Optimisation des transports basée sur les données et infrastructures urbaines

Data-driven transport optimization integrating urban infrastructure

• Auteur / Autrice : Jorge Mortes Alcaraz
• Direction : Fabien Lehuédé, Jorge-Ernesto Mendoza, Maria Isabel Restrepo
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/05/2025
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Ecole : École des hautes études commerciales (Montréal, Canada)
• Partenaire(s) de recherche : Laboratoire : Modélisation, Optimisation et DEcision pour la Logistique, l'Industrie et les Services - Laboratoire des Sciences du Numérique de Nantes (2017-....)
• Jury : Président / Présidente : Christine Solnon
• Jury : Examinateurs / Examinatrices : Fabien Lehuédé, Jorge-Ernesto Mendoza, Maria Isabel Restrepo, Marc Sevaux, Kenneth Sörensen, Diego Cattaruzza
• Jury : Rapporteurs / Rapporteuses : Marc Sevaux, Kenneth Sörensen
• DOI : 10.70675/a78e62bez2d6ez40b0zbf7cz5030403683f2

Mots clés

Mots clés contrôlés

Logistique urbaine

Apprentissage automatique

Problème de tournées de véhicules

Mots clés libres

Livraison dernier kilomètre

Apprentissage automatique

Transport à la demande

Métaheuristiques

Last-mile delivery

Machine learning

On-demand transportation

Metaheuristics

Résumé

Cette thèse vise à améliorer la résolution problèmes de transport en intégrant des contraintes liées aux infrastructures urbaines dans des algorithmes basés sur les données. Nous nous concentrons sur deux défis contemporains : la livraison du dernier kilomètre et la planification d’un système de transport à la demande. Pour le premier défi, nous nous intéressons à l’apprentissage de fenêtres de temps multiples. Pour ce faire, nous utilisons des algorithmes de type multiarmed bandit. Les résultats montrent que l’apprentissage permet d’obtenir des itinéraires plus réalistes et plus efficaces. Concernant le second défi, nous abordons d’abord le problème statique de tournées de transport à la demande. Pour le résoudre, nous développons une méthode de type small and large neighborhood search, combinée à la résolution d’un problème de couverture d’ensemble. L’algorithme proposé surpasse les méthodes existantes sur les instances basées sur des données de la ville de New York. Nous nous intéressons ensuite à la version dynamique du problème. Nous la résolvons en utilisant des algorithmes lookahead, qui anticipent les potentiels événements futurs pour les décision de routage. Les politiques proposées sont évaluées sur des instances de New York, démontrant que les stratégies anticipatives améliorent significativement la prise de décision.

This thesis seeks to enhance the realism of transportation problems by incorporating urban infrastructure constraints and approaching these problems with data-driven algorithms. Specifically, we focus on two contemporary challenges: the last-mile delivery problem and a demand-responsive public bus system. For the first one, we present the multiple time window learning problem. To extract and learn, we employ multi-armed bandit algorithms. The results indicate that implementing a learning mechanism leads to more realistic and effective routing solutions. For the second one, we address the static on-demand bus routing problem. We develop a heuristic approach based on a small and large neighborhood search metaheuristic combined with a set covering component. The proposed algorithm outperforms existing methods on a new set of instances based on real-world data from New York City. Secondly, we address the dynamic on-demand bus routing problem. We solve it employing one-step look-ahead algorithms, which anticipate potential future events to enhance routing decisions. The proposed policies are evaluated on New York City instances, demonstrating that anticipatory strategies significantly improve decision making by leveraging expected future information.