Présentation du sujet

Contexte. Les travaux visés dans cette thèse s’inscrivent dans le contexte actuel de réduction de l’empreinte énergétique de la mobilité au moyen de techniques innovantes. Au sein d'IFPEN des travaux sont déjà menés concernant l'éco-conduite et l’éco-routage, mais aussi la modélisation de la mobilité via des approches d’hybridation entre les modèles physiques classiques et les nouvelles données de mobilité (floating mobile data, floating car data, données de recensement, données d’enquête sur la mobilité des personnes, données de téléphonie, etc.). Ce sujet de thèse s’inscrit dans la continuité de ces activités, en souhaitant modéliser et prédire les flux de mobilité à l’intérieur d’un réseau urbain à partir de données de mobilité multi-sources afin de mettre en place les outils nécessaires pour évaluer, voire concevoir, les politiques publiques impactant la qualité de l’air.

Problème scientifique. Le travail de thèse veut s'appuyer sur la théorie des graphes et l’apprentissage profond pour aborder l'estimation des flux de mobilité dans un réseau urbain. L'IFPEN a d'ores-et-déjà des bases de données dynamiques de mobilité comprenant des déplacements à vélo et des données de mobilité multi-modale via l'application Geco air. La thèse aura comme objectif de mettre en place un modèle prédictif de débit horaire journalier sur un réseau routier à partir de données hétérogènes et incomplètes : capteur de débit, mobilité, enquête, topologie et infrastructure du réseau urbain. Nous proposons d’investiguer des méthodes d’apprentissage profond sur graphe de manière semi ou auto-supervisée. Un enjeu majeur de la thèse consistera à assurer les capacités d’extrapolation spatiale de la méthode ainsi que la prise en compte de contraintes physiques sur la prédiction des flux, inspirées des modèles physiques de mobilité.