Stage Master 2 : Recommandation d'itinéraires hybrides favorisant la mobilité active H/F

Description de l'offre

Intégrer LINEACT au sein de CESI pour un stage de recherche serait une formidable opportunité de contribuer à des projets innovants, tout en approfondissant vos compétences dans un environnement à la pointe de la transformation numérique et de l’industrie 4.0

Travaux de Recherche

Sujet de thèse/stage résumé

La recommandation de transport multimodal est devenue cruciale pour offrir des itinéraires optimaux en considérant divers modes de transport. Dans ce contexte, ce stage, qui fait partie du projet Mon Trajet Vert (MTV), vise à développer une approche de recommandation basée sur la représentation des réseaux complexes (graphe), utilisant des données géographiques, météorologiques afin de proposer des itinéraires multimodaux favorisant la mobilité active, considérant les réseaux de transport public dans les villes françaises. Ce travail mettra particulièrement l'accent sur la promotion de la mobilité active, comme la marche et le vélo, pour encourager des déplacements plus durables et respectueux de l'environnement.

Projet de stage

Sujet de stage

Avec l'essor des modes de transport écologiques et l'expansion des infrastructures de mobilité durable (comme les réseaux de vélos partagés, les voies piétonnes et les solutions de covoiturage), les voyageurs disposent désormais d'une vaste gamme d'alternatives pour atteindre leur destination de manière plus respectueuse de l'environnement. Ces dernières années, la recommandation d'itinéraires hybrides, combinant plusieurs modes de transport et favorisant les options écologiques, est devenue un service essentiel dans de nombreuses applications de navigation, comme Baidu Maps, Here, et Didi Chuxing. L'objectif de cette recommandation d'itinéraires hybrides est de guider les utilisateurs vers les trajets les plus adaptés en intégrant plusieurs modes de transport sur un réseau de mobilité multimodale. En conséquence, fournir des recommandations intelligentes et écologiquement optimisées peut non seulement réduire le coût décisionnel pour le voyageur, mais aussi améliorer son expérience tout en minimisant l'empreinte carbone globale.

La recommandation d'itinéraires est désormais un élément clé des services de cartographie et a attiré un intérêt croissant en recherche [1]. Avec la prolifération des appareils mobiles et des services de géolocalisation, de vastes ensembles de données historiques (tels que les données de trajectoire GPS [2] et les enregistrements mobiles [3]) ont été exploités pour améliorer la qualité des recommandations d'itinéraires. Les travaux existants dans ce domaine se divisent principalement en deux catégories. La première vise à identifier le chemin le plus court dans le réseau de transport en utilisant une métrique prédéfinie (par exemple, distance géographique, durée du trajet). La majorité des méthodes de cette catégorie [4] s'appuie sur l'extension d'algorithmes de recherche de graphe classiques (comme Dijkstra, Bellman-Ford, et les hiérarchies de contraction [5]) pour un réseau de transport multimodal. Cependant, ces approches reposent sur une métrique statique et ignorent les facteurs contextuels latents présents dans les données (tels que les préférences de modes de transport ou d'itinéraires dans des situations spécifiques [6]). La deuxième catégorie cherche à résoudre ce problème en intégrant des techniques d’apprentissage automatique, supervisé ou non supervisé, pour inférer les préférences de mode de transport. Une méthode courante consiste à extraire des caractéristiques clés (par exemple, distance, temps estimé d'arrivée) à partir des données historiques des utilisateurs, telles que les trajectoires GPS et les interactions avec l’application. Bien que ces méthodes améliorent la personnalisation, elles dépendent fortement de la qualité de l'ingénierie des caractéristiques. Plus récemment, des approches basées sur l'apprentissage profond ont été appliquées pour améliorer les recommandations de modes de transport, permettant de capter des relations plus complexes dans les données [7]. Dans ce contexte, l’objectif de ce travail est de développer une approche basée sur la combinaison de ces deux types de méthodes pour privilégier les modes de transport actifs, en tenant compte de données contextuelles et d'objectifs spécifiques liés à la durabilité, tels que la réduction des émissions de CO₂ ainsi que le confort et la sécurité des trajets pour les cyclistes et les piétons.

Figure 1: Etapes de l'Approche proposée

L'approche proposée est illustrée dans la Figure 1. Tout d'abord, le réseau complexe représentant tous les modes de transport de la ville de Strasbourg est construit. Le réseau de pistes cyclables sera établi en utilisant les données des pistes cyclables. Les réseaux complexes [8] sont particulièrement adaptés pour modéliser les réseaux de transport multimodaux, car ils permettent de capturer les interactions et la connectivité entre différents modes de transport (par exemple, voiture, vélo, marche), offrant ainsi une représentation plus riche et précise des itinéraires possibles et des transitions entre les modes. Ensuite, l'approche proposée est appliquée sur le réseau obtenu, en deux phases. La première phase utilise différents modèles d'apprentissage (par exemple, un modèle de réseau neuronal profond DNN) pour prédire divers paramètres (Niveau de sécurité, confort, préférence et durée du trajet). Les données nécessaires pour toutes ces prédictions sont présentées dans le Tableau 1. Dans la phase de recommandation d'itinéraire, toutes les liaisons du réseau complexe sont pondérées selon une métrique que nous proposons. Cette métrique est définie en fonction de tous les paramètres prédits ainsi que des mesures de centralité [9], accordant une importance particulière aux modes de transport écologiques, surtout lorsque les niveaux de sécurité et de confort sont élevés. Ensuite, un algorithme de recherche de chemin optimal [10-11] est appliqué sur le réseau complexe pondéré. Grâce à ces pondérations, il sera possible de déterminer des itinéraires favorisant les modes de transport respectueux de l'environnement. Ce Framework sera dans un premier lieu testé sur la ville de Strasbourg et après sur d’autres villes : Rouen, Toulouse etc.

Tableau 1: Données utilisées pour la prédiction:

Programme de travail

Production scientifique/technique attendue

·       E.B (T0 + 1) : Etude bibliographique

·       C.S (T0 + 5) : Implémentation du code source du framework avec des tests sur la ville de Strasbourg, puis sur d'autres villes, telles que Rouen, Toulouse, etc.

·       L.R (T0 + 6) : Rapport de stage

Contexte

Présentation du laboratoire

CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

·       L’équipe 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.

·       L’équipe 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Positionnement dans les thématiques de recherche du laboratoire

Le sujet de stage s'inscrit dans les activités liées au thème de recherche “Ingénierie et outils numériques” dans le domaine applicatifs “Bâtiment et quartiers urbains durables”. Les travaux qui seront menés dans ce stage sont essentiellement dans l’axe 4 du thème 2, notamment, la Mobilité partagée.

Profil recherché

Vos compétences :

Compétences scientifiques et techniques :

•  Programmation Pyhton : bibliothèque PyTorch, TensorFlow, NumPy …
• Machine learning : réseaux de neurones, classification, deep learning
•  Réseaux complexes : bibliothèque Networkx

Compétences relationnelles :

• Etre autonome, avoir un esprit d’initiative et de curiosité,
• Savoir travailler en équipe et avoir un bon relationnel,
• Etre rigoureux

Gratification à 15% du plafond horaire de la Sécurité Sociale

Date de début : Février 2025

Votre candidature devra comporter :

• Un Curriculum-Vitae détaillé du candidat. En cas de rupture dans le cursus universitaire, merci de donner une explication ;
• Une lettre de motivation explicitant ses motivations à poursuivre une thèse de doctorat ;
• Les résultats du MASTER 1 et 2 (à adapter en fonction du niveau du stage) et les bulletins de notes correspondant ;
• Toute autre pièce que vous jugerez utile.

Références.

 [1] Ling-Yin Wei, Yu Zheng, and Wen-Chih Peng. 2012. Constructing popular routes from uncertain trajectories. In Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining. 195–203.

[2] Jing Yuan, Yu Zheng, Chengyang Zhang, Wenlei Xie, Xing Xie, Guangzhong Sun, and Yan Huang. 2010. T-drive: driving directions based on taxi trajectories. In Proceedings of the 18th SIGSPATIAL International conference on advances in geographic information systems. 99–108.

[3] Samia Shafique and Mohammed Eunus Ali. 2016. Recommending most popular travel path within a region of interest from historical trajectory data. In Proceedings of the 5th ACM SIGSPATIAL International Workshop on Mobile Geographic Information Systems. ACM, 2–11.

[4] Julian Dibbelt et al. 2016. Engineering Algorithms for Route Planning in Multimodal Transportation Networks. Transportation (2016).

[5] Robert Geisberger, Peter Sanders, Dominik Schultes, and Christian Vetter. 2012. Exact routing in large road networks using contraction hierarchies. Transportation Science 46, 3 (2012), 388–404.

[6] Hao Liu, Yongxin Tong, Panpan Zhang, Xinjiang Lu, Jianguo Duan, and Hui Xiong. 2019. Hydra: A Personalized and Context-Aware Multi-Modal Transportation Recommendation System. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2314–2324.

[7] Hao Zhou, Yan Zhao, Junhua Fang, Xuanhao Chen, and Kai Zeng. 2019. Hybrid route recommendation with taxi and shared bicycles. Distributed and Parallel Databases (2019), 1–21.

[8] Alessandretti, L., Natera Orozco, L. G., Saberi, M., Szell, M., & Battiston, F. (2023). Multimodal urban mobility and multilayer transport networks. Environment and Planning B: Urban Analytics and City Science, 50(8), 2038-2070.

[9] Ghalmane, Z., Cherifi, C., Cherifi, H., & Hassouni, M. E. (2019). Centrality in complex networks with overlapping community structure. Scientific reports, 9(1), 10133.

[10] Peng, W., Hu, X., Zhao, F., & Su, J. (2012). A fast algorithm to find all-pairs shortest paths in complex networks. Procedia Computer Science, 9, 557-566.

[11] Ghalmane, Z., Brahmia, M. E. A., Zghal, M. (2023). Road networks: A new filtering approach to extract backbones using community structure.

#CESILINEACT