Approches de gestion dynamique de la mobilité pour les systèmes de transport autonomes

Dynamic mobility management approaches for autonomous transport systems

• Auteur / Autrice : Perla Hajjar
• Direction : Leïla Kloul, Dominique Barth
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 05/12/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Données et algorithmes pour une ville intelligente et durable (Versailles ; 2015-...)
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Philippe Pucheral
• Jury : Examinateurs / Examinatrices : René Mandiau, Abder Koukam, Neila Bhouri, Jakob Puchinger
• Jury : Rapporteurs / Rapporteuses : René Mandiau, Abder Koukam

Mots clés

Mots clés contrôlés

Durée du trajet (technique de la circulation)

Modélisation dynamique

Apprentissage par renforcement (intelligence artificielle)

Arrêts d'autobus

Planification

Transports publics

Mots clés libres

Planification dynamique des bus

Strategie du Stop-Skipping

Apprentissage par renforcement

Délai

Bus autonome

Modèle de jeu

Online bus scheduling

Stop-Skipping strategy

Reinforcement Learning

Delay

Autonomous buses

Game model

Résumé

Les systèmes de transport public constituent un pilier fondamental du développement urbain durable. Parmi eux, les réseaux de bus se distinguent par leur capacité à desservir efficacement à la fois les centres-villes denses et les zones périphériques. Cependant, la variabilité de la demande, le trafic et les contraintes de capacité compliquent l'établissement de plannings fiables, ce qui se traduit fréquemment par des délais et une diminution de la satisfaction des passagers.Dans cette thèse, nous abordons le problème de la planification dynamique de bus autonomes en appliquant la stratégie du stop-skipping dans un contexte de demande dynamique. Nous proposons une modélisation du système de transport basée sur la théorie des graphes et la théorie des jeux; notre objectif est de minimiser le délai maximal subi par les passagers. Nous montrons tout d'abord que le problème de décision associé est NP-difficile. Nous introduisons une nouvelle métrique, le load-delay, qui capture simultanément la régularité du service et l'équilibrage de la charge entre les bus. En montrant d'abord la forte corrélation entre le délai réel des passagers et la métrique load-delay, nous prouvons que le problème de décision associé à la minimisation de ce nouveau paramètre est NP-complet. Nous formulons donc le problème d'optimisation en utilisant cette métrique comme fonction objectif. Étant donné la définition du modèle de transport et du problème de planification en ligne, nous utilisons la théorie des jeux pour modéliser le processus décisionnel des planifications.L'évaluation expérimentale est réalisée en considérant trois scénarios : (i) une demande fixe avec planification statique ; (ii) une demande fixe avec planification dynamique ; et (iii) une demande dynamique avec planification dynamique. Dans ces différents scénarios, nous comparons plusieurs approches algorithmiques, allant des méthodes métaheuristiques à des approches d'apprentissage par renforcement, afin d'évaluer leur capacité d'adaptation dans des conditions opérationnelles variées. Les simulations sont réalisées à l'aide de la plateforme SUMO, enrichie par des données réelles et des enquêtes voyageurs issues du réseau de Saint-Quentin-en-Yvelines. Les résultats mettent en évidence la robustesse de l'algorithme d'apprentissage par renforcement proposé face à la variabilité de la demande. Enfin, nous comparons notre solution avec une solution pour le transport à la demande développée par Padam Mobility. Cette comparaison montre que notre approche permet d'atteindre un niveau de qualité de service significativement supérieur du point de vue des usagers.Ces travaux apportent des contributions, à la fois théoriques et pratiques, au domaine de l'optimisation des transports publics. En combinant la modélisation issue de la théorie des jeux, les techniques d'apprentissage par renforcement et la simulation à grande échelle, cette approche pose les fondements de stratégies de mobilité autonome plus équitables et réactives, plaçant la satisfaction des passagers au cœur des décisions de planification.

Public transport systems are a cornerstone of sustainable urban development. Among them, bus networks stand out for their ability to serve both dense city centers and peripheral areas. However, fluctuating demand, traffic disturbances, and capacity constraints make it difficult to design reliable schedules, often resulting in delays and declining passenger satisfaction.In this thesis, we address the online autonomous bus scheduling by applying the stop-skipping strategy under evolving passenger demand. We propose a modeling framework for the transport system based on graph theory and game theory, with the objective of minimizing the maximum delay experienced by passengers. We first show that the associated decision problem is NP-hard. We then introduce a new metric, the load-delay, which simultaneously captures service regularity and load balancing between buses. We demonstrate the strong correlation between passengers' actual delays and the load-delay metric, and prove that the associated decision problem of this new metric is NP-Complete. Consequently, we formulate the optimization problem using this metric as the objective function. Given the definition of our transport system model and the defined online scheduling problem, we use game theory to model the decision-making process underlying the scheduling strategies.Building on this framework, our experimental evaluation is carried out considering three scenarios: (i) under fixed demand with static scheduling; (ii) under fixed demand with dynamic scheduling; and (iii) under evolving demand with dynamic scheduling. Across these scenarios, we compare a range of algorithmic approaches, from metaheuristics to stateless reinforcement learning methods, to assess their adaptability under different operational conditions. Simulations are conducted using the SUMO platform, enriched with real-world and passenger survey data of Saint-Quentin-en-Yvelines bus network. The results highlight the robustness of the proposed reinforcement learning approach under varying demand conditions. Finally, we compare our passenger-centered framework with an on-demand solution developed by Padam Mobility. This comparison shows that our approach achieves a significantly higher level of service quality from the user perspective.Overall, this thesis provides both theoretical and practical contributions to the field of public transport optimization. By combining game-theoretic modeling, reinforcement learning techniques, and large-scale simulation, it lays the groundwork for more equitable and responsive autonomous mobility strategies that place the passenger experience at the core of scheduling decisions.