Optimisation des services de "ridesourcing" pour le déploiement futur des véhicules autonomes et connectés en milieu urbain

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

• Auteur / Autrice : Meiting Tu
• Direction : Dominique Gruyer, Olivier Orfila, Ye Li
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 14/06/2022
• Etablissement(s) : université Paris-Saclay en cotutelle avec Tongji university (Shanghai, Chine)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Perceptions, Interactions, Comportements & Simulations (Champs-sur-Marne ; 2020)
• Partenaire(s) de recherche : référent : Université d'Évry-Val-d'Essonne (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Shiyi Chen
• Jury : Examinateurs / Examinatrices : Andry Rakotonirainy, Mahdi Zargayouna, Xiaohong Chen, Lydie Nouvelière
• Jury : Rapporteurs / Rapporteuses : Andry Rakotonirainy, Mahdi Zargayouna

Mots clés

Mots clés contrôlés

Apprentissage automatique

Systèmes de transport intelligent

Véhicules autonomes

Covoiturage

Mots clés libres

Ridesourcing

Ridesplitting

Services de mobilité partagée

Optimisation

Véhicules connectés et autonomes

Ridesourcing

Ridesplitting

Shared mobility service

Optimization

Machine learning

Machine learning

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). 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.

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 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.