Modélisation avancée de la demande de transport : génération d’une population synthétique enrichie à partir de données dynamiques

Avec l'essor des nouvelles technologies et l'évolution rapide des modes de déplacement, la compréhension des comportements de mobilité devient un enjeu majeur pour optimiser les infrastructures, anticiper la demande en transport et orienter les politiques publiques. Cependant, les approches traditionnelles peinent à capturer la diversité et la dynamique des flux de transport, d’où la nécessité de repenser leur modélisation. 
L’objectif de cette thèse est de développer une approche innovante pour générer une population synthétique enrichie, intégrant intelligemment diverses sources de données dynamiques plus récentes. Cette avancée permettra de mieux comprendre les déplacements des individus et d’anticiper les mutations de la mobilité urbaine et interurbaine. Les principales étapes de recherche incluent :
1.    Analyse des approches existantes : Étudier les méthodes actuelles de modélisation de la demande de transport et identifier leurs limites
2.    Exploration des sources de données : Recenser et analyser les différentes données dynamiques (traces GPS, comptages, validations de titres de transport, etc.) pour en extraire les schémas de mobilité (Origine/Destination, trajectoires, flux).
3.    Comparaison avec les enquêtes de mobilité : Comparer ces données dynamiques avec les enquêtes de mobilité pour identifier les divergences et biais.
4.    Correction des divergences : Proposer une méthode de correction/redressement de ces écarts entre données dynamiques et enquêtes traditionnelles.
5.    Enrichissement de la population synthétique : Elaborer une approche basée sur la fusion de données ou l’apprentissage profond pour affiner la représentation des individus et de leurs comportements de mobilité.
6.    Évaluation comparative : Comparer les résultats obtenus avec les méthodes classiques de l’état de l’art, sur la base d’indicateurs de performance pertinents.

Mots clefs : Demande de transport synthétique, Modélisation, Fusion de données

• Directeur de thèse    Dr Nicolas COULOMBEL, LVMT, ORCID : 0000-0003-1096-2679 
• Ecole doctorale    ED528 VTT, Institut Polytechnique de Paris (IPP)  
• Encadrant IFPEN     Dr Azise-Oumar DIALLO, ORCID : 0000-0002-8865-9760 
• Localisation du doctorant    IFPEN, Rueil-Malmaison, France    
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2025 (3 novembre)
• Employeur    IFPEN 
• Qualifications    Master en ou diplôme d’ingénieur en Transport, Informatique, Mathématiques appliquées, Sciences économiques 
• Connaissances linguistiques    Anglais niveau B2 (CECR)     
• Autres qualifications    Modélisation des systèmes de transport, analyse de données, Python/R, apprentissage automatique 

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.