Sujet de thèse IFSTTAR

 

English version

Fiche détaillée :

Titre : Apprentissage automatisé des fonctions de temps de parcours multimodaux pour la modélisation multi-agents d’un système de transport urbain

Laboratoire principal - Référent principal COSYS - LICIT  -  LECLERCQ Ludovic      tél. : +33 472142429 
Directeur du laboratoire principal LECLERCQ Ludovic  -  
Laboratoire 2 - Référent COSYS - GRETTIA  -  ZARGAYOUNA Mahdi  -    -  tél. : +33 181668698
Spécialité de la thèse Génie Civil / Ingénierie du trafic
Axe 1 - COP2017 - Transporter efficacement et se déplacer en sécurité
Site principal Bron
Etablissement d'inscription ENTPE
Ecole doctorale MEGA (MECANIQUE, ENERGETIQUE, GENIE CIVIL, ACOUSTIQUE)
Directeur de thèse prévu LECLERCQ Ludovic  -  Université Gustave Eiffel  -  COSYS - LICIT-ECO7
Co-directeur de thèse prévu ZARGAYOUNA Mahdi  -  Université Gustave Eiffel  -  COSYS - GRETTIA
Type de financement prévu Contrat doctoral  - Université Gustave Eiffel

Résumé

Contexte et motivations:

On observe depuis quelques années des mutations profondes de la mobilité urbaine avec à la fois un foisonnement de l’offre de par l’apparition de nouveaux services de mobilités (auto-partage, transport à la demande) et le développement de nouvelles pratiques (vélos, trottinettes partagées, etc.). Avec les calculateurs multimodaux et à l’accès à l’information temps-réel, les voyageurs arrivent de plus en plus à gérer leurs trajets multimodaux d’une manière optimale. Deux éléments clés dans les décisions des voyageurs sont d’une part leur modèle de choix multimodal et l’estimation de leurs temps de parcours correspondant d’autre part. Ces mutations interrogent donc la manière avec laquelle sont modélisés les systèmes de transport. Dans le cadre du projet RESIFLEX, le GRETTIA et le LICIT, deux laboratoires de l’université Gustave Eiffel ont décidé de réunir leurs expertises pour développer un simulateur multi-agents open source répondant à cette vision, appelé OpenMobiFlex.

Objectif:

L’objectif de cette thèse est d’accompagner la spécification, la conception et l’implémentation d’OpenMobiFlex, représentant l’ensemble du système urbain comme un système multi-agents. Cette modélisation permettra de prendre en compte les décisions à l’échelle individuelle des acteurs du système. Le système défini sera multimodal, décrivant l’ensemble de l’offre de transport, des modes doux aux modes motorisés, individuels ou collectifs. La principale caractéristique de cette plateforme est d’intégrer des modèles physiques simples pour caractériser les fonctions de temps de parcours tout en tenant compte intrinsèquement des interactions entre les différents modes. L’intelligence est déplacée de la construction du modèle sous forme d’équation physique à l’apprentissage statique des fonctions temps de parcours à partir de données historiques provenant de sources hétérogènes. Ces fonctions permettent ensuite de reproduire les conditions de déplacement rencontrées sur les modes de déplacement choisis et alimentent le modèle de choix d’itinéraires.
L’un des principaux résultats attendus de la thèse proposée ici est de définir et de mettre en œuvre le cadre méthodologique permettant la calibration des fonctions de temps parcours à partir des données historiques. L’analyse s’appuiera sur les données multimodales collectées par le GRETTIA dans le cadre de la plateforme ClaireSITI sur plusieurs villes en France (Toulouse, Rennes, Seine Saint-Denis, …) et sur les données collectées par le LICIT sur la métropole de Lyon.

Méthodologie:

Les contributions de cette thèse se fonderont sur l’apprentissage automatique et sur la modélisation et la simulation multi-agents. D’une part, l’utilisation de la modélisation multi-agents permet une représentation différentiée des acteurs humains dans le système (différents profils, différentes préférences, différents mécanismes de décision, etc.) et d’observer des comportements collectifs hétérogènes et réalistes. La simulation multi-agents est aujourd’hui un domaine mature avec des plateformes éprouvées et efficaces, dont certaines intègrent des outils de gestion de données géographiques nécessaires pour les applications de transport. D’autre part, nous nous appuierons sur des méthodes d’apprentissage avancées permettant de fusionner les données hétérogènes provenant de différentes sources/modes de transport afin de caractériser les corrélations entre les temps de parcours des différentes modes de déplacement. Ce travail sera réalisé dans un premier temps sur des données historiques et pourra être complété par une approche temps-réel permettant d’assimiler directement les données collectées et ajuster ainsi la calibration des différents paramètres.
Il sera ensuite possible d’utiliser tout le potentiel prédictif de la plateforme pour tester à la fois des scénarios d’évolution courant mais aussi des scénarios de rupture (intégration de nouveaux services de mobilité, nouvelles politiques de gestion des déplacements, incidents majeurs,…).

Infrastructures et outils existants:

OpenMobiFlex s’appuie sur les avancées significatives obtenues par le laboratoire LICIT dans le cadre de l’ERC MAGnUM sur la question de la simulation dynamique multimodale et multi-échelles et sur l’expérience acquise de longue date par le laboratoire GRETTIA sur la simulation multi-agents (plateforme SIM4T).

Profil du candidat et candidatures:

Le ou la candidate devra avoir de très bonnes aptitudes en apprentissage automatique et traitement de données. Une connaissance des modèles de trafic et/ou des plateformes de simulation multi-agents sera très appréciée. Le ou la candidate devra avoir de très bonnes aptitudes linguistiques en anglais (parlé et écrit).
Les candidats intéressés sont priés de contacter Ludovic Leclercq (ludovic.leclercq@univ-eiffel.fr) et Mahdi Zargayouna (mahdi.zargayouna@univ-eiffel.fr).

References:
Loder, A., Ambühl, L., Menendez, M., Axhausen, K.W., 2017. Empirics of multi-modal traffic networks–using the 3D macroscopic fundamental diagram. Transportation Research Part C:Emerging Technologies 82, 88 – 101.
Mariotte, G., Leclercq, L., Batista, S.F.A., Krug, J., Paipuri, M., 2020. Calibration and validation of multi-reservoir MFD models: A case study in Lyon. Transportation Research part B. 136:62-86.
Paipuri, M., Leclercq, L., 2020. Bi-modal Macroscopic Traffic Dynamics in a Single Region. Transportation Research part-B, 130:257-290.
M Zargayouna, A Othman, G Scemama, B Zeddini Multiagent Simulation of Real-Time Passenger Information on Transit Networks, IEEE Intelligent Transportation Systems Magazine 12 (2), 50 – 63
F Ksontini, M Zargayouna, G Scemama, B Leroy, Building a Realistic Data Environment for Multiagent Mobility Simulation Smart Innovation, Systems and Technologies 58, 57-67
M Mastio, M Zargayouna, G Scemama, O Rana, Two Distribution Methods for Multiagent Traffic Simulations, Simulation Modelling Practice and Theory 89
M Mastio, M Zargayouna, G Scemama, O Rana, Distributed agent-based traffic simulations, IEEE Intelligent Transportation Systems Magazine 10 (1), 145-156
X Boulet, M Zargayouna, G Scemama, F Leurent, Service-Oriented Architecture for Multiscale Traffic Simulations 2019, IEEE/ACS 16th International Conference on Computer Systems and Applications

Mots-clefs: Apprentissage statistique, système multi-agents, moblité urbaine, simulation, temps de parcours multi-modaux
Liste des sujets
N'oubliez pas de contacter préalablement le référent ou le Directeur du laboratoire