STAGE Prédiction « end to end » du comportement de mobilité multimodale des étudiants en utilisant des approches d'apprentissage par renforcement et récurrent CESI

Titre : Prédiction « end to end » du comportement de mobilité multimodale des étudiants en utilisant des approches d'apprentissage par renforcement et récurrent

Mots clés : Mobilité des étudiants, prédiction de mobilité individuelle, apprentissage par renforcement, réseau de neurones récurrents, système de transport multimodal

Projet de stage

Les déplacements quotidiens des individus, et en particulier des étudiants, s'inscrivent dans des systèmes de transport de plus en plus complexes et multimodaux. Ce stage s'intéresse à la compréhension et à la prédiction de la mobilité quotidienne des étudiants au sein des systèmes de transport multimodaux. Il vise à prédire les décisions de déplacement individuelles à partir des habitudes passées, afin de proposer des choix de mobilité plus durables et adaptées aux préférences des usagers. Dans ce cadre, deux modèles de prédiction seront étudiés : un premier modèle basé sur l'apprentissage par renforcement profond pour prédire les déplacements sous forme de séquences dans un graphe multicouches, et un second modèle dédié à la prédiction automatique des informations initiales de trajet. L'objectif de ce stage est de combiner ces deux approches pour développer un modèle de prédiction « end-to-end » et de l'évaluer à travers des expérimentations menées sur plusieurs villes françaises, dont Toulouse, Strasbourg et Lyon.

Contexte scientifique

Ce stage s'inscrit dans le cadre du programme Mon trajet vert (https://www.montrajetvert.fr/) porté par CESI. Ce programme vise à comprendre et optimiser la mobilité du public étudiant en faveur des économies d'énergie et à engager les établissements d'enseignement supérieur dans une transformation de la mobilité via une approche intégrée d'analyse, d'apports méthodologiques et de diffusion large auprès des étudiants et des établissements d'enseignement supérieur.

Il vise à réduire l'empreinte carbone des déplacements étudiants tout en proposant des alternatives efficientes basés notamment sur la mobilité douce (marche, vélo, trottinette…) mais aussi tout moyen de mobilité, collectif ou individuel, contribuant à une baisse des émissions de CO2 (tel que les transports en commun ou le covoiturage).

Le Programme s'articule autour des axes suivants :

· Analyser et comprendre les leviers motivationnels de mobilité des étudiants puis imaginer les mobilités de demain de manière participative avec plus de 5 000 étudiants

· Organiser des évènements de proximité sur le sujet de la mobilité dans les établissements d'enseignement supérieur avec des actions de terrain telles que la mise en place d'une communication adaptée au public jeune, de challenges de la mobilité, des challenges des ambassadeurs de mobilité

· Accompagner la démarche d'établissements d'enseignement supérieur dans l'optimisation des mobilités étudiantes : 20 établissements impliqués directement pour établir leur diagnostic et 4 à 6 pilotes pour engager des plans de mobilité campus à l'aide des données et outils numériques

· Pérenniser l'engagement des établissements d'enseignement supérieur dans la démarche de mobilité économe des étudiants en mettant à disposition l'ensemble de la synthèse, des analyses ainsi que des outils méthodologiques

Description détaillée du sujet de stage

Les déplacements quotidiens font partie de la vie de chaque étudiant : aller à l'université, rentrer chez soi, faire des courses ou sortir en ville. Comprendre et prédire ces déplacements permet non seulement de mieux organiser les systèmes de transport destinés aux étudiants, mais aussi de proposer des choix de mobilité plus durables et adaptées à chaque individu, en tenant compte de ses préférences (par exemple le vélo, les transports en commun ou la marche) et de son comportement de mobilité observé. Nous définissions le comportement de mobilité multimodale comme l'ensemble des décisions prises pour se déplacer d'un point d'origine, à l'heure de départ, vers un point de destination, au sein d'un système de transport multimodal.

La prédiction de la mobilité individuelle vise ainsi à prédire ces décisions à partir des habitudes passées. Les travaux existants étudient différents scénarios de prédiction, tels que la prochaine localisation visitée [4], le prochain point d'intérêt (par exemple une bibliothèque, un restaurant universitaire ou une salle de sport) [2], ou encore la prédiction complète d'un trajet incluant l'origine, la destination et l'heure de départ [3,5]. Dans un travail récent [1], nous avons proposé une approche de prédiction successive des déplacements sous la forme d'une séquence d'arêtes dans un graphe multicouches représentant le réseau de transport multimodal, en utilisant des techniques d'apprentissage par renforcement profond. Toutefois, ce modèle repose sur des informations initiales de trajet (l'origine, la destination, l'heure de départ, etc.) définies manuellement. Pour dépasser cette limitation, un second modèle a été développé afin de prédire automatiquement ces informations de trajet.

L'objectif de ce stage est de combiner ces deux modèles pour développer un modèle de prédiction « end-to-end » afin d'étudier l'impact de la prédiction des informations de trajet (l'origine, la destination, l'heure de départ, etc.) en amont de la construction de l'itinéraire avec la prédiction successive [1], ainsi que d'explorer différentes pistes d'expérimentation sur trois villes françaises, notamment Toulouse, Strasbourg et Lyon.

Les principales tâches du stage seront les suivantes :

· Comprendre le contexte du stage ainsi que l'état de l'art en prédiction de la mobilité individuelle et multimodale.

· Prendre en main les modèles et les codes existants

· Combiner les deux modèles de prédiction existants dans une approche « end-to-end », en intégrant les résultats de la prédiction du prochain trajet dans le modèle de prédiction de la prochaine arête, puis analyser l'impact de cette intégration.

· Mener les expérimentations suivantes sur plusieurs scénarios de données et dans différentes villes françaises (Toulouse, Strasbourg et Lyon) :

o Intégrer la dimension temporelle (horaires des bus, métros, etc.) dans le premier modèle de prédiction de l'itinéraire, qui réalise actuellement uniquement une prédiction spatiale.

o Analyser l'impact de la mémoire à court et à long terme sur la prédiction de la prochaine arête à partir du graphe multicouche.

o Appliquer une sorte de filtrage du graphe multicouche en utilisant les résultats de la prédiction du prochain trajet, notamment avec l'heure de départ.

o Explorer d'autres algorithmes d'apprentissage par renforcement ainsi que des alternatives aux réseaux de neurones récurrents.

o Affiner les paramètres utilisés dans les deux modèles (tailles d'encodage,…

Profil recherché

Le/la stagiaire recruté(e) doit :

· Être inscrit(e) en Master 2 en informatique ou mathématiques appliqués.

· Avoir une bonne compréhension des méthodes de l'apprentissage par renforcement (RL), ainsi que des principes d'apprentissage séquentiel et récurrent (RNN, LSTM, GRU).

· Maîtriser du langage de programmation Python et des principales bibliothèques utilisées en analyse de données et en apprentissage automatique (Pandas, NumPy, PyTorch, Gymnasium).

· Avoir des connaissances des principales techniques et métriques d'évaluation des modèles d'intelligence artificielle.

· Avoir la capacité à produire des visualisations de données et de résultats (notamment à l'aide de Matplotlib) et d'outils de visualisation géographique (comme Folium).

· Avoir un esprit critique.

· Être autonome, avoir un esprit d'initiative et de curiosité.

· Être rigoureux/rigoureuse

CESI est une école d'ingénieurs qui fait de la promotion sociale par l'excellence un modèle de réussite. Rejoignez un environnement stimulant où l'esprit d'équipe, la diversité des projets et l'autonomie ne font qu'un. Découvrez une école qui a su développer un modèle unique et se donne les moyens au quotidien de relever les grands défis de l'époque. Nos 25 campus, 28 000 étudiants, 8000 entreprises partenaires et 106 000 alumni témoignent de l'impact de CESI au niveau national.

CESI accompagne ses étudiants en utilisant des méthodes innovantes de pédagogie active. L'établissement forme avec rigueur les futurs ingénieurs, techniciens et managers, dans les secteurs suivants : l'Industrie & l'Innovation, le BTP, l'Informatique et le Numérique et le Développement Durable. Parallèlement, CESI concrétise son engagement dans la Recherche à travers des activités menées au sein de son Laboratoire d'Innovation Numérique, CESI LINEACT.

Les partenariats établis avec 130 universités à travers le globe, attestent de l'engagement international de CESI. Ces liens privilégiés offrent aux élèves ingénieurs une mobilité sortante et entrante à l'échelle internationale, façonnée notamment par des stages obligatoires faisant partie intégrante de leur cursus.