L’intérêt pour l’exploitation des informations provenant de collecte participative a récemment émergé car elle peut apporter de nombreux avantages précieux pour de nombreux domaines d’application. C’est notamment le cas des données de crowd-sourcing mobiles en temps réel, souvent disponibles dans des environnements “indoor” et “outdoor”. Ces données offrent de nombreuses possibilités d’analyse de la mobilité humaine, notamment lorsqu’elles sont associées à des informations contextuelles multidimensionnelles. La prise en compte de la diversité des espaces multi-environnements et des lieux de mobilité soulève plusieurs défis de recherche en modélisation, gestion et traitement des données. Associée à de multiples informations contextuelles, l’analyse de la mobilité “indoor” et “outdoor” souligne la nécessité d’abstractions de données appropriées et flexibles au niveau de la modélisation pour représenter les données spatiales, temporelles et sémantiques qui apparaissent dans un environnement de ville intelligente. Si les approches récentes ont souvent abordé cette question en utilisant le modèle commun des “stops and moves”, celui-ci ne couvre pas complètement les informations contextuelles multidimensionnelles qui apparaissent en temps réel sur les humains naviguant dans les espaces “indoor” et “outdoor”. Cela renforce également le besoin de systèmes permettant de traiter les données spatiotemporelles en temps réel lors de la recherche d’événements de mobilité complexe. Malgré leur capacité à représenter des événements spatio-temporels, ces systèmes nécessitent des langages de manipulation des données bien définis et flexibles pour prendre en charge les mécanismes d’abstraction et de composition permettant d’analyser les mobilités urbaines. Cette thèse a pour objectif de fournir les constructions nécessaires à l’analyse des informations de collecte participative mobile dans les espaces “indoor” et “outdoor” tout en considérant un ensemble non limite d’informations contextuelles qui peuvent être associées afin de mieux comprendre les données de mobilité urbaine en batch et en temps réel. Nous présentons un modèle de données spatiales “indoor” et “outdoor” représenté sous la forme d’un graphe multicouche et annoté avec des données de trajectoire provenant de collecte participative. La nouveauté de cette approche réside dans le fait qu’elle fournit un modèle spatial “indoor” et “outdoor” hiérarchique, homogène et flexible, qui peut être associé à la volée à des données de trajectoire provenant d’un milieu urbain. Notre approche de modélisation définit des trajectoires sémantiques génériques et flexibles prenant en compte de multiples sémantiques de données collaboratives à différentes granularités et où la segmentation des trajectoires repose sur des valeurs sémantiques évolutives. Cette thèse développe un cadre de modélisation des événements complexes appliqué aux trajectoires sémantiques humaines “indoor” et “outdoor” basé sur un langage formel qui établit les opérations requises pour la composition des événements. Nous avons implémenté des pipelines de données pour examiner l’efficacité de notre approche. L’ensemble de l’approche est expérimenté et appliqué à des données participatives issues d’une étude de cas réelle afin de montrer sa pertinence, sa scalabilité et ses performances.