Vous êtes ici : Version française > Formation > Financements de thèse > Doctorants accompagnés par l'Ecole urbaine de Lyon
-
Partager cette page
Thèmes de recherche
De la ville intelligente à la ville prédictive : application aux modes de transports "actifs".
Passionné d’informatique depuis mon enfance, j’ai décidé de faire mes études dans ce domaine. Je me suis spécialisé en Intelligence Artificielle en dernière année de master et ai fait un stage en recherche qui a abouti à mon sujet de thèse.
Mes deux premières années de thèse ont été principalement dédiées à l’analyse et à la prédiction de trajets de cyclistes.
J’ai, pour cela, utilisé des traces GPS générées par quarante cyclistes dans les villes de Lyon et de Saint-Etienne pour aller de leur domicile à leur travail. Mon analyse a débuté par la comparaison de ces traces et des chemins les plus courts, allant de leurs origines à leurs destinations. Comme je m’en doutais, le chemin emprunté par ces cyclistes n’est pas le chemin le plus court. En effet, les cyclistes ont tendance à emprunter des chemins qui leur paraissent plus sécurisés et/ou plus agréables, quitte à augmenter la distance à parcourir.
Toute la difficulté des recherches sur le comportement des cyclistes est de réussir à modéliser le compromis implicite fait entre l’optimalité du trajet et sa sécurité / son agréabilité.
J’ai, ensuite, utilisé un algorithme de clustering sur mon jeu de données. Ce type d’algorithme permet de créer des groupes rassemblant les données qui se ressemblent. Les groupes de traces GPS ainsi créés permettent d’identifier les portions de routes par lesquels passent le plus les cyclistes de mon jeu de données. Plusieurs de ces groupes sont, par exemple, centrés sur les berges gauche du Rhône, connues pour être particulièrement appréciées par les cyclistes pour leur aménagement.
Identifier les portions de routes les plus utilisées par les cyclistes est primordial pour prédire leurs comportements. La phase finale de cette première partie de thèse a été d’entraîner un réseau de neurones à retrouver un ou plusieurs de ces segments de route les plus utilisés à partir d’un point d’origine et d’un point de destination. Un simple algorithme de chemin le plus court prenant en compte la portion de route identifiée permet ensuite de prédire un chemin susceptible d’être utilisé par un cycliste.
Etablissement : INSA Lyon
Ecole doctorale : Infomaths.
Machine learning et Deep learning appliqués aux transports dans le but de comprendre et de simuler le comportement des utilisateurs des modes de transports actifs.
Passionné d’informatique depuis mon enfance, j’ai décidé de faire mes études dans ce domaine. Je me suis spécialisé en Intelligence Artificielle en dernière année de master et ai fait un stage en recherche qui a abouti à mon sujet de thèse.
Mes deux premières années de thèse ont été principalement dédiées à l’analyse et à la prédiction de trajets de cyclistes.
J’ai, pour cela, utilisé des traces GPS générées par quarante cyclistes dans les villes de Lyon et de Saint-Etienne pour aller de leur domicile à leur travail. Mon analyse a débuté par la comparaison de ces traces et des chemins les plus courts, allant de leurs origines à leurs destinations. Comme je m’en doutais, le chemin emprunté par ces cyclistes n’est pas le chemin le plus court. En effet, les cyclistes ont tendance à emprunter des chemins qui leur paraissent plus sécurisés et/ou plus agréables, quitte à augmenter la distance à parcourir.
Toute la difficulté des recherches sur le comportement des cyclistes est de réussir à modéliser le compromis implicite fait entre l’optimalité du trajet et sa sécurité / son agréabilité.
J’ai, ensuite, utilisé un algorithme de clustering sur mon jeu de données. Ce type d’algorithme permet de créer des groupes rassemblant les données qui se ressemblent. Les groupes de traces GPS ainsi créés permettent d’identifier les portions de routes par lesquels passent le plus les cyclistes de mon jeu de données. Plusieurs de ces groupes sont, par exemple, centrés sur les berges gauche du Rhône, connues pour être particulièrement appréciées par les cyclistes pour leur aménagement.
Identifier les portions de routes les plus utilisées par les cyclistes est primordial pour prédire leurs comportements. La phase finale de cette première partie de thèse a été d’entraîner un réseau de neurones à retrouver un ou plusieurs de ces segments de route les plus utilisés à partir d’un point d’origine et d’un point de destination. Un simple algorithme de chemin le plus court prenant en compte la portion de route identifiée permet ensuite de prédire un chemin susceptible d’être utilisé par un cycliste.
Etablissement : INSA Lyon
Ecole doctorale : Infomaths.
Machine learning et Deep learning appliqués aux transports dans le but de comprendre et de simuler le comportement des utilisateurs des modes de transports actifs.
Activités / CV
- Participation à l'émission Street Actu de la Radio Anthropocène.
- Participation au travail d'enquête anthropocène au Pays de l'Arbresle (juin 2021).
- DUT Informatique, Licence Informatique et Master Informatique à l'Université Claude Bernard Lyon 1 / Spécialisation en Intelligence Artificielle.
- Stage de Master au CITI
- Lauréat d'un contrat doctoral financé par l'Ecole Urbaine de Lyon.