Abdoul Razac Sané
Sujet de thèse : "Génération de population synthétique pour l'évaluation environnementale des systèmes de transport (titre provisoire)"
Les villes sont confrontées à des enjeux socio-économiques et environnementaux importants liés aux systèmes de transport actuels. Les nuisances sonores et les polluants atmosphériques générés par le trafic routier constituent des facteurs de risque sanitaire pour les populations exposées. Par ailleurs, le système de transport urbain est en plein bouleversement : développement et diversification des modes actifs, Zone à Faible émission, développement des livraisons à domicile etc. Le système urbain est complexe, dynamique rendant la prise de décision, liée à la gestion du système de transport, difficile. Cette prise de décision peut être éclairée par des modèles à condition que ceux-ci puissent saisir la complexité de la réalité.
Afin d’avoir une évaluation fiable, précise et détaillée des systèmes de transport urbain, plusieurs étapes sont nécessaires :
1) la génération d’une population synthétique d'individus représentant la population réelle spécifiée par des attributs sociaux, économiques et leurs demandes d'achats
2) l’affectation de plans d’activités détaillés aux individus incluant les lieux de présence, les types d’activités, les horaires et les déplacements ;
3) la localisation dynamique des agents sur le territoire avec l’affectation du mode et routes empruntées lors des déplacements. L'organisation des tournées de livraison des marchandises. Cette étape fait appel à un modèle multi-agents de simulation.
La représentativité de la population synthétique générée et des plans d’activités associés est essentielle pour les évaluations souhaitées. La précision des évaluations dépend fortement de la qualité des données désagrégées produites.
L'objectif de la thèse est d'utiliser des techniques d'apprentissage automatique pour générer une population synthétique et affecter des plans d’activités aux individus de cette population. Des techniques innovantes comme les modèles génératifs profonds seront explorées. L'application de ces techniques permettra d'améliorer la qualité et la représentativité de la population synthétique et des plans d’activités associés. Ceci à son tour améliorera considérablement les résultats des simulations et évaluations. Diverses sources de données hétérogènes (de préférence librement accessibles) seront utilisées pour le processus de synthèse. La capacité d'incorporer différentes sources de données et la gestion de sources de données incomplètes devrait être un avantage des méthodes d'apprentissage automatique. Les performances de l'approche développée seront comparées aux approches classiques, déjà étudiées au sein des laboratoires d’accueil. Les méthodes développées seront génériques et applicables à divers contextes urbains : villes moyennes, grandes métropoles, dans des pays développés ou en développement.