« Modélisation de la mobilité des personnes » : soutenance de thèse de Mehdi Katranji

VEDECOM a le plaisir de vous annoncer la soutenance de thèse en informatique de Mehdi Katranji, intitulée « Apprentissage profond de la mobilité des personnes ».

La soutenance aura lieu le 16 décembre 2019, au mobiLAB.

JURY

Alexandre CAMINADA, Université de Nice Sophia-Antipolis, Directeur de thèse

Mme Latifa OUKHELLOU, IFSTTAR, Rapporteur

Marc BARTHELEMY, CEA, Rapporteur

Fouad HADJ SELEM, VEDECOM, Co-directeur de thèse

Laurent MOALIC, UHA, Co-directeur de thèse

Frédéric PRECIOSO, Université de Nice Sophia-Antipolis, Examinateur

RESUME

La connaissance de la mobilité est un enjeu majeur pour les autorités organisatrices de la mobilité et de l’aménagement urbain. Notre thèse s’intéresse à la « mobilité des personnes », expression utilisée en l’absence du manque de définition formelle de la mobilité humaine. Elle sera introduite par une description des applications de la connaissance de la mobilité humaine, ainsi que de ses acteurs.

S’ensuivra un état de l’art sur les différents modèles de transport. Les études de transport ne sont en effet pas utilisables en l’état par les acteurs des mobilités qui souhaitent mettre en œuvre des politiques ou des solutions de mobilité. Les modèles de transport transforment la donnée initiale pour qu’elle délivre une information utile et exploitable. Seront ainsi envisagés les pré-requis à la création d’un modèle d’apprentissage : compréhension des typologies des ensembles de données disponibles, forces et faiblesses. Nous présenterons également le modèle de transport à quatre étapes, utilisé depuis 1970, avant de finir sur le renouvellement des méthodologies ces dernières années.

Nous présenterons ensuite nos propres modélisations de la mobilité des personnes. Ces modèles d’apprentissage automatique permettent d’obtenir une vision globale et plus précise de la mobilité des personnes, sans enquêtes supplémentaires. Le point commun de ces différents modèles est la mise en avant de l’individu, contrairement aux approches classiques qui privilégient la localité. Nous nous appuyons sur le principe que la prise de décision des individus se fait selon leur perception de l’environnement.

Le dernier chapitre de notre ouvrage, qui est notre contribution théorique principale, cherche à améliorer la robustesse et la performance de ces modèles. Pour ce faire, nous étudions les méthodologies d’apprentissage profond des machines de Boltzmann restreintes. Après un état de l’art de cette famille de modèles, nous recherchons ainsi des stratégies pour rendre ces modèles viables dans le monde applicatif.