Prévision à court terme des flux de voyageurs : une approche par les réseaux bayésiens

Short-term passenger flow forecasting : a Bayesian network approach

• Auteur / Autrice : Jérémy Roos
• Direction : Stéphane Bonnevay, Gérald Gavin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 28/09/2018
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Entrepôts, Représentation et Ingénierie des Connaissances
• Jury : Président / Présidente : Alexandre Aussem
• Jury : Examinateurs / Examinatrices : Stéphane Bonnevay, Gérald Gavin, Shadi Sadeghian, Nathalie Laurent
• Jury : Rapporteurs / Rapporteuses : Philippe Leray, Latifa Oukhellou

Mots clés

Mots clés contrôlés

Algorithmes EM

Modèles de mélanges gaussiens

Transports publics

Statistique bayésienne

Mots clés libres

Prévision à court terme

Flux de voyageurs

Réseaux bayésiens

Modèles de mélanges gaussiens

Algorithme espérance-maximisation

Short-term forecasting

Passenger flows

Bayesian networks

Gaussian mixture models

Expectation-maximisation algorithm

Résumé

Dans ces travaux de thèse, nous proposons un modèle de prévision à court terme des flux de voyageurs basé sur les réseaux bayésiens. Ce modèle est destiné à répondre à des besoins opérationnels divers liés à l'information voyageurs, la régulation des flux ou encore la planification de l'offre de transport. Conçu pour s'adapter à tout type de configuration spatiale, il permet de combiner des sources de données hétérogènes (validations des titres de transport, comptages à bord des trains et offre de transport) et fournit une représentation intuitive des relations de causalité spatio-temporelles entre les flux. Sa capacité à gérer les données manquantes lui permet de réaliser des prédictions en temps réel même en cas de défaillances techniques ou d'absences de systèmes de collecte

In this thesis, we propose a Bayesian network model for short-term passenger flow forecasting. This model is intended to cater for various operational needs related to passenger information, passenger flow regulation or operation planning. As well as adapting to any spatial configuration, it is designed to combine heterogeneous data sources (ticket validation, on-board counts and transport service) and provides an intuitive representation of the causal spatio-temporal relationships between flows. Its ability to deal with missing data allows to make real-time predictions even in case of technical failures or absences of collection systems