Sciences des données pour la mobilité et le monitoring urbain

Ce thème s’attache à développer des méthodes à base d’apprentissage automatique avec un éclairage en sciences humaines et sociales et adresse plusieurs volets.

Décrypter les comportements grâce aux traces numériques

Dans le domaine de la mobilité, le premier volet concerne l’exploitation des données numériques hétérogènes (enquêtes, téléphonie, trafic, billettique), en plus des données classiques, pour analyser et estimer des indicateurs de mobilité à des échelles temporelles et spatiales fines. Le développement de modèles prédictifs est également adressé en focalisant sur la prévision lors d’événements planifiables et récurrents, ou non récurrents. Le problème est adressé avec des techniques dédiées aux séries temporelles multivariées ou par des méthodes d’apprentissage automatique profond.

L’analyse des comportements individuels de mobilité est un volet de recherche considérée conjointement avec des modèles d’apprentissage automatique et des modèles comportementaux. Les méthodes orientées psychologie/ergonomie cherchent à identifier les comportements individuels de mobilité à l’aide d’enquêtes dédiées. L’analyse des comportements des cyclistes dans leur déplacement à vélo en ville est un sujet de recherche qu’investigue le Grettia en collaboration avec d’autres laboratoires (PICS-L et Lapea).

Prévoir les usages à partir de profils de consomation

Pour le monitoring urbain, un premier volet des travaux est dédié à l’extraction et la prévision des usages à partir de données massives (données de consommation d’eau et d’électricité). Des modèles dynamiques à variables latentes originaux sont développés pour la classification de panels catégoriels. Ces travaux se poursuivent dans le secteur applicatif du bâtiment avec une question clé liée à l’apport des données à la prévision énergétique.

Anticiper les défauts de fonctionnement à l'aide d'historiques

La fiabilité et la maintenance des systèmes de transport est orientée vers le développement de stratégies de maintenance prévisionnelle (ou pronostic) qui visent à déterminer, à partir d’un historique d’observations, quel sera le meilleur instant pour intervenir préventivement sur le système considéré. Les travaux en cours s’intéressent particulièrement à la mise en place de stratégies basées sur l'optimisation de regroupements dynamiques des tâches de maintenance et à la prise en compte de contraintes opérationnelles et organisationnelles.