NEB-Route : Framework Multi-Modal pour la Recherche de Personnes Disparues
Premier auteur · Soumis, révision en cours (2026)
Framework de recherche séquentielle bayésienne pour la localisation de personnes disparues en milieu urbain, combinant processus de Hawkes personnalisés, réseaux de neurones sur graphes (GCN) et homophilie comportementale. Réduit le temps moyen de détection de 19,4% par rapport à l'état de l'art (DeepMove-Seq) sur le jeu de données HuMob (Tokyo, 100 000 individus).
Détails
- Problème : la recherche de personnes disparues en milieu urbain affiche un taux de succès souvent inférieur à 5% dans les premières heures, malgré l'abondance de données de mobilité générées par les villes intelligentes.
- Reformulation : le problème de localisation est posé comme une allocation dynamique de ressources d'investigation sous contraintes, via une décision séquentielle bayésienne intégrant explicitement les observations négatives (non-détections) pour réallouer l'attention de recherche.
- Trois sources d'information combinées : routines individuelles (processus de Hawkes personnalisables), flux collectifs (réseaux de neurones sur graphes / GCN), et homophilie comportementale (similarité socio-spatiale entre individus).
- Évaluation : 100 scénarios de disparition simulés sur le jeu de données public HuMob (100 000 individus, Tokyo, 23,45 millions de points de localisation).
- Résultats : réduction de 19,4% du temps moyen de détection par rapport à l'état de l'art (DeepMove-Seq), probabilité de détection de 58% dans les 10 premières itérations (contre 46%).
- Étude d'ablation : la personnalisation du modèle de Hawkes est le composant le plus critique (+15,5% de temps de détection si retiré), suivie de l'homophilie comportementale (+10,3%).
- Limites assumées et discutées : hypothèse de régularité comportementale, dépendance à l'historique de mobilité, questions éthiques liées à l'usage de données de mobilité à grande échelle.