Thèse soutenue

Machine Learning pour la gestion distribuée et dynamique d’une flotte de taxis et navettes autonomes
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Tatiana Babicheva
Direction : Leïla KloulDominique BarthWilco Burghout
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 10/03/2021
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
Partenaire(s) de recherche : Laboratoire : Données et algorithmes pour une ville intelligente et durable (Versailles ; 2015-...)
Jury : Président / Présidente : Jakob Puchinger
Examinateurs / Examinatrices : Alain Quilliot, Akka Zemmari, René Mandiau
Rapporteurs / Rapporteuses : Alain Quilliot, Akka Zemmari

Résumé

FR  |  
EN

Dans cette thèse sont étudiées des méthodes pour gérer des systèmes urbains de taxis électriques autonomes partagés dans un contexte en ligne dans lequel les requêtes des clients se produisent au fil du temps, et où les véhicules sont disponibles pour le partage de trajet et nécessitent une gestion de la recharge électrique. Nous proposons des heuristiques basées sur la décomposition de ce problème qui incluent la répartition du réseau routier et la mise en évidence de sous-problèmes tels que la gestion de la charge, la redistribution des véhicules vides et le partage de trajet dynamique. L'ensemble des nouvelles méthodes de redistribution des véhicules vides est proposée, dont proactives, c'est-à-dire qui prennent en compte à la fois la demande actuelle et la demande future anticipée, contrairement aux méthodes réactives, qui agissent uniquement sur la demande actuelle. Nous fournissons l'apprentissage par renforcement à différents niveaux en fonction de la granularité du système. Nous proposons un modèle RL basé sur les stations pour les petits réseaux et un modèle RL basé sur les zones, où les agents sont des zones de la ville obtenues par partitionnement, pour les plus grands. L'optimisation sous l'information complète est fournie afin d'analyser les performances du système a-posteriori en contexte hors ligne.L'évaluation des performances des méthodes proposées est accomplie dans un ensemble de réseaux routiers de nature et de taille différentes. La méthode proposée fournit des résultats prometteurs surpassant les autres méthodes testées et les données réelles sur les performances du système de taxi en termes de nombre de passagers satisfaits sous une flotte de taxi fixe.