STAGE M2 : Prédiction multi-échelle de la disponibilité de vélo-partagé à partir de données ouvertesPrédiction multi-échelle de la disponibilité de vélo-partagé à partir de données ouvertes
Domaines scientifiques : informatique, mathématique, géomatique
Mots clés : vélo-partagé, données ouvertes, analyse de séries temporelles
Encadrement
Gaël PALLARES, Enseignant Chercheur
Myriam FOUCRAS, Enseignant Chercheur
Dans un contexte de changement climatique et de diminution de ressources naturelles, il devient vital d’optimiser les transports existants et de développer l’usage de modes écologiquement plus vertueux comme le vélo-partagé. Or la conception et la gestion d’un réseau de transport nécessite une connaissance fine de la demande à toutes échelles. Du point de vue de l’usager, une forte demande peut se traduire par une indisponibilité du transport partagé à un instant donné, avec comme conséquence un possible rejet du mode sur le plus long terme. Dans ce contexte, il apparait crucial de pouvoir délivrer cette information en temps réels aux futurs voyageurs. Le déploiement d'outils numériques permet l'acquisition automatique de données à chaque instant et leur analyse apparait comme une voie prometteuse pour fournir tel renseignement à l’usager. Dans ce contexte, l’objet de ce stage est de pouvoir prédire à différentes échelles de temps la disponibilité de vélo-partagé en station à partir de données ouvertes.
Ce stage s’inscrit dans le cadre du programme Mon Trajet Vert 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 du public étudiant via une approche intégrée d’analyse, d’apports méthodologiques et de diffusion large auprès des étudiants et des établissements d’enseignement supérieur.
Nous cherchons 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.
La densification démographique des villes entraîne un accroissement des besoins en mobilité urbaine et avec lui l’aggravation de divers problèmes sous-jacents notamment énergétiques et écologiques. Dans un contexte de taille finie d’espace et de ressources, il devient vital d’une part d’optimiser les transports existants, et d’autre part de développer l’usage de modes plus vertueux écologiquement (Gallo and Marinelli, 2020). Le vélo-partage est l'un de ces modes de transport durable. Ce service public de mobilité permet aux utilisateurs d'emprunter et de restituer des vélos dans des stations réparties stratégiquement dans la ville. Pour garantir la fluidité et l’accessibilité du système, il est essentiel de s'assurer que les vélos et les places de stationnement soient disponibles au bon moment et au bon endroit : les utilisateurs doivent trouver un vélo disponible au départ et une place de stationnement libre à l’arrivée. Cependant, cette disponibilité est variable et peut dépendre de nombreux facteurs, comme les conditions météorologiques, l'heure, et les habitudes de déplacement de la population.
L’objectif de ce stage est de développer un modèle de prédiction en temps réel de la disponibilité de vélos dans une station donnée pour différentes échelles temporelles. Une attention particulière sera portée au public étudiant pour lequel un contexte socio-économique et des contraintes de temps sont propres. La prédiction de la disponibilité est cruciale pour améliorer l'expérience utilisateur, optimiser la planification des trajets multimodaux à faible empreinte carbone, et aider les opérateurs de vélo-partagé à mieux gérer leur flotte. Le laboratoire a mis en place une infrastructure de collecte automatique à la minute de données de comptage de vélos disponibles dans les stations pour plusieurs villes françaises. En parallèle, des données météorologiques et de pollution sont également disponibles, permettant de prendre en compte l’impact des conditions environnementales sur l’utilisation des vélos en libre-service.
Un premier travail a été réalisé cette année avec de la prédiction court-terme. Il s’agira d’étendre l’échelle de prédiction au moyen et long terme. Plusieurs pistes de modélisation sont envisageables pour répondre aux objectifs de ce projet. Une première piste consiste à faire de la prédiction via des séries temporelles. L’étude des variations temporelles de la disponibilité des vélos permet de détecter des motifs récurrents en fonction de l’heure de la journée, des jours de la semaine et/ou des saisons (Kaltenbrunner et al., 2010). D’autres approches de machine learning sont également possibles : des modèles de prédiction avancés tels que les forêts aléatoires, les modèles de régression ou les réseaux neuronaux récurrents peuvent éventuellement être employés pour capturer des relations complexes entre les différentes variables (Ashqar et al., 2017).
Plusieurs thèses de doctorats sont financées par le programme Mon Trajet Vert. Une thèse en particulier traite de la planification de la mobilité des étudiants de l’enseignement supérieur au travers d’un système dynamique multimodal. Ce stage viendra alimenter cette thèse par l’apport de données et d’outils de prédiction de disponibilité du mode doux. En effet contrairement aux transports en commun ou aux trains dont les horaires de passage sont planifiés, aucune donnée de prédiction n’est fournie pour les vélos partagés.
Périodes
Etapes
Mois 1
Bibliographie et définition du plan d’actions
Etude des différentes villes d’étude (Toulouse, Strasbourg, Rouen, Lyon, La Rochelle) et de leurs spécificités territoriales
Mois 2-3
Nettoyage, préparation et analyse exploratoire de données
Développement du modèle de prédiction
Mois 3-4
Déploiement du modèle de prédiction sur le jeu de données réelles
Evaluation de métriques et discussion des limites du modèle
Mois 6
Visualisations et présentations écrite (rapport) et orale
Les livrables attendus sont :
· le rapport de stage incluant le modèle de prédiction explicité
· le code de programmation Python associé
· les données obtenues (disponibilités spatio-temporelles)
Au-delà de l’évaluation des disponibilités de vélo-partagé, ce travail sera une brique supplémentaire dans la compréhension des leviers et freins à l’usage du deux-roues notamment chez les étudiants (Torrisi et al, 2021). Par ailleurs, elle pourra être intégrée comme donnée d’entrée à des outils de simulations visant à décrire et à prédire la dynamique des flux de mobilité (Hörl and Balac, 2021). Elle sera également utile comme jeu de données terrain pour l’étude des problèmes d’optimisation de ré-équilibrage de la flotte de vélos en recherche opérationnelle (Schuijbroek et al., 2017) et permettra une description plus fine des déplacements par affectation de poids en théorie des graphes (Yang et al., 2020). Suivant l’état d’avancement du stage et des résultats obtenus, une valorisation de la production scientifique est envisagée.
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.
Le sujet de stage proposé questionne les problématiques de mobilités partagées et sa finalité est essentiellement à visée applicative. Ce travail est dans la continuité des activités de recherches antérieures du laboratoire LINEACT - axe de recherche Gestion des systèmes de transports multimodaux, sous axe : Mobilité partagée de l’équipe 2 Ingénierie et outils numériques.
Ashqar, H. I., Elhenawy, M., Almannaa, M. H., Ghanem, A., Rakha, H. A., & House, L. (2017, June). Modeling bike availability in a bike-sharing system using machine learning. In 2017 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS) (pp. 374-378). IEEE.
Gallo, M., & Marinelli, M. (2020). Sustainable mobility: A review of possible actions and policies. Sustainability, 12(18), 7499.
Hörl, S., & Balac, M. (2021). Synthetic population and travel demand for Paris and Île-de-France based on open and publicly available data. Transportation Research Part C: Emerging Technologies, 130, 103291.
Kaltenbrunner, A., Meza, R., Grivolla, J., Codina, J., & Banchs, R. (2010). Urban cycles and mobility patterns: Exploring and predicting trends in a bicycle-based public transport system. Pervasive and Mobile Computing, 6(4), 455-466.
Schuijbroek, J., Hampshire, R. C., & Van Hoeve, W. J. (2017). Inventory rebalancing and vehicle routing in bike sharing systems. European Journal of Operational Research, 257(3), 992-1004.
Torrisi, V., Ignaccolo, M., Inturri, G., Tesoriere, G., & Campisi, T. (2021). Exploring the factors affecting bike-sharing demand: Evidence from student perceptions, usage patterns and adoption barriers. Transportation Research Procedia, 52, 573-580.
Yang, Y., Heppenstall, A., Turner, A., & Comber, A. (2020). Using graph structural information about flows to enhance short-term demand prediction in bike-sharing systems. Computers, Environment and Urban Systems, 83, 101521.
Requirements:
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 (en cours) et les bulletins de notes correspondant ;
· toute autre pièce que vous jugerez utile.
Compétences scientifiques et techniques :
· solides connaissances en mathématiques et analyses statistiques
· bonnes connaissances en traitement de données
· maitrise du logiciel Python
Compétences relationnelles :
· être autonome, avoir un esprit d’initiative et de curiosité,
· savoir travailler en équipe et avoir un bon relationnel,
· être rigoureux