Potentiel et prévision des temps d'attente pour le covoiturage sur un territoire

Potential and prediction of waiting times for carpooling in a territory

• Auteur / Autrice : Panayotis Papoutsis
• Direction : Bertrand Michel, Gérard Biau
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et leurs interactions
• Date : Soutenance le 17/12/2021
• Etablissement(s) : Ecole centrale de Nantes
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques Jean Leray (Nantes)
• Jury : Président / Présidente : Anne Philippe
• Jury : Examinateurs / Examinatrices : Bertrand Michel, Gérard Biau, Anne Philippe, Pierre Latouche, Guillaume Saint Pierre, Sophie Ancelet, Thomas Matagne
• Jury : Rapporteur / Rapporteuse : Pierre Latouche, Guillaume Saint Pierre

Mots clés

Mots clés contrôlés

Système d'information géographique

Prédiction séquentielle

Statistique bayésienne

Covoiturage

Mots clés libres

Covoiturage

Temps d’attente

Régression quantile

Modèle hiérarchique bayésien

Prior informatif

Carpooling

Waiting times

Quantile regression

Bayesian hierarchical model

Informative prior

Résumé

Cette thèse s’intéresse au potentiel et à la prévision des temps d’attente concernant le covoiturage sur un territoire en utilisant des méthodes d’apprentissage statistique. Cinq thèmes principaux sont abordés dans le présent manuscrit. Le premier présente des techniques de régression quantile afin de prédire des temps d’attente. Le deuxième détaille la construction d’un processus de travail empruntant des outils des Systèmes d’Information Géographique (SIG) afin d’exploiter pleinement les données issues du covoiturage. Dans un troisième temps nous construisons un modèle hiérarchique bayésien en vue de prédire des flux de trafic et des temps d’attente. En quatrième partie nous proposons une méthode de construction d’une loi a priori informative par transfert bayésien dans le but d’améliorer les prédictions des temps d’attente pour une situation de jeu de données court. Enfin, le dernier thème se concentre sur la mise en production et l’exploitation industrielle du modèle hiérarchique bayésien.

This thesis focuses on the potential and prediction of carpooling waiting times in a territory using statistical learning methods. Five main themes are covered in this manuscript. The first presents quantile regression techniques to predict waiting times. The second details the construction of a workflow based on Geographic Information Systems (GIS) tools in order to fully leverage the carpooling data. In a third part we develop a hierarchical bayesian model in order to predict traffic flows and waiting times. In the fourth part, we propose a methodology for constructing an informative prior by bayesian transfer to improve the prediction of waiting times for a short dataset situation. Lastly, the final theme focuses on the production and industrial exploitation of the bayesian hierarchical model.