Une carte calculée, puis corrigée par ceux qui l’utilisent.
VelouYa n’attend pas les données des opérateurs. Elle part de ce qui est public, calcule, puis apprend de chaque mesure.
01
La carte calculée
Position des antennes (données ouvertes au départ, positions officielles ensuite), relief et bâti satellite. Un modèle de propagation, validé en France, calcule le signal attendu de chaque opérateur, rue par rue, sur tout le territoire.
02
Les mesures
À chaque usage, le téléphone sait quel opérateur, quelle technologie, quel niveau de signal et où. VelouYa le note, anonymement, avec le consentement de l’utilisateur. Un geste suffit pour signaler « ici ça capte » ou « ici ça ne capte pas ».
03
La calibration
Là où il y a des mesures, le modèle se corrige localement : un immeuble non répertorié, une antenne déplacée, un quartier qui capte mieux que prévu. Référence : signal prédit à ±6 dB à partir d’images géographiques et de 125 000 mesures (TU Dortmund, 2020).
04
L’extrapolation
La correction apprise sur un quartier (même bâti, même relief, même densité) s’applique aux quartiers semblables où personne n’a encore mesuré. C’est ce qui permet d’aller vers une couverture précise de tout le pays, pas seulement là où il y a des utilisateurs.
Tout ce qu’il faut existe déjà, en accès ouvert.
Aucune donnée d’opérateur n’est nécessaire pour démarrer. Si un opérateur partage ses positions d’antennes, il est mieux vu : c’est son intérêt.
Antennes
OpenCelliD au démarrage (17 550 cellules recensées en Guinée), puis positions officielles de l’ARPT et des opérateurs.
Licence ODbL / attribution
Bâti et hauteurs
Google Open Buildings : 1,8 milliard de bâtiments détectés par IA, Guinée couverte ; série annuelle 2016→2023 avec hauteurs, pixel de 4 m. Les maisons qui sortent de terre sont déjà vues.
CC BY 4.0
Relief
Modèle numérique de terrain Copernicus (30 m) pour les masques de collines, décisif à Dubréka, Kindia, et sur tout le corridor Simandou.
Copernicus, libre
Population
Grilles de population à 100 m (GHS-POP, HRSL) pour compter les habitants couverts et non couverts, quartier par quartier.
JRC / Meta, libres
Trois endroits, pas un vernis.
Ce qui est du calcul reste du calcul. Ce qui apprend est nommé.
Bâti et hauteurs par IA
Produits par Google depuis Sentinel-2 et l’imagerie haute résolution ; VelouYa les consomme. Pas de modèle à entraîner pour démarrer.[2]
Positionnement des antennes par apprentissage
Les données ouvertes donnent des centroïdes de mesures, pas des sites. Un regroupement (k-means pondéré) retrouve les sites physiques et estime les azimuts.[3]
Sources
- [1] OpenCelliD · statistiques par pays (Guinée : 17 550 cellules, dont 950 LTE)
- [2] Google Open Buildings v3 et Open Buildings 2.5D Temporal v1 (Earth Engine)
- [3] Rahman, Hossain, Yuksel · Multi-operator cell tower locations prediction from crowdsourced data, ICCCN 2021
- [4] Thrane, Sliwa, Wietfeld, Christiansen · Deep learning-based signal strength prediction using geographical images and expert knowledge, IEEE GLOBECOM 2020
- [5] Wong, Freeman, Feehily (Vodafone) · Mobile coverage analysis using crowdsourced data, arXiv 2510.13459, 2025