Optimisation des services de

par Meiting Tu

Projet de thèse en Automatique

Sous la direction de Dominique Gruyer, Olivier Orfila et de Ye Li.

Thèses en préparation à université Paris-Saclay en cotutelle avec l'Université de Tongji , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication , en partenariat avec Laboratoire Perceptions, Interactions, Comportements & Simulations (laboratoire) , Université d'Évry Val d'Essonne (référent) et de Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....) (graduate school) depuis le 01-12-2018 .


  • Résumé

    Les services de transport à la demande sont de plus en plus populaires en raison de leur commodité. Cependant, certaines études font apparaitre que ces services pourraient augmenter les congestions et le niveau de pollution. Le ridesplitting, un nouveau service de mobilité partagée, est un moyen plus durable de se déplacer pour améliorer l'efficacité des transports et réduire les émissions de polluants. Dans ce contexte, ce travail propose un cadre d'optimisation pour un Système de Mobilité Partagée (SMP). Dans cette thèse, l'écosystème SMP est traité sur quatre domaines de recherche : l'infrastructure urbaine, les utilisateurs, le système de mobilité partagée et les Véhicules Connectés et Autonomes (CAVs) : 1) Infrastructures urbaines L'objectif est d'explorer les effets non linéaires de l'environnement bâti sur le service de ridesplitting en utilisant une méthode d'apprentissage automatique (modèle d'arbre de décision avec boosting de gradient). Les résultats montrent que la plupart des caractéristiques de l'environnement bâti ont un effet fortement non linéaire sur le taux de ridesplitting. Ces résultats peuvent fournir des préconisations importantes sur les politiques de transport impliquant les opérateurs de transport dans le but d'améliorer les services de covoiturage. 2) Utilisateurs L'objectif est d'améliorer la prévision de la demande de services de ridesplitting à l'aide d'un réseau neuronal encodeur-décodeur spatio-temporel optimisé avec une couche d'encodage basée sur une combinaison de réseaux (réseau convolutif de graphes et réseau de mémoire à long terme à lecture prioritaire). Les résultats expérimentaux montrent que le cadre proposé surpasse les résultats obtenus dans l'état de l'art aussi bien pour la prédiction de la demande en une seule étape, que pour la prédiction en plusieurs étapes. 3) Système de répartition des trajets A partir des résultats précédents, nous proposons une optimisation du système de répartition des trajets sur la base d'un réseau de partage pour améliorer le système de répartition des trajets et évaluons l'écart entre le potentiel et le niveau réel de répartition des trajets. A partir de données empiriques de répartition des trajets à Chengdu (Chine), nous avons exploré le potentiel de la répartition des trajets pendant les heures de pointe. Les résultats montrent que le pourcentage d'économies potentielles, de gains de temps, et de trajets partagés pourrait atteindre respectivement 18,47%, 25,75% et 90,69%, alors que le niveau réel est de 1,22%, 2,38% et 7,85%. La solution proposée est générique et applicable au déploiement des CAV. 4) CAV En prévision d'appliquer les modèles et solutions précédentes aux CAV, la résilience et la robustesse des CAV en cas de cyber-attaques a été étudiée en développant une stratégie de contrôle résiliente et robuste (RRCS). Cette RRCS est appliquée sur un modèle de poursuite et son impact sur le flux de trafic mixte et la stabilité d'un peloton est étudié en cas de cyber-attaques et de défaillances. Des analyses de sensibilité ont été menées pour différentes compositions de pelotons, distributions de véhicules, et cyber-attaques. Les résultats montrent que la RRCS proposée est robuste et efficace pour garantir la sécurité d'un peloton de CAV. L'originalité et les aspects innovants développés dans cette thèse sont aussi bien théoriques et méthodologiques, qu'appliqués. Du point de vue théorique et méthodologique, le cadre proposé pour le SMP fournit une méthodologie systématique et générique pour la modélisation et la simulation. Les algorithmes d'IA proposés permettent d'analyser et de mieux comprendre les comportements de déplacement des usagers et leur modélisation spatio-temporelle. Pour ce qui est de l'application pratique de ces travaux, le SMP proposé peut améliorer significativement les services de ridesplitting tout en réduisant l'empreinte carbone. De plus, ce SMP est facilement extrapolable aux CAV et aux futurs systèmes de mobilités. Mots clés : ridesourcing, ridesplitting, véhicules connectés et autonomes, services de mobilité partagée, optimisation, machine learning

  • Titre traduit

    Optimization of ridesourcing services for the future deployment of connected and autonomous vehicles in urban areas


  • Résumé

    On-demand ridesourcing services have become increasingly popular due to their convenience. There are some debates claiming that ridesourcing services could increase congestion and pollution. Ridesplitting, a new shared mobility service, is a more sustainable travel mode for improving traffic efficiency and reducing air pollution. Therefore, the motivation of this study is to propose an optimization framework for the shared mobility system (SMS). The SMS ecosystem can be modeled with four specific research domains: city infrastructures, users, shared mobility system, and connected and autonomous vehicles (CAVs) technologies. Critical results and conclusions could be summarized into the following four aspects: 1) City infrastructures Exploring nonlinear effects of the built environment on ridesplitting service We use a machine learning method, gradient boosting decision tree model, to identify the impacts of the built environment on the ridesplitting ratio. The results show that most built environment features have a strong nonlinear effect on the ridesplitting ratio. Partial dependence plots could provide policy implications for the government and TNCs to improve the ridesplitting service. 2) Users Improving the demand prediction of ridesourcing services with an Optimized Spatiotemporal Encoder-Decoder Neural Network We propose a novel ridesourcing demand prediction framework. We use a combination of a graph convolutional network and a read-first long short-term memory network and a dynamic spatiotemporal attention mechanism. The experimental results show that the proposed framework outperforms state-of-the-art models for both single-step demand prediction and multi-step prediction. 3) Ridesourcing system Optimizing ridesourcing system based on a shareability network We optimize the ridesourcing system based on a shareability network and evaluate the gap between the potential and actual level of ridesplitting. We explore the potential of ridesplitting during peak hours using empirical ridesourcing data in Chengdu, China. The results show that the percentage of potential cost savings,time savings and shared trips could reach up to 18.47%, 25.75% and 90.69%, while the actual level is 1.22%, 2.38% and 7.85%. CAVs are also applicable in the proposed system. 4) CAVs technologies Proposing a resilient and robust control strategy for connected and autonomous vehicles to resist the threat of cyber-attacks In anticipation of applying the previous models and solutions to CAVs, the resilience and robustness of CAVs in the event of cyber-attacks was studied by developing a resilient and robust control strategy (RRCS). RRCS for cyberattacks is developed and its impacts on the mixed traffic flow are explored. Finally, sensitivity analyses are conducted in different platoon compositions, vehicle distribution and cyberattack intensities. The results show that the proposed RRCS of cyberattacks is robust and can resist the negative threats of cyberattacks on the CAV platoon. The originality and innovative aspects of this dissertation could be summarized according to 2 perspectives. For the value of theory and methodology, the proposed framework for the SMS could provide a systematic methodology for the modelling and simulation. The proposed artificial intelligent algorithms could provide a better understanding for the researches of travel behaviors analysis and spatiotemporal modelling. For the value of practical application, the proposed shared mobility system could help improve ridesplitting service to build a low carbon transport, which could incorporate CAVs for the future mobility. Key Words: ridesourcing, ridesplitting, connected and autonomous vehicles, shared mobility services, optimization, machine learning