Vers un modèle de recommandation d'itinéraires pour les utilisateurs mobiles

Abstract

Les systèmes de recommandation jouent un rôle crucial dans notre ère numérique en guidant les utilisateurs à travers l'abondance d'informations en ligne. Ces algorithmes analysent les données utilisateur pour suggérer des articles, produits ou services correspondant à leurs préférences. Dans le secteur du transport, ils facilitent la planification de voyages, suggèrent des itinéraires optimisés et améliorent l'expérience des voyageurs. Ce mémoire propose une étude comparative des méthodes de recommandation, notamment la marche aléatoire, la mesure de Katz, la méthode K plus proche voisin (Kppv), et la factorisation matricielle. Les résultats montrent que la décomposition en valeurs singulières (SVD) est la meilleure approche, présentant l'erreur la plus faible. Nous intégrons également la recommandation d'itinéraires, permettant de suggérer des trajets optimisés selon les préférences des utilisateurs, les conditions de circulation et les options de transport disponibles. Cette combinaison vise à améliorer l'expérience des voyageurs et optimiser la planification des déplacements.