Figure: Exécution de CMC (minobjs = 2, mintemps = 3).
60 Exemple d exécution de CMC (3/3) O 1 O 2 O 3 O 4 t 3 Timestamp Clusters Candidats 1 {O 1, O 2, O 3 } (1 1, {O 1, O 2, O 3 }) 2 {O 1, O 2 } (1 2, {O 1, O 2 }) 3 {O 1, O 2 }, (1 3, {O 1, O 2 }), {O 3, O 4 } (3 3, {O 3, O 4 }) 2 1 y x Figure: Exécution de CMC (minobjs = 2, mintemps = 3).
61 Plan 1 Introduction 2 Recherche de similarité entre trajectoires Distance Euclidienne Dynamic Time Warping (DTW) Longest Common Subsequence (LCSS) Edit Distance with Real Penalty (ERP) Edit Distance on Real Sequence (EDR) 3 Clustering de trajectoires TraClus Cluster mobiles Flock Patterns Convoy Patterns Clustering de trajectoires contraintes 4 Références
62 Clustering de trajectoires contraintes Dans plusieurs cas de figure, le mouvement des objets mobiles obéit aux contraintes d un réseau sous-jacent ; Ex. les véhicules se déplaçant sur un réseau routier ; Deux conséquences importantes : Représentation du réseau (graphe orienté ou non, etc.) et des trajectoires (symbolique, avec notion du temps, etc.) ; Choix d une mesure de similarité qui capture la nature du 2 Gook-Pil réseau. Roh et al. T A T B T C Fig. 1. Spatial proximity on road networks Figure: Dans le cas d un mouvement non contraint, T C est plus similaire à T B que T A contrairement au cas contraint. spatial proximity from the viewpoint of the road network (hereafter we call this proximity road-network proximity). To illustrate, Figure 1 presents three trajec-
63 Clustering hiérarchique de trajectoires [Roh and Hwang, 2010] Algorithme de clustering hiérarchique spatial pour trajectoires contraintes ; Choix de représentation : Réseau routier : graphe non orienté, les nœuds constituent les intersections et les arêtes constituent les segments routiers ; Trajectoires : suite des segments traversés.
64 Distances utilisées Distance entre deux segments R i et R j : { d d(r i, R j ) = max (Ri, R j ), } d (R j, R i ) ; d (Ri, R j ) = max {min { r i,s, r j,s, r i,s, r j,e }, min { r i,e, r j,s, r i,e, r j,e }}. 3 6 Gook-Pil Roh et al. R i R d (Ri,R j j ) d (Rj,R i ) Figure: Fig. 3. Distance An example entreof deux roadsegments distance R i et R j. 4.2 Trajectory 3. a, b estdistance le pcc entre les deux nœuds a et b
65 Distance entre deux trajectoires Distance entre deux trajectoires TR i = [ [ ] t1 i,..., n] ti et TR j = t j 1,..., tj m : { D D(TR i, TR j ) = max (TRi, TR j ), } D (TR j, TR i ) ; D (TRi, TR j ) = max t i a TR min i t j TR d(ti b j a, t j b ) ; NNCluster: An Efficient Clustering Algorithm for Road Network Trajectories 7 A B Figure: Fig. Distance 4. Meaning entre of deux trajectory trajectoires distance A et B. Proof. Given two trajectories TR i, TR j and TR k,equation3and4satisfythe following Similarité et properties. clustering de trajectoires Clustering de trajectoires Tutoriel EGC 2011
66 Procédure de clustering Une matrice de distance est générée pour tous les clusters (initialement les trajectoires individuelles) ; Les clusters les plus proches sont fusionnés et la matrice est mise à jour ; Les fusions s arrêtent lorsque le tout est compris dans le même cluster ; Une version alternative NNCluster (utilisant le principe des NN) est également présentée dans [Roh and Hwang, 2010].
67 L algorithme NETSCAN [Kharrat et al., 2008] Algorithme de clustering spatial pour trajectoires contraintes, basé sur la densité ; Clustering effectué en deux phases : Découverte de "chemins denses" (Clustering des segments) ; Affectation des trajectoires aux chemins denses (Clustering des trajectoires).
68 tures with the DBSCAN algorithm and it is based on two steps: Étapes du!" clustering #$%&'()*+,&-$.')+/*0')1*&-$*)$&2(.3*4,&-5*&-,&*,.$*&-$*1$)5$5&*')*&$.65* (0*6(7')+*(89$%&5*&.,)5'&')+*()*&-$6"* :" ;.,9$%&(.<*+,&-$.')+/*0(.*$,%-*4,&-=*+,&-$.*&-$*&.,9$%&(.<*5'6'>,.*&(*'&"* Cluster trajectories (Culs i ) Road Network Clus 2 Clus 1 C 1 Tr 1 C 2 Tr 2 Set of dense roads C 1 C 2 Fig. 2. Trajectory clustering Example by NETSCAN Algorithm Figure: Les deux phases de l algorithme NETSCAN.." /(,0(+'-#$%&'()*+,- The first part of the proposed algorithm, NETSCAN-PHASE 1, which is described here, performs the segment clustering.
69 Représentation des données Le réseau routier est un ensemble de sections à partir duquel une matrice de transitions M est calculée. Clustering Algorithm for Network Constraint Trajectories""""""! S 1 S 2 S 3 70 S1 & # S 1 S2 85 S $! 2 $ S 3! S $ % ! 3 " 90 Figure: Exemple d une matrice de transitions M associée au réseau routier. Fig. 1. Transitions Matrix assigned to the road network. We adopt a symbolic representation of the trajectories (Du Mouza and Rigaux, 2004), (Savary et al., 2004). In this representation, moving objects appear as a sequence of symbols where each one refers to one road section. TR=<S i1,..,s in> The symbols order shows the movement direction. Une trajectoire TR est une séquence de transitions :!"# $%&%'()%*+,-.(/0)., TR =< S i1, S i2,..., S in >. The similarity is the base of the clustering operation. We define the similarity at two levels. At the network level, the similarity is computed between two transitions as the difference of their density values. This measure concerns only the consecutive transitions. Sim_segment (M(i,j) = M(i,j) M(j,k) $3.2.1#
70 Mesures de similarité Similarité entre deux transitions : Sim(S ij, S uv ) = M(i, j) M(u, v) (si u = j ou v = i, 0 sinon) ; Similarité entre deux trajectoires : Sim_traj(Traj1, Traj_Ref ) = longueur(partie commune) longueur(traj_ref ) ;
71 Phase 1 : clustering des segments Paramètres : ɛ : différence maximale entre les densités de deux transitions voisines ; α : densité minimale pour une transition ; Principe : Sélectionner la transition la plus dense ; Essayer d étendre la transition dans les deux sens (avec les transitions qui la suivent et qui la précèdent) ; Répéter ce traitement jusqu à inspection de toutes les transitions.
72 Phase 2 : clustering des trajectoires Paramètre : σ seuil de similarité minimale. Chaque trajectoire est comparée avec tous les chemins denses générés dans phase 1 ; Lorsque la similarité entre la trajectoire et le chemin dense est supérieure à σ alors elle est ajoutée au cluster représenté par ce dernier ;
73 DENSITYLINK [Kharrat et al., 2009] Extension des travaux dans [Kharrat et al., 2008] ; Intégration de la notion du temps ; Définition 3 : La période couverte par le jeu de données est divisée en intervalles de temps réguliers ; Une matrice de transitions est générée pour chaque intervalle. S S S Algorithme NETSCAN S S 1 S S2 S 2 S S3 S 3 S S S Figure 1 : Similarité et clustering de trajectoires Clustering de trajectoires Tutoriel EGC 2011
74 DENSITYLINK [Kharrat et al., 2009] NETSCAN est exécuté sur chaque intervalle pour trouver les chemins denses ; Les chemins denses sont corrélés sur les différents intervalles pour générer un graphe décrivant leur évolution temporelle. Figure 9:
75 Conclusions Trop de formulations possibles ; Une majorité de méthodes sont basées sur le concept de densité ; Evaluation des résultats du clustering? Exploitation des résultats fournis?
76 Références I Al-Naymat, G., Chawla, S., and Gudmundsson, J. (2007). Dimensionality reduction for long duration and complex spatio-temporal queries. In SAC 07 : Proceedings of the 2007 ACM symposium on Applied computing, pages , New York, NY, USA. ACM. Benkert, M., Gudmundsson, J., Hübner, F., and Wolle, T. (2006). Reporting flock patterns. In ESA 06 : Proceedings of the 14th conference on Annual European Symposium, pages , London, UK. Springer-Verlag. Chen, L. and Ng, R. (2004). On the marriage of lp-norms and edit distance. In VLDB 04 : Proceedings of the Thirtieth international conference on Very large data bases, pages VLDB Endowment. Chen, L., Özsu, M. T., and Oria, V. (2005). Robust and fast similarity search for moving object trajectories. In SIGMOD 05 : Proceedings of the 2005 ACM SIGMOD international conference on Management of data, pages , New York, NY, USA. ACM. Ester, M., Ester, M., Kriegel, H.-p., S, J., and Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. pages Gudmundsson, J. and van Kreveld, M. (2006). Computing longest duration flocks in trajectory data. In GIS 06 : Proceedings of the 14th annual ACM international symposium on Advances in geographic information systems, pages 35 42, New York, NY, USA. ACM. Similarité et clustering de trajectoires Références Tutoriel EGC 2011
77 Références II Jeung, H., Yiu, M. L., Zhou, X., Jensen, C. S., and Shen, H. T. (2008). Discovery of convoys in trajectory databases. Proc. VLDB Endow., 1(1) : Kalnis, P., Kalnis, P., Mamoulis, N., and Bakiras, S. (2005). On discovering moving clusters in spatio-temporal data. IN SSTD, pages Kharrat, A., Popa, I. S., Zeitouni, K., and Faiz, S. (2008). Clustering algorithm for network constraint trajectories. In Ruas, A. and Gold, C. M., editors, SDH, Lecture Notes in Geoinformation and Cartography, pages Springer. Kharrat, A., Popa, I. S., Zeitouni, K., and Faiz, S. (2009). Caractérisation de la densité de trafic et de son évolution à partir de trajectoires d objets mobiles. In Menga, D. and Sedes, F., editors, UbiMob, volume 394 of ACM International Conference Proceeding Series, pages ACM. Laube, P., van Kreveld, M., and Imfeld, S. (2004). Finding remo - detecting relative motion patterns in geospatial lifelines. In 11th International Symposium on Spatial Data Handling, pages Lee, J.-G., Han, J., and Li, X. (2008a). Trajectory outlier detection : A partition-and-detect framework. In ICDE 08 : Proceedings of the 2008 IEEE 24th International Conference on Data Engineering, pages , Washington, DC, USA. IEEE Computer Society. Similarité et clustering de trajectoires Références Tutoriel EGC 2011
78 Références III Lee, J.-G., Han, J., Li, X., and Gonzalez, H. (2008b). Traclass : trajectory classification using hierarchical region-based and trajectory-based clustering. Proc. VLDB Endow., 1(1) : Lee, J.-G., Han, J., and Whang, K.-Y. (2007). Trajectory clustering : a partition-and-group framework. In SIGMOD 07 : Proceedings of the 2007 ACM SIGMOD international conference on Management of data, pages , New York, NY, USA. ACM. Roh, G.-P. and Hwang, S.-w. (2010). Nncluster : An efficient clustering algorithm for road network trajectories. In Kitagawa, H., Ishikawa, Y., Li, Q., and Watanabe, C., editors, Database Systems for Advanced Applications, volume 5982 of Lecture Notes in Computer Science, pages Springer Berlin Heidelberg. Vieira, M. R., Bakalov, P., and Tsotras, V. J. (2009). On-line discovery of flock patterns in spatio-temporal data. In GIS 09 : Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, pages , New York, NY, USA. ACM. Vlachos, M., Gunopoulos, D., and Kollios, G. (2002). Discovering similar multidimensional trajectories. In ICDE 02 : Proceedings of the 18th International Conference on Data Engineering, page 673, Washington, DC, USA. IEEE Computer Society. Similarité et clustering de trajectoires Références Tutoriel EGC 2011
Clustering par optimisation de la modularité pour trajectoires d objets mobiles
Clustering par optimisation de la modularité pour trajectoires d objets mobiles Mohamed K. El Mahrsi, Télécom ParisTech, Département INFRES 46, rue Barrault 75634 Paris CEDEX 13, France Fabrice Rossi,
Plus en détailAPPENDIX 6 BONUS RING FORMAT
#4 EN FRANÇAIS CI-DESSOUS Preamble and Justification This motion is being presented to the membership as an alternative format for clubs to use to encourage increased entries, both in areas where the exhibitor
Plus en détailApplication Form/ Formulaire de demande
Application Form/ Formulaire de demande Ecosystem Approaches to Health: Summer Workshop and Field school Approches écosystémiques de la santé: Atelier intensif et stage d été Please submit your application
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailExercices sur SQL server 2000
Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table
Plus en détailGAME CONTENTS CONTENU DU JEU OBJECT OF THE GAME BUT DU JEU
GAME CONTENTS 3 wooden animals: an elephant, a Polar bear and an African lion 1 Playing Board with two tree stumps, one red and one blue 1 Command Board double sided for two game levels (Green for normal
Plus en détailTHÈSE. présentée à TÉLÉCOM PARISTECH. pour obtenir le grade de. DOCTEUR de TÉLÉCOM PARISTECH. Mention Informatique et Réseaux. par.
École Doctorale d Informatique, Télécommunications et Électronique de Paris THÈSE présentée à TÉLÉCOM PARISTECH pour obtenir le grade de DOCTEUR de TÉLÉCOM PARISTECH Mention Informatique et Réseaux par
Plus en détailInstructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00
Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00 HFFv2 1. OBJET L accroissement de la taille de code sur la version 2.0.00 a nécessité une évolution du mapping de la flash. La conséquence de ce
Plus en détailINSTITUT MARITIME DE PREVENTION. For improvement in health and security at work. Created in 1992 Under the aegis of State and the ENIM
INSTITUT MARITIME DE PREVENTION For improvement in health and security at work Created in 1992 Under the aegis of State and the ENIM Maritime fishing Shellfish-farming Sea transport 2005 Le pilier social
Plus en détailInstructions Mozilla Thunderbird Page 1
Instructions Mozilla Thunderbird Page 1 Instructions Mozilla Thunderbird Ce manuel est écrit pour les utilisateurs qui font déjà configurer un compte de courrier électronique dans Mozilla Thunderbird et
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailLe passé composé. C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past!
> Le passé composé le passé composé C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past! «Je suis vieux maintenant, et ma femme est vieille aussi. Nous n'avons pas eu d'enfants.
Plus en détailModélisation d objets mobiles dans un entrepôt de données
Tao Wan, Karine Zeitouni Laboratoire PRISM, Université de Versailles 45, avenue des Etats-Unis, 78035 Versailles Cedex, France Tao.Wan@prism.uvsq.fr, Karine.Zeitouni@prism.uvsq.fr http://www.prism.uvsq.fr/users/karima/
Plus en détailInterest Rate for Customs Purposes Regulations. Règlement sur le taux d intérêt aux fins des douanes CONSOLIDATION CODIFICATION
CANADA CONSOLIDATION CODIFICATION Interest Rate for Customs Purposes Regulations Règlement sur le taux d intérêt aux fins des douanes SOR/86-1121 DORS/86-1121 Current to August 4, 2015 À jour au 4 août
Plus en détailStratégie DataCenters Société Générale Enjeux, objectifs et rôle d un partenaire comme Data4
Stratégie DataCenters Société Générale Enjeux, objectifs et rôle d un partenaire comme Data4 Stéphane MARCHINI Responsable Global des services DataCenters Espace Grande Arche Paris La Défense SG figures
Plus en détailNatixis Asset Management Response to the European Commission Green Paper on shadow banking
European Commission DG MARKT Unit 02 Rue de Spa, 2 1049 Brussels Belgium markt-consultation-shadow-banking@ec.europa.eu 14 th June 2012 Natixis Asset Management Response to the European Commission Green
Plus en détailSupport Orders and Support Provisions (Banks and Authorized Foreign Banks) Regulations
CANADA CONSOLIDATION CODIFICATION Support Orders and Support Provisions (Banks and Authorized Foreign Banks) Regulations Règlement sur les ordonnances alimentaires et les dispositions alimentaires (banques
Plus en détailComprendre l impact de l utilisation des réseaux sociaux en entreprise SYNTHESE DES RESULTATS : EUROPE ET FRANCE
Comprendre l impact de l utilisation des réseaux sociaux en entreprise SYNTHESE DES RESULTATS : EUROPE ET FRANCE 1 Objectifs de l étude Comprendre l impact des réseaux sociaux externes ( Facebook, LinkedIn,
Plus en détailImproving the breakdown of the Central Credit Register data by category of enterprises
Improving the breakdown of the Central Credit Register data by category of enterprises Workshop on Integrated management of micro-databases Deepening business intelligence within central banks statistical
Plus en détail0 h(s)ds et h [t = 1 [t, [ h, t IR +. Φ L 2 (IR + ) Φ sur U par
Probabilités) Calculus on Fock space and a non-adapted quantum Itô formula Nicolas Privault Abstract - The aim of this note is to introduce a calculus on Fock space with its probabilistic interpretations,
Plus en détailForthcoming Database
DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of
Plus en détailContents Windows 8.1... 2
Workaround: Installation of IRIS Devices on Windows 8 Contents Windows 8.1... 2 English Français Windows 8... 13 English Français Windows 8.1 1. English Before installing an I.R.I.S. Device, we need to
Plus en détailEléments de statistique
Eléments de statistique L. Wehenkel Cours du 9/12/2014 Méthodes multivariées; applications & recherche Quelques méthodes d analyse multivariée NB: illustration sur base de la BD résultats de probas en
Plus en détailCLIM/GTP/27/8 ANNEX III/ANNEXE III. Category 1 New indications/ 1 re catégorie Nouvelles indications
ANNEX III/ANNEXE III PROPOSALS FOR CHANGES TO THE NINTH EDITION OF THE NICE CLASSIFICATION CONCERNING AMUSEMENT APPARATUS OR APPARATUS FOR GAMES/ PROPOSITIONS DE CHANGEMENTS À APPORTER À LA NEUVIÈME ÉDITION
Plus en détailLesson Plan Physical Descriptions. belle vieille grande petite grosse laide mignonne jolie. beau vieux grand petit gros laid mignon
Lesson Plan Physical Descriptions Objective: Students will comprehend and describe the physical appearance of others. Vocabulary: Elle est Il est Elle/Il est Elle/Il a les cheveux belle vieille grande
Plus en détailEditing and managing Systems engineering processes at Snecma
Editing and managing Systems engineering processes at Snecma Atego workshop 2014-04-03 Ce document et les informations qu il contient sont la propriété de Ils ne doivent pas être copiés ni communiqués
Plus en détailPRACTICE DIRECTION ON THE LENGTH OF BRIEFS AND MOTIONS ON APPEAL
Tribunal pénal international pour le Rwanda International Criminal Tribunal for Rwanda PRACTICE DIRECTION ON THE LENGTH OF BRIEFS AND MOTIONS ON APPEAL INTRODUCTION In accordance with Rule 107bis of the
Plus en détailScénarios économiques en assurance
Motivation et plan du cours Galea & Associés ISFA - Université Lyon 1 ptherond@galea-associes.eu pierre@therond.fr 18 octobre 2013 Motivation Les nouveaux référentiels prudentiel et d'information nancière
Plus en détailTechnologies quantiques & information quantique
Technologies quantiques & information quantique Edouard Brainis (Dr.) Service OPERA, Faculté des sciences appliquées, Université libre de Bruxelles Email: ebrainis@ulb.ac.be Séminaire V : Ordinateurs quantiques
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailAlgorithmes de recommandation, Cours Master 2, février 2011
, Cours Master 2, février 2011 Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib février 2011 Plan 1. Recommander un nouvel ami (ex : Facebook) 2. Recommander une nouvelle relation
Plus en détailRULE 5 - SERVICE OF DOCUMENTS RÈGLE 5 SIGNIFICATION DE DOCUMENTS. Rule 5 / Règle 5
RULE 5 - SERVICE OF DOCUMENTS General Rules for Manner of Service Notices of Application and Other Documents 5.01 (1) A notice of application or other document may be served personally, or by an alternative
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailContrôle d'accès Access control. Notice technique / Technical Manual
p.1/18 Contrôle d'accès Access control INFX V2-AI Notice technique / Technical Manual p.2/18 Sommaire / Contents Remerciements... 3 Informations et recommandations... 4 Caractéristiques techniques... 5
Plus en détailWEB page builder and server for SCADA applications usable from a WEB navigator
Générateur de pages WEB et serveur pour supervision accessible à partir d un navigateur WEB WEB page builder and server for SCADA applications usable from a WEB navigator opyright 2007 IRAI Manual Manuel
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailInstitut français des sciences et technologies des transports, de l aménagement
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Session 3 Big Data and IT in Transport: Applications, Implications, Limitations Jacques Ehrlich/IFSTTAR h/ifsttar
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailPARIS ROISSY CHARLES DE GAULLE
GPS 2 34 1 E 49 0 46 N GPS* 2 56 56 E 49 0 12 N Votre contact / Your contact: et / and: Accueil : Cabines téléphoniques publiques Reception: Public telephone kiosks Navette Shuttle AÉROPORT DE TT CAR TRANSIT
Plus en détailRISK-BASED TRANSPORTATION PLANNING PRACTICE: OVERALL METIIODOLOGY AND A CASE EXAMPLE"' RESUME
RISK-BASED TRANSPORTATION PLANNING PRACTICE: OVERALL METIIODOLOGY AND A CASE EXAMPLE"' ERTUGRULALP BOVAR-CONCORD Etwiromnental, 2 Tippet Rd. Downsviel+) ON M3H 2V2 ABSTRACT We are faced with various types
Plus en détailFolio Case User s Guide
Fujitsu America, Inc. Folio Case User s Guide I N S T R U C T I O N S This Folio Case is a stylish, lightweight case for protecting your Tablet PC. Elastic Strap Pen Holder Card Holders/ Easel Stops Figure
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailthat the child(ren) was/were in need of protection under Part III of the Child and Family Services Act, and the court made an order on
ONTARIO Court File Number at (Name of court) Court office address Applicant(s) (In most cases, the applicant will be a children s aid society.) Full legal name & address for service street & number, municipality,
Plus en détailVisualizing Start-up Firm Trajectories on Kohonen Maps
Visualizing Start-up Firm Trajectories on Kohonen Maps D. François 1, M. Biga Diambeidou 2, B. Gailly 2, V. Wertz 1, M. Verleysen 3 Université catholique de Louvain 1 Machine Learning Group CESAME, av.
Plus en détailNORME INTERNATIONALE INTERNATIONAL STANDARD. Dispositifs à semiconducteurs Dispositifs discrets. Semiconductor devices Discrete devices
NORME INTERNATIONALE INTERNATIONAL STANDARD CEI IEC 747-6-3 QC 750113 Première édition First edition 1993-11 Dispositifs à semiconducteurs Dispositifs discrets Partie 6: Thyristors Section trois Spécification
Plus en détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailRÉSUMÉ DE THÈSE. L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile
RÉSUMÉ DE THÈSE L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile avec des estimations de deux projets sur trois peinent à donner un résultat satisfaisant (Nelson,
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailPackage Contents. System Requirements. Before You Begin
Package Contents DWA-125 Wireless 150 USB Adapter CD-ROM (contains software, drivers, and manual) Cradle If any of the above items are missing, please contact your reseller. System Requirements A computer
Plus en détailVISUALISATION DE NUAGES DE POINTS
ARNAUD BLETTERER MULTI-RÉSOLUTION 1/16 VISUALISATION DE NUAGES DE POINTS MULTI-RÉSOLUTION AU TRAVERS DE CARTES DE PROFONDEUR Arnaud Bletterer Université de Nice Sophia Antipolis Laboratoire I3S - Cintoo
Plus en détailThe new consumables catalogue from Medisoft is now updated. Please discover this full overview of all our consumables available to you.
General information 120426_CCD_EN_FR Dear Partner, The new consumables catalogue from Medisoft is now updated. Please discover this full overview of all our consumables available to you. To assist navigation
Plus en détailINVESTMENT REGULATIONS R-090-2001 In force October 1, 2001. RÈGLEMENT SUR LES INVESTISSEMENTS R-090-2001 En vigueur le 1 er octobre 2001
FINANCIAL ADMINISTRATION ACT INVESTMENT REGULATIONS R-090-2001 In force October 1, 2001 LOI SUR LA GESTION DES FINANCES PUBLIQUES RÈGLEMENT SUR LES INVESTISSEMENTS R-090-2001 En vigueur le 1 er octobre
Plus en détailFédération Internationale de Handball. b) Règlement du but
Fédération Internationale de Handball b) Règlement du but Edition: Septembre 2007 Table des matières Page 1. Généralités 3 2. Caractéristiques techniques des buts de handball 3 3. Dimensions et schéma
Plus en détailFirst Nations Assessment Inspection Regulations. Règlement sur l inspection aux fins d évaluation foncière des premières nations CONSOLIDATION
CANADA CONSOLIDATION CODIFICATION First Nations Assessment Inspection Regulations Règlement sur l inspection aux fins d évaluation foncière des premières nations SOR/2007-242 DORS/2007-242 Current to September
Plus en détailNotice Technique / Technical Manual
Contrôle d accès Access control Encodeur USB Mifare ENCOD-USB-AI Notice Technique / Technical Manual SOMMAIRE p.2/10 Sommaire Remerciements... 3 Informations et recommandations... 4 Caractéristiques techniques...
Plus en détailM2-Images. Rendu Temps Réel - OpenGL 4 et compute shaders. J.C. Iehl. December 18, 2013
Rendu Temps Réel - OpenGL 4 et compute shaders December 18, 2013 résumé des épisodes précédents... création des objets opengl, organisation des données, configuration du pipeline, draw,... opengl 4.3 :
Plus en détailPaxton. ins-20605. Net2 desktop reader USB
Paxton ins-20605 Net2 desktop reader USB 1 3 2 4 1 2 Desktop Reader The desktop reader is designed to sit next to the PC. It is used for adding tokens to a Net2 system and also for identifying lost cards.
Plus en détailrecommandation Domaine : Informatique, Intelligence Artificielle, Modélisation de préférences
Modélisation des utilisateurs atypiques dans les systèmes de recommandation Directeur de thèse : Anne BOYER Si le directeur de thèse n'apparait pas dans le menu déroulant, vous pouvez indiquer cette information
Plus en détailRAPID 3.34 - Prenez le contrôle sur vos données
RAPID 3.34 - Prenez le contrôle sur vos données Parmi les fonctions les plus demandées par nos utilisateurs, la navigation au clavier et la possibilité de disposer de champs supplémentaires arrivent aux
Plus en détailI>~I.J 4j1.bJ1UlJ ~..;W:i 1U
~I ~~I ~ ~WI~I ~WI ~~'~.M ~ o~wj' js'~' ~ ~JA1ol..;l.:w I>~I.J 4j1.bJ1UlJ ~..;W:i 1U Exercice 1: Le modele TCP/IP est traditionnellement considere comme une pile de 5 couches. Pour chaque couche, expliquer
Plus en détailCaroline Hurault-Delarue 1, Cécile Chouquet 2, Nicolas Savy 2, Isabelle Lacroix 1, Christine Damase- Michel 1
Trajectoires individuelles d'exposition aux psychotropes au cours de la grossesse et partitionnement en fonction du profil d'exposition : utilisation des K-means pour données longitudinales Caroline Hurault-Delarue
Plus en détailParallélisation de l algorithme des k-médoïdes. Application au clustering de courbes.
Parallélisation de l algorithme des k-médoïdes. Application au clustering de courbes. Benjamin Auder 1 & Jairo Cugliari 2 1 Laboratoire LMO. Université Paris-Sud. Bât 425. 91405 Orsay Cedex, France. benjamin.auder@math.u-psud.fr
Plus en détailLe No.1 de l économie d énergie pour patinoires.
Le No.1 de l économie d énergie pour patinoires. Partner of REALice system Economie d énergie et une meilleure qualité de glace La 2ème génération améliorée du système REALice bien connu, est livré en
Plus en détailPréconisations pour une gouvernance efficace de la Manche. Pathways for effective governance of the English Channel
Préconisations pour une gouvernance efficace de la Manche Pathways for effective governance of the English Channel Prochaines étapes vers une gouvernance efficace de la Manche Next steps for effective
Plus en détailThank you for choosing the Mobile Broadband USB Stick. With your USB Stick, you can access a wireless network at high speed.
Thank you for choosing the Mobile Broadband USB Stick. With your USB Stick, you can access a wireless network at high speed. Note: This manual describes the appearance of the USB Stick, as well as the
Plus en détail1.The pronouns me, te, nous, and vous are object pronouns.
1.The pronouns me, te, nous, and vous are object pronouns.! Marie t invite au théâtre?!! Oui, elle m invite au théâtre.! Elle te parle au téléphone?!! Oui, elle me parle au téléphone.! Le prof vous regarde?!!!
Plus en détailCloud Computing: de la technologie à l usage final. Patrick CRASSON Oracle Thomas RULMONT WDC/CloudSphere Thibault van der Auwermeulen Expopolis
Cloud Computing: de la technologie à l usage final Patrick CRASSON Oracle Thomas RULMONT WDC/CloudSphere Thibault van der Auwermeulen Expopolis ADOPTION DU CLOUD COMPUTING Craintes, moteurs, attentes et
Plus en détailETABLISSEMENT D ENSEIGNEMENT OU ORGANISME DE FORMATION / UNIVERSITY OR COLLEGE:
8. Tripartite internship agreement La présente convention a pour objet de définir les conditions dans lesquelles le stagiaire ci-après nommé sera accueilli dans l entreprise. This contract defines the
Plus en détailGuide d installation Deco Drain inc. DD200
Guide d installation Deco Drain inc. DD200 Pour plus informations et pour télécharger les guides d installation en couleur, visitez notre site web. www.decodrain.com Soutien technique : Composez le : 514-946-8901
Plus en détailAUDIT COMMITTEE: TERMS OF REFERENCE
AUDIT COMMITTEE: TERMS OF REFERENCE PURPOSE The Audit Committee (the Committee), assists the Board of Trustees to fulfill its oversight responsibilities to the Crown, as shareholder, for the following
Plus en détailEnglish Q&A #1 Braille Services Requirement PPTC 144918. Q1. Would you like our proposal to be shipped or do you prefer an electronic submission?
English Q&A #1 Braille Services Requirement PPTC 144918 Q1. Would you like our proposal to be shipped or do you prefer an electronic submission? A1. Passport Canada requests that bidders provide their
Plus en détailPractice Direction. Class Proceedings
Effective Date: 2010/07/01 Number: PD - 5 Title: Practice Direction Class Proceedings Summary: This Practice Direction describes the procedure for requesting the assignment of a judge in a proceeding under
Plus en détailCheque Holding Policy Disclosure (Banks) Regulations. Règlement sur la communication de la politique de retenue de chèques (banques) CONSOLIDATION
CANADA CONSOLIDATION CODIFICATION Cheque Holding Policy Disclosure (Banks) Regulations Règlement sur la communication de la politique de retenue de chèques (banques) SOR/2002-39 DORS/2002-39 Current to
Plus en détailOnce the installation is complete, you can delete the temporary Zip files..
Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une
Plus en détailDiscours du Ministre Tassarajen Pillay Chedumbrum. Ministre des Technologies de l'information et de la Communication (TIC) Worshop on Dot.
Discours du Ministre Tassarajen Pillay Chedumbrum Ministre des Technologies de l'information et de la Communication (TIC) Worshop on Dot.Mu Date: Jeudi 12 Avril 2012 L heure: 9h15 Venue: Conference Room,
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailQuick Start Guide This guide is intended to get you started with Rational ClearCase or Rational ClearCase MultiSite.
Rational ClearCase or ClearCase MultiSite Version 7.0.1 Quick Start Guide This guide is intended to get you started with Rational ClearCase or Rational ClearCase MultiSite. Product Overview IBM Rational
Plus en détailDans une agence de location immobilière...
> Dans une agence de location immobilière... In a property rental agency... dans, pour et depuis vocabulaire: «une location» et «une situation» Si vous voulez séjourner à Lyon, vous pouvez louer un appartement.
Plus en détail22/09/2014 sur la base de 55,03 euros par action
CORPORATE EVENT NOTICE: Amortissement d'orane Reprise de cotation PUBLICIS GROUPE S.A. PLACE: Paris AVIS N : PAR_20140902_06559_EUR DATE: 02/09/2014 MARCHE: EURONEXT PARIS Amortissement en titres et en
Plus en détailDATAMINING C4.5 - DBSCAN
14-16 rue Voltaire 94270 Kremlin Bicêtre Benjamin DEVÈZE Matthieu FOUQUIN PROMOTION 2005 SCIA DATAMINING C4.5 - DBSCAN Mai 2004 Responsable de spécialité SCIA : M. Akli Adjaoute Table des matières Table
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailDifferential Synchronization
Differential Synchronization Neil Fraser Google 2009 BENA Pierrick CLEMENT Lucien DIARRA Thiemoko 2 Plan Introduction Stratégies de synchronisation Synchronisation différentielle Vue d ensemble Dual Shadow
Plus en détailLes Portfolios et Moodle Petit inventaire
Les Portfolios et Moodle Petit inventaire Jean.Fruitete@univ-nantes.fr Sommaire Les Portfolios et Moodle Petit inventaire... 1 Introduction... 1 Contexte... 1 Des portfolios utilisés dans la communauté
Plus en détailCalculation of Interest Regulations. Règlement sur le calcul des intérêts CONSOLIDATION CODIFICATION. Current to August 4, 2015 À jour au 4 août 2015
CANADA CONSOLIDATION CODIFICATION Calculation of Interest Regulations Règlement sur le calcul des intérêts SOR/87-631 DORS/87-631 Current to August 4, 2015 À jour au 4 août 2015 Published by the Minister
Plus en détailGestion des prestations Volontaire
Gestion des prestations Volontaire Qu estce que l Income Management (Gestion des prestations)? La gestion des prestations est un moyen de vous aider à gérer votre argent pour couvrir vos nécessités et
Plus en détailPréparer un état de l art
Préparer un état de l art Khalil DRIRA LAAS-CNRS, Toulouse Unité de recherche ReDCAD École Nationale d ingénieurs de Sfax Étude de l état de l art? Une étude ciblée, approfondie et critique des travaux
Plus en détailUtiliser une WebCam. Micro-ordinateurs, informations, idées, trucs et astuces
Micro-ordinateurs, informations, idées, trucs et astuces Utiliser une WebCam Auteur : François CHAUSSON Date : 8 février 2008 Référence : utiliser une WebCam.doc Préambule Voici quelques informations utiles
Plus en détailIntegrated Music Education: Challenges for Teaching and Teacher Training Presentation of a Book Project
Integrated Music Education: Challenges for Teaching and Teacher Training Presentation of a Book Project L enseignement intégré de la musique: Un défi pour l enseignement et la formation des enseignants
Plus en détailConsultants en coûts - Cost Consultants
Respecter l échéancier et le budget est-ce possible? On time, on budget is it possible? May, 2010 Consultants en coûts - Cost Consultants Boulletin/Newsletter Volume 8 Mai ( May),2010 1 866 694 6494 info@emangepro.com
Plus en détailCompte-rendu technique complet et détaillé des cookies
Copte-rendu technique coplet et détaillé des cookies Site Web audité : Date de l audit : 01 Aug 2015 http://www.sd-france.co/ Ce docuent est fourni pour accopagner la gestion du consenteent de MSD France
Plus en détailSpécial Catégorie 6 Patch Cords
Spécial Catégorie 6 Patch Cords Patent Pending Sommaire 1 - Préliminaires... 2 2 Qu est ce qu apporte la catégorie 6... 3 3 Qu est ce que l interopérabilité...3 4 Ce que PatchSee annonçait en septembre
Plus en détailUML : Unified Modeling Language
UML : Unified Modeling Language Recommended: UML distilled A brief guide to the standard Object Modeling Language Addison Wesley based on Frank Maurer lecture, Univ. of Calgary in french : uml.free.fr/index.html
Plus en détailINSERTION TECHNIQUES FOR JOB SHOP SCHEDULING
INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université
Plus en détailvalentin labelstar office Made-to-measure label design. Conception des étiquettes sur mesure. Quality. Tradition. Innovation DRUCKSYSTEME
valentin DRUCKSYSTEME labelstar office Made-to-measure label design. Conception des étiquettes sur mesure. Quality. Tradition. Innovation labelstar office individual. flexible. individuel. flexible > Simple
Plus en détail