Thesis of Simon Pageaud


Subject:
Simulation de la mobilité par modèles hétérogènes avec apprentissage dynamique et exploitation de données des réseaux sociaux, pour l'aide à la gouvernance des transports urbains dans les villes connectées

Defense date: 06/09/2019

Advisor: Salima Hassas
Coadvisor: Véronique Deslandres

Summary:

Contexte général
Avec la croissance des villes et l'augmentation de leur densité de
population, il est important de pouvoir proposer des solutions pour des
nouvelles méthodes de gouvernances pour les villes connectées de demain.
Ainsi, les nouvelles politiques de gouvernance de transport devraient
être en mesure de s'adapter aux nouveaux comportements des usagers. Les
solutions envisagées permettront de concevoir, élaborer et tester des
politiques variées au niveau des transports et de l'évolution du trafic
en utilisant des données réelles et simulées sur la mobilité des
usagers. Grâce à ce travail, les responsables de la mobilité pourront
construire et essayer des politiques sur l'environnement en ajoutant un
retour des usagers via une gouvernance participative.

Description du sujet de thèse
Le travail de thèse se situe dans ce contexte prospectif, et vise plus
spécifiquement l’étude de solutions :
- favorisant la gouvernance participative et l’implication des usagers
du transport, pour d’une part guider les trajectoires en dynamique ;
d’autre part obtenir et exploiter l’opinion des usagers sur
l’organisation du réseau de transport, pour de futurs aménagements.
- exploitant les capacités de couplage dynamique de différentes
modélisations : celle du système de transport, avec son environnement,
les usagers et leurs attentes (niveau micro) ; la modélisation des
politiques urbaines (niveau macro), pour en tester le tout sur une
instance réelle (ou proches de la réalité selon la disponibilité des
données) de la ville de demain, afin d’en comprendre les impacts, et les
priorités.
Le résultat attendu est une contribution à la simulation multi-agents,
combinant le couplage dynamique (micromacro) et l’apprentissage à partir
de données afin de développer des modèles plus crédibles, autoadaptifs
et capables d’évoluer avec les données obtenues sur les réseaux sociaux
et sur les retours des usagers.


Jury:
Mr. Vinvent ChevrierProfesseur(e)Université Lorraine, INRIA, NancyRapporteur(e)
Mr. Stéphane GallandProfesseur(e)Université de Technologie de Belfort-MontbéliardRapporteur(e)
Mr. Amblard FrédéricProfesseur(e)IRT, Université de ToulouseExaminateur​(trice)
Mr. Eric DuchêneMaître de conférenceUniversité Claude Bernard-Lyon 1Examinateur​(trice)
Mme Julie Dugdale Maître de conférenceLIG, Université Grenoble AlpesExaminateur​(trice)
Mme Salima HassasProfesseur(e)Université Claude Bernard - Lyon 1Directeur(trice) de thèse
Mme Véronique DeslandresMaître de conférenceUniversité Claude Bernard Lyon 1Co-encadrant(e)
Mme Vassilissa Lehoux-LebaqueDocteurNAVER LABS EUROPECo-encadrant(e)