Prévision de charge dans les transports en commun en situation atypique par traitement d'image

Load forecasting in public transport in atypical situations using computer vision

• Auteur / Autrice : Thomas Bapaume
• Direction : Latifa Oukhellou
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 01/12/2023
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie des Réseaux de Transport Terrestre et Informatique Avancé (Noisy-le-grand, Seine-Saint-Denis) - Laboratoire Génie des Réseaux de Transport Terrestre et Informatique Avancé (Noisy-le-grand, Seine-Saint-Denis)
• Jury : Examinateurs / Examinatrices : Latifa Oukhellou, Vincent Guigue, Laurent Heutte, Alexandre Alahi, Etienne Côme
• Jury : Rapporteurs / Rapporteuses : Vincent Guigue, Laurent Heutte

Mots clés

Mots clés contrôlés

Paris (France)

Transports publics

Zones de flux de voyageurs

Circulation -- Estimation

Métros

Simulation, Méthodes de

Transport de voyageurs

Mots clés libres

Prédiction

Flux de voyageurs

Transports publics

Traitement d'image

Inpainting

Passenger flows

Prediction

Public transport

Computer vision

Inpainting

Résumé

Les transports en commun jouent un rôle essentiel dans le développement du tissu urbain en offrant des services de transport contribuant à la durabilité des grandes villes. Avec la tenue d'évènements majeurs (Jeux Olympiques 2024, Coupe du Monde de Rugby) et la création de nouvelles lignes de métro dans la capitale parisienne (projet du Grand Paris), les transports en commun seront soumis à des contraintes nouvelles et atypiques. La tâche de prédiction de charge à bord doit bien sûr fournir une prédiction la plus fiable possible en situation nominale mais elle doit aussi tenir compte de ces futures évolutions en considérant les situations atypiques observées au cours des dernières années (Covid, Grève, incident) afin de garantir un niveau de service élevé favorisant l'usage des transports en commun. Dans ce contexte, ces travaux de thèse cherchent à construire un modèle de prédiction court-terme de charge en focalisant sur les situations atypiques du réseau, qu'elles soient prévues ou non, récurrentes ou non. La modélisation est construite sur une représentation fidèle des mouvements de trains sous la forme d'une image. Une telle représentation des données a l'avantage d'encoder l'intégralité des trains circulant sur une ligne de transport en évitant toute agrégation temporelle, autorisant ainsi une prédiction à l'échelle de la ligne et une compréhension fine des dynamiques de charges en particulier lors des cas atypiques. La prédiction de charge est ainsi transposée sous la forme d'une problématique de traitement d'image visant à reconstruire une partie de l'image (tâche d'inpainting). Elle est effectuée simultanément pour tous les trains et stations d'une ligne de métro. En s'inspirant des modèles de traitement d'image, nous proposons une méthodologie de prédiction court-terme des charges dans les transports en commun, tenant compte des spécificités propres à l'image comme les données manquantes, l'aspect spatio-temporelle entre trains et stations. Un des challenge de la thèse est de valider la méthodologie proposée sur un jeu de trois ans de données avec une variété de situations atypiques (événements sportifs, Covid, grèves, incidents, ...) tout en utilisant diverses architectures allant de la diffusion à l'apprentissage profond en particulier les modèles U-net et transformer (Vision Transformer pour les images). Enfin, ces travaux mettent l'accent sur les situations atypiques, regroupant à la fois les perturbations d'une ligne (retards, fortes charges), et des évènements impactant la ligne (événements sportifs, confinements, grèves). Ces contextes spéciaux du trafic ferroviaire constituent un réel enjeu pour les outils de prédiction car ils ne sont pas considérés dans l'offre théorique. Dans un premier temps, nous exploitons conjointement des indicateurs statistiques et l'espace latent pour labelliser les images et constituer des sous-bases spécifiques. Nous procédons ensuite à une analyse différenciée des performances de prédiction sur chacune des classes d'images. Il s'agit d'évaluer les modèles pour les cas les plus complexes afin de juger de leur capacité de généralisation. Dans un second temps, nous explorons deux pistes pour améliorer ces performances, l'une se base sur le sur-échantillonnage des images atypiques tandis que l'autre s'attache à générer de nouvelles images atypiques. Nous évaluons les modèles de prédiction de charges sur les bases de données ainsi constituées

Public transport is essential in shaping urban development and fostering sustainable practices in major cities. As Paris gears up for significant events like the 2024 Olympic Games, the Rugby World Cup, and the expansion of its metro network through the Greater Paris project, the public transport system faces new and unprecedented challenges. While the primary goal remains to provide accurate load forecasts under normal conditions, accounting for atypical situations observed in recent years, such as COVID outbreaks, strikes, or incidents, is equally crucial. This proactive approach ensures a high standard of service that promotes the continued use of public transportation.In this context, this thesis seeks to build a short-term load prediction model focusing on atypical situations on the network, whether or not they are foreseen or recurring. The model is based on a faithful representation of train movements in an image way. The advantage of this type of data representation is that it encodes all the trains running on a transport line, avoiding any temporal aggregation, thus enabling line-wide prediction and a detailed understanding of load dynamics, particularly in atypical cases.The task of load prediction is transformed into an image processing problem akin to image inpainting, where we aim to reconstruct a portion of the image. This process is carried out simultaneously for all trains and stations along a metro line. Drawing inspiration from image processing techniques, we introduce a methodology for short-term load forecasting in public transport, which accounts for image-specific aspects like missing data and the spatio-temporal relationships between trains and stations. One of the critical challenges in this thesis is to validate the proposed methodology using a three-year dataset encompassing various atypical situations (such as sporting events, Covid-related disruptions, strikes, incidents, etc.), leveraging diverse architectural approaches ranging from diffusion models to deep learning, particularly U-net models and transformers (specifically Vision Transformers designed for images). Finally, this research is mainly dedicated to atypical scenarios, encompassing both disruptions within the rail system (such as delays and high loads) and external events impacting the service (including sporting events, lockdowns, and strikes). These unique rail traffic contexts pose a significant challenge for predictive tools since they are not accounted for in standard theoretical models. Our approach involves two key strategies. Firstly, we employ statistical indicators and latent space to label the images, creating specialized sub-datasets. Subsequently, we conduct a differentiated analysis of prediction performance for each image class, explicitly focusing on the most complex cases to evaluate the models' generalization capabilities.Furthermore, we explore two methods for enhancing prediction accuracy. One approach involves oversampling atypical images, while the other generates new ones. These techniques evaluate load prediction models across the resulting datasets, ultimately contributing to a more comprehensive understanding of predicting load under diverse and challenging conditions