Graph Neural Networks Pour Le Réseau de Transport

**Graph Neural Networks pour le réseau de transport maritime // Graph Neural Networks for the Maritime Transportation Network**:

- Réf **ABG-125948**
**ADUM-58895**
- Sujet de Thèse- 24/09/2024- Cifre- École polytechnique- Lieu de travail- Palaiseau Cedex - France- Intitulé du sujet- Graph Neural Networks pour le réseau de transport maritime // Graph Neural Networks for the Maritime Transportation Network- Mots clés- Deep Learning, Graph Neural Networks, Données sur le transport maritime, Graph Representation Learning
Deep Learning, Graph Neural Networks, Maritime Transportation Data, Graph Representation Learning**Description du sujet**:

- L'objectif de ce doctorat est de développer des temporal graph neural networks innovants utilisant des données liées à la logistique maritime et d'autres caractéristiques pertinentes pour prédire l'évolution de la structure et des caractéristiques du réseau mondial de transport maritime par conteneurs. Une étude préliminaire a été menée qui met en évidence des évolutions à la fois lentes et abruptes du réseau concerné. Ces évolutions ont un impact significatif (sur l'environnement, la productivité, la congestion, etc.) L'objectif est donc de prédire ces évolutions dans leurs composantes multidimensionnelles et d'examiner la relation entre la structure du graphe et l'économie (taux de fret).
Les objectifs spécifiques sont les suivants
- enrichir le pipeline existant de CMA CGM avec des modèles d'apprentissage profond plus avancés, plus de tâches et plus d'ensembles de données.
- améliorer la maîtrise des données maritimes opérationnelles
- proposer une méthodologie adéquate et nouvelle basée sur les graphes, y compris des réseaux neuronaux à graphes temporels
- réaliser des expériences d'étalonnage entre les modèles d'apprentissage profond (et aussi d'apprentissage automatique standard) sur des ensembles de données réels et simulés afin de créer une nouvelle norme pour la communauté
- illustrer les évolutions du réseau mondial de transport maritime par conteneurs et caractériser son impact
- mettre en œuvre les approches/méthodologies dans Dataiku et partager les connaissances avec les autres Data Scientists de l'entreprise et du laboratoire de recherche.
- participer à des conférences nationales et internationales et publier des articles scientifiques.

The goal of this PhD is to develop innovative temporal graph neural networks using data related to maritime logistics and other relevant features to predict the evolution of the structure and features of the global containerized shipping network. A preliminary study has been conducted which highlights both slow and abrupt evolutions of the concerned network. These evolutions have significant impact ( on e.g., the environment, productivity, congestion, etc.). The aim is therefore to predict these evolutions in their multidimensional components and examine the relationship between the graph structure and the economy (freight rates).

Specific objectives are as follows:

- enrich the existing pipeline of CMA CGM with more advanced deep learning models, more tasks and more datasets
- improve proficiency in operational maritime data
- propose adequate and novel graph-based methodology including temporal graph neural networks
- perform benchmarking experiments across deep learning (and also standard machine learning) models on real and simulated datasets to create a new standard for the community
- illustrate the evolutions of the global containerized shipping network and characterize its impact
- implement the approaches/methodologies in Dataiku and share the knowledge to the other Data Scientists of the company and research lab.
- participate at national and international conferences and publish scientific articles

Début de la thèse : 01/01/2025**Nature du financement**:

- Cifre**Précisions sur le financement**:

- CIFRE ANRT***Présentation établissement et labo d'accueil**:

- École polytechnique**Etablissement délivrant le doctorat**:

- École polytechnique**Ecole doctorale**:

- 626 Ecole Doctorale de l'Institut Polytechnique de Paris- Qualifications : - Excellente expérience dans les aspects théoriques et empiriques de machine learning et de deep learning. - Bonne connaissance des statistiques et de l'algèbre linéaire - Excellentes compétences en programmation en Python - Bonnes compétences rédactionnelles ainsi que des compétences relationnelles et de communication avec une forte capacité à collaborer efficacement avec les autres membres de l'équipe. - Maîtrise de l'anglais Qualifications supplémentaires souhaitées : - Connaissance des spécificités des réseaux de neurones graphiques - Premières expériences avec des données logistiques - Bonnes compétences en programmation SQL
Profile and skills required: Requirements: - Excellent background in theoretical and empirical aspects of machine learning and deep learning - Good backgr