Apprentissage profond sur graphes pour la prédiction des flux de mobilité et de la qualité de l’air en milieu urbain

Contexte. Les travaux visés dans cette thèse s’inscrivent dans le contexte actuel de réduction de l’empreinte énergétique de la mobilité au moyen de techniques innovantes. Au sein d'IFPEN des travaux sont déjà menés concernant l'éco-conduite et l’éco-routage, mais aussi la modélisation de la mobilité via des approches d’hybridation entre les modèles physiques classiques et les nouvelles données de mobilité (floating mobile data, floating car data, données de recensement, données d’enquête sur la mobilité des personnes, données de téléphonie, etc.). Ce sujet de thèse s’inscrit dans la continuité de ces activités, en souhaitant modéliser et prédire les flux de mobilité à l’intérieur d’un réseau urbain à partir de données de mobilité multi-sources afin de mettre en place les outils nécessaires pour évaluer, voire concevoir, les politiques publiques impactant la qualité de l’air.
Problème scientifique. Le travail de thèse veut s'appuyer sur la théorie des graphes et l’apprentissage profond pour aborder l'estimation des flux de mobilité dans un réseau urbain. L'IFPEN a d'ores-et-déjà des bases de données dynamiques de mobilité comprenant des données de mobilité multi-modale via l'application Geco air. La thèse aura comme objectif de mettre en place une méthodologie de fusion de données de mobilité « dynamiques » et données d’enquête « statiques », couplées à des données de topologie du réseau urbain. Sur ces données seront mis au point des apprentissages dans des graphes via des « graph neural networks » ou plus généralement via des approches de « graph representation learning ». Un enjeu majeur de la thèse consistera à assurer les capacités d’extrapolation spatiale de la méthode ainsi que la prise en compte de contraintes physiques sur la prédiction des flux, inspirées des modèles physiques de mobilité.

Mots clefs: flux de mobilité, théorie des graphes, intelligence artificielle, reseaux de neurones, apprentissage profond

• Directeur de thèse    NAJMAN Laurent, Université Gustave Eiffel / A3SI ESIEE Paris – laurent.najman@esiee.fr 
• Ecole doctorale    MSTIC : Mathématiques et Sciences et Technologies de l'Information et de la Communication
• Encadrant IFPEN    CHATAIGNON Aurélie, IFPEN, Sciences et Technologies du Numérique, aurelie.chataignon@ifpen.fr 
• Localisation du doctorant    IFP Energies nouvelles, Rueil-Malmaison, France  ESIEE, Noisy-Le-Grand, France
• Durée et date de début    3 ans, début courant novembre 2023
• Employeur    IFP Energies nouvelles, Rueil-Malmaison, France
• Qualifications    Master en Mathématiques, Informatique, Sciences de l’information
• Connaissances linguistique    Bonne maîtrise de l’anglais oral et écrit indispensable. Français souhaitable
• Autres qualifications    Informatique, science des données, apprentissage profond, théorie des graphes, bonne maîtrise de la programmation Matlab/Python