Analyse croisée de l'évolution des infrastructures tramway et bus et des données météorologiques face aux aléas climatiques pour renforcer la résilience de transport public à Bordeaux Métropole

Cross-analysis of the evolution of tramway and bus infrastructure and meteorological data in response to climate-related events to enhance the resilience of public transport in Bordeaux Métropole

• Auteur / Autrice : Mohamed Amine Ayachi
• Direction : Mohamed Mosbah, Akka Zemmari
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 30/01/2025
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : LaBRI - Laboratoire Bordelais de Recherche en Informatique
• Partenaire(s) de recherche : Equipe de recherche : Méthodes et Modèles formels

Mots clés

Mots clés libres

Nouvelles mobilités

Analyse de données

Modélisation

Résilience des infrastructures de transport

New mobilities

Data analysis

Modeling

Resilience of transport infrastructures

Résumé

Cette thèse CIFRE menée avec Keolis Bordeaux Métropole Mobilités (KB2M) a pour objectif de concevoir un outil d'aide à la décision visant à renforcer la résilience du réseau de transport bordelais face aux aléas climatiques. Ce projet se concentre sur l'anticipation des impacts d'événements météorologiques extrêmes (vagues de chaleur, tempêtes, inondations) sur les infrastructures, notamment celles du tramway et du bus. Les perturbations climatiques récentes, marquées par l'intensification de phénomènes extrêmes, compromettent en effet la continuité des services, augmentent les risques d'endommagement des infrastructures et les coûts de maintenance. Pour répondre à ces enjeux, la méthodologie adoptée repose sur l'analyse croisée des données opérationnelles de KB2M (maintenance, trafic, incidents) et des données météorologiques, tant historiques que prévisionnelles, afin d'identifier les facteurs de vulnérabilité propres aux infrastructures locales. À l'aide de modèles prédictifs basés sur des techniques d'apprentissage supervisé et de modélisation statistique, l'objectif est d'estimer les risques d'incidents liés aux conditions climatiques. Ces modèles permettront de déterminer des seuils critiques au-delà desquels les infrastructures et véhicules sont particulièrement vulnérables, facilitant ainsi l'identification des situations à risque. L'outil d'aide à la décision ainsi développé intégrera des systèmes d'alerte fondés sur ces seuils critiques, permettant aux équipes de KB2M d'adopter des mesures proactives : ajustement de la planification des interventions, réorganisation des trajets, et optimisation des itinéraires en situation de crise. En outre, cette recherche valorisera les modèles de machine learning et leur application dans un environnement complexe et dynamique, dans le but de développer une méthodologie réplicable pour d'autres réseaux urbains exposés à des risques climatiques. La thèse contribuera au domaine des systèmes de transport public, démontrant l'intérêt des sciences de données pour accroître la résilience des infrastructures de mobilité urbaine. En anticipant les impacts climatiques et en intégrant des stratégies de réponse proactive, on pourra améliorer les pratiques de maintenance préventive et encourager une gestion durable et sécurisée des transports publics.

This CIFRE thesis, conducted with Keolis Bordeaux Métropole Mobilités (KB2M), aims to design a decision-support tool to strengthen the resilience of Bordeaux's public transport network in the face of climate-related disruptions. This project focuses on anticipating the impacts of extreme weather events (heatwaves, storms, floods) on infrastructures, particularly tram and bus networks. Recent climate disruptions, marked by the intensification of extreme events, indeed jeopardize service continuity, increase infrastructure damage risks, and raise maintenance costs. To address these challenges, the adopted methodology relies on the cross-analysis of KB2M operational data (maintenance, traffic, incidents) and both historical and forecasted weather data to identify vulnerability factors specific to local infrastructures. Through predictive models based on supervised learning techniques and statistical modeling, the goal is to estimate the risks of incidents linked to climate conditions. These models will enable the determination of critical thresholds beyond which infrastructures and vehicles are especially vulnerable, thus aiding in identifying at-risk situations. The decision-support tool developed will integrate alert systems based on these critical thresholds, enabling KB2M teams to adopt proactive measures: adjusting intervention planning, reorganizing routes, and optimizing itineraries during crises. Furthermore, this research will enhance the value of machine learning models and their application in a complex and dynamic operational environment, with the aim of developing a replicable methodology for other urban networks exposed to similar climate risks. The thesis will contribute to the field of public transport systems, demonstrating the value of data science in increasing the resilience of urban mobility infrastructures. By anticipating climate impacts and integrating proactive response strategies, this research can improve preventive maintenance practices and promote sustainable and secure management of public transportation.