Développement d’un cadre de référence guidé par l’utilisation des données pour le déploiement de la mobilité urbaine aérienne

A data-driven framework for the deployment of urban air mobility

• Auteur / Autrice : Faheem Ahmed
• Direction : Bernard Archimède, Raymond Houé Ngouna
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 01/04/2022
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Aéronautique-Astronautique (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Jury : Président / Présidente : Chirine Ghedira
• Jury : Examinateurs / Examinatrices : Bernard Archimède, Raymond Houé Ngouna, Rémy Dupas, Grégory Zacharewicz, Mohamed Hedi Karray
• Jury : Rapporteurs / Rapporteuses : Rémy Dupas, Grégory Zacharewicz

Mots clés

Mots clés contrôlés

Apprentissage profond

Analyse des données

Transports urbains

Mots clés libres

Mobilité urbaine aérienne

Interopérabilité

Cadre de référence

Urban Air Mobility

Interoperability

Data-driven

Résumé

De nos jours, la mobilité dans les villes est de plus en plus difficile, notamment en raison de la croissance démographique et du besoin croissant de services à la demande. En réponse, les mégalopoles étudient la possibilité d'introduire la mobilité aérienne pour réduire la congestion du trafic, apporter des réponses rapides aux situations de crise, etc. Cependant, même si les technologies clés sont matures (grâce aux progrès scientifiques dans les domaines de l'efficacité énergétique, des drones, des technologies de l'information et de la communication, etc.), certains problèmes critiques sont toujours sans solution, exerçant ainsi une pression supplémentaire sur les pouvoirs publics pour le renouvellement des solutions de mobilité existantes : - Lorsqu'il s'agit de mettre en oeuvre la mobilité aérienne urbaine, quels sont les freins les plus significatifs et les enseignements précieux à retenir (autrement dit, comment intégrer les modes de transport aérien et terrestre ; les infrastructures actuelles sont-elles prêtes à accueillir le mode aérien, etc.) ? - La viabilité du marché peut-elle soutenir les lourds investissements nécessaires au déploiement ? - Quels sont les composants critiques du système des systèmes de mobilité résultant ? Pour répondre à ces questions et faciliter la mise en oeuvre de la mobilité urbaine aérienne (MUA), dans cette thèse, nous avons d'abord mené une analyse bibliométrique afin d'identifier les principaux domaines de recherche et les obstacles associés liés à sa mise en oeuvre. En raison du manque de données sur ce nouveau sujet de recherche, nous avons ensuite proposé une méthode d'apprentissage profond pour prédire la demande du marché de la MUA à partir d'un ensemble de données de référence basé sur les taxis terrestres. La solution proposée est une hybridation de la méthode d'apprentissage par transfert avec une architecture de type transformeur. Afin d'évaluer la faisabilité du déploiement, nous avons également proposé un cadre de référence guidé par l’utilisation de données qui permet d'expliquer les composants critiques à l'aide d'une méthodologie d'ingénierie système. Celui-ci peut aider les décideurs à développer des applications d’aide à la décision, telles que celles fournissant des prévisions, la maintenance des infrastructures, le renouvellement des services, etc. Enfin, nous avons étudié les problèmes d'interopérabilité des principaux composants du cadre de référence proposé pour faciliter la communication entre les solutions existantes (qui sont principalement centrés sur l'utilisateur, comme les planificateurs d’itinéraires) et les composants conçus spécifiquement pour le fonctionnement de la MUA. Les travaux futurs visent à combiner une méthode de l’approche basée sur la modélisation des événements discrets avec l'intelligence artificielle pour simuler chaque composant du cadre proposé et modéliser différents scénarios de la vie réelle.

Nowadays, mobility in cities is becoming difficult due to demographic growth and the increasing need for on-demand services. As a response, megacities are looking into the possibility of introducing air mobility to reduce traffic congestion, provide quick answers to crises situations, etc. However, even though the key enabling technologies are mature (thanks to advances in energy efficiency, unmanned air engines, information and communication technologies, and other developments), some critical issues remain unresolved, placing additional pressure on public authorities to renew the existing solutions: - When it comes to implementing urban air mobility, what are the most significant obstacles and valuable insights to keep in mind (how to integrate air and land modes of transportation; are the current infrastructures ready to accommodate the air mode, etc.)? - Can the market viability sustain the required investments for the deployment? - What are the critical components of the resulting mobility system of systems? To answer these questions and facilitate the implementation of urban air mobility (UAM), in this thesis, we first conducted a bibliometric analysis to identify primary research areas and associated obstacles related to its implementation. Due to the lack of data on this hot research topic, we proposed a deep learning method to predict the UAM demand using a taxi-based benchmark dataset. The proposed solution is a hybridization of the transfer learning method with the transformer architecture. In order to assess the feasibility of the deployment, we proposed a data-driven framework that allows us to explain the critical components using a system engineering methodology. It can later assist decision-makers in developing decision-centric applications, such as predictions, infrastructure maintenance, service renewal, etc. Finally, we investigated the interoperability concerns of the main components in our proposed framework to facilitate communication between the existing solutions (which are mostly user-centric) and the components designed specifically for UAM operation. Future work intends to combine a discrete events-based method with artificial intelligence to simulate each component of the proposed framework and model different real-life scenarios.