Approche systématique à base d’apprentissage automatique pour une nouvelle optimisation du trafic dans l'ingénierie des transports urbains – SMART-ROUTE

La croissance rapide de la demande pour les réseaux de transport urbain a souligné le besoin urgent d'une gestion sophistiquée des réseaux de transport multimodal en raison des coûts significatifs associés à la congestion du trafic et aux émissions de CO2. Aborder ces défis nécessite une double focalisation : alléger la congestion et minimiser les émissions de CO2. Un pas significatif vers la réalisation de réseaux de transport urbain durablement écologiques, SMART-ROUTE se consacre à l'optimisation des réseaux de transport urbains multimodaux à grande échelle et vise quatre objectifs : (i) capturer l'évolution de la dynamique des réseaux multimodaux à grande échelle; (ii) concevoir des modèles d'apprentissage automatique pour prédire l'état dynamique du réseau; (iii) concevoir des méthodes d'apprentissage par renforcement profond (DRL) pour affiner la gestion de la demande et de l'offre; (iv) valider les algorithmes proposés sur des réseaux de transport multimodaux à grande échelle.
Le calcul de l'état réel du réseau de transport est défini comme un équilibre qui correspond à la modélisation et à la résolution de l'équilibre dynamique du réseau (DNE). Il aborde les défis posés par le DNE, avec une demande et une offre de plus en plus fluctuantes, notamment à la suite de la crise sanitaire avec la généralisation du télétravail. En utilisant des approches d'apprentissage automatique, telles que l'apprentissage automatique informé par la physique (PIML) et les réseaux neuronaux graphiques (GNNs), nous visons à capturer des caractéristiques complexes du DNE (par exemple, les modèles de flux de chemin/liens), permettant une modélisation prédictive plus efficace. Des modèles d'apprentissage automatique basés sur des graphes seront conçus pour la prévision du DNE, tandis que les techniques de DRL optimiseront ces espaces de solutions en appliquant diverses stratégies de contrôle. SMART-ROUTE évaluera et validera les méthodes sur plusieurs cas de test multimodaux. En particulier, de réels cas d'usage des villes de Paris et Lyon, fournis par les membres du Consortium, seront considérés pour évaluer leur robustesse et leur efficacité.
En intégrant les fondements mathématiques du DNE avec la puissance de l'IA, SMART-ROUTE vise à créer de nouveaux outils efficaces pour optimiser les simulateurs basés sur les agents. Cette intégration conduit à des réseaux de transport urbains plus adaptatifs, efficaces et soutenables, qui répondent à une variété de conditions, avançant la transition vers des villes intelligentes et durables. L'outil offrira des économies de temps, d'énergie, de coût et d'émissions de CO2 pour les professionnels des secteurs du transport et de la mobilité urbaine. Le projet offrira un ensemble de modèles et d'outils mis à disposition pour tous les chercheurs, décideurs politiques et parties prenantes du domaine du transport et de la mobilité.