STAGE Prédiction « end to end » du comportement de mobilité multimodale des étudiants en utilis[...]

STAGE Prédiction « end to end » du comportement de mobilité multimodale des étudiants en utilisant des approches d'apprentissage par renforcement et récurrent Description de l'offre d'emploi 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 adaptés 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 basées 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 (tels 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 La prédiction de la mobilité individuelle vise à prédire ces décisions à partir des habitudes passées. Les travaux existants étudient différents scénarios de prédiction, tels que la prochaine localisation visitée, le prochain point d’intérêt ou encore la prédiction complète d’un trajet incluant l’origine, la destination et l’heure de départ. Dans un travail récent, 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. Ce modèle repose toutefois sur des informations initiales de trajet 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, ainsi que d’explorer différentes pistes d’expérimentation sur trois villes françaises : 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 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) : 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. Analyser l’impact de la mémoire à court et à long terme sur la prédiction de la prochaine arête à partir du graphe multicouche. Appliquer un filtrage du graphe multicouche en utilisant les résultats de la prédiction du prochain trajet, notamment avec l’heure de départ. Explorer d’autres algorithmes d’apprentissage par renforcement ainsi que des alternatives aux réseaux de neurones récurrents. Affiner les paramètres utilisés dans les deux modèles et analyser leur impact sur la qualité de la prédiction. Explorer l’horizon de prédiction (par exemple : à l’échelle d’une journée ou en considérant un comportement de mobilité stable sur une période donnée). Mettre en évidence l’utilité de la prédiction end‑to‑end en reproduisant le comportement de mobilité multimodale des étudiants, tout en modifiant les paramètres de l’environnement (par exemple la localisation du campus ou l’emploi du temps). Analyser les résultats obtenus et rédiger le rapport de stage. Production scientifique/technique attendue Le stage donnera lieu au développement d’un modèle de prédiction « end‑to‑end » combinant les deux modèles existants de prédiction de la mobilité individuelle depuis l’estimation automatique des paramètres initiaux du trajet jusqu’à la construction complète de l’itinéraire. Cette contribution sera accompagnée d’une campagne d’expérimentations élargie, menée sur plusieurs scénarios de mobilité et sur différentes villes (Toulouse, Strasbourg, Lyon), permettant d’évaluer les performances, la robustesse et les limites de l’approche proposée. L’ensemble des travaux réalisés sera synthétisé dans un rapport de stage détaillé, constituant une production scientifique et technique exploitable pour la poursuite des recherches du laboratoire. 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. 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 du stage dans les thématiques de recherche du laboratoire Ce stage s’inscrit dans la thématique Gestion des Systèmes de Transports Multimodaux (GSTM). Il mobilise des approches issues de l’apprentissage automatique et de la science des données pour exploiter des graphes de transport et modéliser les comportements de déplacement. En s’intéressant à la prédiction de la mobilité étudiante et à l’évaluation de stratégies de déplacement sur plusieurs territoires urbains, le stage contribue aux recherches du laboratoire sur les transports intelligents, la mobilité durable et le développement de méthodes d’aide à la décision pour les systèmes urbains. Organisation du stage Financement : Programme CEE Mon trajet vert. Lieu de travail : Campus de CESI Toulouse, France. Démarrage : Février/Mars 2026. Durée : 6 mois. Encadrement : Abdelfatah Kermali, Doctorant, CESI Toulouse, France ; Kamaldeep Singh Oberoi, Enseignant Chercheur, CESI Toulouse, France. Modalités de recrutement : sur le dossier de candidature et entretien. Le Dossier De Candidature Devra Comporter : Un CV détaillé Une lettre de motivation Les résultats du Master 1 et Master 2 Tout autre document nécessaire Références Abdelfatah Kermali, Kamaldeep Singh Oberoi, Zeineb El Khalfi, et Yohan Dupuis. 2025. Deep Reinforcement Learning of Simulated Students Multimodal Mobility Behavior: Application to the City of Toulouse. In Proceedings of the 40th ACM/SIGAPP Symposium on Applied Computing (SAC ’25). Association for Computing Machinery, New York, NY, USA, 882–888. Ziyan Luo et Congcong Miao. 2022. RLMob: Deep Reinforcement Learning for Successive Mobility Prediction. In Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining (WSDM ’22). Association for Computing Machinery, New York, NY, USA, 648–656. P. Zhang, H. N. Koutsopoulos and Z. Ma, “DeepTrip: A Deep Learning Model for the Individual Next Trip Prediction With Arbitrary Prediction Times,” in IEEE Transactions on Intelligent Transportation Systems, vol. 24, no. 6, pp. 5842‑5855, June 2023, doi: 10.1109/TITS.2023.3252043. Feng, J., Yong Li, Chao Zhang, Funing Sun, Fanchao Meng, Ang Guo et Depeng Jin. “DeepMove: Predicting Human Mobility with Attentional Recurrent Networks.” Proceedings of the 2018 World Wide Web Conference (2018). Zhan Zhao, Haris N. Koutsopoulos, et Jinhua Zhao. Individual mobility prediction using transit smart card data. Transportation Research Part C: Emerging Technologies, 89:19‑34, 2018. Pré-requis du poste Profil recherché 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 le langage de programmation Python et les 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. #J-18808-Ljbffr