788 collectifs
meeXers
A propos
Intelligence Applicative ✨ Transcription & Synthèse
3 missions réalisées avec Collective
Horizon
A propos
Éclairer, innover, transformer - Product, Design et Data
3 missions réalisées avec Collective
Magician
A propos
Mettez un coup de baguette 🪄 dans vos data ! 🧙
3 missions réalisées avec Collective
Faaastr
A propos
Vos automatisations avec Make et app/portail client avec Xano Weweb
3 missions réalisées avec Collective
Moonimize
A propos
Moonimize vous propose d'élaborer des solutions personnalisées, évolutives et flexibles pour soutenir votre croissance, tout en considérant vos défis commerciaux.
3 missions réalisées avec Collective
Collectif Wild & Web
A propos
Création de sites internet, référencement, refontes
3 missions réalisées avec Collective
Koojira Studio
A propos
Passez de 0 à 1. Une team d'experts pour créer votre MVP et le faire évoluer.
3 missions réalisées avec Collective
Votre équipe rédaction web
A propos
Collaborons pour des articles visibles et de qualité
3 missions réalisées avec Collective
Ventures Collective
A propos
Support sur ta levée de fonds de A à Z
3 missions réalisées avec Collective
LE SON ET L'IMAGE
A propos
Besoin d'une voix off, d'un film, d'un contenu éditorial ? Notre dream team est prête à concocter vos plus belles créations audio & audiovisuelles
3 missions réalisées avec Collective
Peony
A propos
Le collectif qui donne vie à vos idées !
3 missions réalisées avec Collective
Décollé
A propos
Bring life and value to your project!
3 missions réalisées avec Collective
La Web Squad
A propos
Votre équipe dédiée de Développement Web - Ruby on Rails / React.js / Next.js - Créations et refontes de plateformes web, intégrations de systèmes tiers et APIs, optimisation des performances, résolutions de bugs & more.
3 missions réalisées avec Collective
Qolaig
A propos
Nous créons des outils sur mesure pour nos clients, en exploitant l'IA à travers des solutions rapidement actionnables.
3 missions réalisées avec Collective
Innovizer
A propos
A chaque besoin son financement
3 missions réalisées avec Collective
la croquette.
A propos
De la vidéo, du motion design, du drone et tout ça avec une qualité croustillante.
3 missions réalisées avec Collective
ri+mi
A propos
Studio 3D • Illustration | Web | Motion | Animation | VR | Espaces virtuels 📍 Marseille
3 missions réalisées avec Collective
MAY-AI
A propos
Booste l’efficacité de ton entreprise et décuple tes clients grâce à l’automatisation
3 missions réalisées avec Collective
Ile-de-France Mobilités
•Transport, Logistique & Supply chain•ETI - Grande entreprise
Deep learning generative model to predict use of public transformation networks
Use of Ile-de-France Mobilités data to predict frequentation of a day with the first few fifteen minutes
With the rise of digitalized subway cards, an huge amount of data is created and recents attempts to eploit this data have proven quite successfull. The goal of this project was two fold : first obtain a deep representation of the different subway stations of the networks. Second to be able to detect very early in a day perturbations in the network.
The first goal aims at obtaining representation of station that can then be used in other deep learning model to achieve other goals. This is why the unbiased nature of the representation is of the upmost importance.
By nature, the timeseries of frequentation of the subway networks are extremely regular with a week day/week-end period. However, some exterior factor (such as weather or public events) can impact this regularity. The goal of the project was to use the first hour of frequentation in the subway to predict how the network would be impacted for the day, allowing agents to adapt early to the situation.
To achieve these goals we first used a disentanglement deep learning model for generation of time series. By verifying with historical data that the generated time series were correct, we were able to confirm the solidity of our representations. We then used some clustering algorithms to enhances these representation and remove some bias. These representation were then used in another model designed to predict the frequentation of an entire day for the first few 15 minutes. The second model, which uses recent advances in forecasting, disentanglement and reccurent networks, was able to detect as early as 45 minutes into the day wether the day would be regular or not.
Membres
Expertises
De
Avr. 2019 à Avr. 2021