L'Intelligence Artificielle Multi-territoires pour la Mobilité Urbaine

Multi-territory Artificial Intelligence for Urban Mobility

• Auteur / Autrice : Lamara Mouzni
• Direction : Mohamed Quafafou
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Mathématiques et Informatique de Marseille
• Partenaire(s) de recherche : Laboratoire : LIS Laboratoire d'Informatique et Systèmes

Mots clés

Mots clés libres

Mobilité urbaine

Intelligence artificielle

Décarbonation

Données multi-territoires

Apprentissage automatique

Urban mobility

Artificial intelligence

Decarbonization

Multi-territory data

Machine learning

Résumé

Le secteur des transports est actuellement le plus grand émetteur de gaz à effet de serre (GES). Pour atteindre les objectifs de décarbonation, il est essentiel de mieux comprendre la mobilité urbaine et de pouvoir prédire l'impact des projets de transport sur différents territoires. Cette thèse vise à utiliser des données hétérogènes issues de plusieurs sources (traces GSM, GPS, systèmes billettiques, données INSEE, météo, etc.) pour prédire les effets de projets de mobilité (zones à faibles émissions, nouvelles lignes de tramway, réseaux express vélo, etc.) sur des territoires différents. L'approche traditionnelle consiste à construire des modèles spécifiques à chaque source de données ou territoire, mais tous les territoires n'ont pas les mêmes capacités de collecte de données. Ce projet explore donc la possibilité de consolider les données de plusieurs territoires pour créer des modèles prédictifs généralisables, tout en cherchant à harmoniser les données et à réduire les coûts d'apprentissage. Les travaux porteront également sur le développement d'une architecture Data Stack et de méthodes d'apprentissage automatique pour traiter ces données et effectuer des prédictions, classifications et estimations.

The transport sector is currently the largest emitter of greenhouse gases (GHG). To achieve decarbonization goals, it is crucial to better understand urban mobility and predict the impact of transport projects on different territories. This thesis aims to leverage heterogeneous data from various sources (GSM traces, GPS, ticketing systems, INSEE data, weather, etc.) to predict the effects of mobility projects (low emission zones, new tram lines, express cycling networks, etc.) on different territories. The traditional approach involves building models specific to each data source or territory, but not all territories have equal data collection capacities. This project explores the possibility of consolidating data from multiple territories to create generalizable predictive models, while also aiming to harmonize data and reduce learning costs. The work will also focus on developing a Data Stack architecture and machine learning methods to process these data and perform predictions, classifications, and estimations.