André Sales Fonteles - A generic architecture and a recommendation strategy for spatial crowdsourcing platforms

Les plateformes de crowdsourcing spatial (PCS) sont des systèmes qui permettent à des personnes, appelées commanditaires, de publier des tâches localisées ou spatiales, dont la réalisation est confiée à de tierces personnes appelées exécutants. Ces tâches spatiales exigent pour être accomplies que leurs exécutants se trouvent en un endroit donné, souvent pendant une période ou fenêtre de temps donnée. Quelques exemples de PCS sont les applications bien connues Uber et TaskRabbit. Les PCS suscitent donc beaucoup d’intérêt et des pistes de recherche sont encore à explorer. Dès 2011, Doan et al. [2011] soutenaient que l’objectif résidait désormais dans “la construction de plateformes générales de crowdsourcing qui peuvent être utilisées pour développer rapidement ces systèmes”. En réalité, depuis, peu de travaux ont porté sur la conception technique des PCS. En outre, il existe un écart entre ce qui est mis en oeuvre par les PCS que l’on trouve dans le commerce et les propositions qui nourrissent la littérature scientifique. Dans cette thèse, nous proposons GENIUS-C, une architecture générique pour les PCS. Nous fournissons une implémentation de référence (IR) pour GENIUS-C, fonctionnant comme un cadre pour le développement de PCS. GENIUS-C et son IR sont ainsi destinées à combler les écarts entre le monde académique et les solutions propriétaires ou commerciales, et visent à permettre le développement et le paramétrage rapide de PCS. Nous étudions également l’important problème de l’appariement des exécutants et des tâches d’un PCS qui s’énonce ainsi : comment trouver une ou plusieurs tâches adaptées à un exécutant (et vice versa) compte-tenu de diverses contraintes inhérentes (spatiales, temporelles, de coût, etc.) ? Certains travaux préconisent des techniques de système de recommandation, d’autres des approches d’optimisation. Mais la plupart d’entre eux ne tiennent pas compte des dimensions spatio-temporelles des tâches et des exécutants, ou bien ignorent les préférences des exécutants, des commanditaires ou du système lui-même. Dans ce contexte, nous identifions et formalisons le Problème de la Recommandation de Trajectoire, qui consiste à déterminer la meilleure séquence de tâches sous un ensemble de contraintes donné. Après avoir prouvé que ce problème est NP-Difficile, nous proposons une méthode de résolution optimale, et nous la comparons avec des heuristiques d’approximation.