| Version imprimable |
| Apprentissage automatique pour l'analyse et la prédiction de la qualité de service des transports de bus urbains : application au cas réel de la vitesse commerciale du réseau de bus de la métropole de Rennes (Machine learning for the analysis and prediction of urban bus transport service quality) | ||
Vincent, Erwan - (2025-12-04) / Université de Rennes - Apprentissage automatique pour l'analyse et la prédiction de la qualité de service des transports de bus urbains : application au cas réel de la vitesse commerciale du réseau de bus de la métropole de Rennes Langue : Français Directeur de thèse: Miklós, Zoltán Laboratoire : IRISA Ecole Doctorale : MATISSE Thématique : Informatique | ||
Mots-clés : Réseaux de neurones en graphes, Sélection de variables, Détermination d'impacts, Vitesse commerciale, Analyses spatio-temporelles, Transport en commun, Réseaux neuronaux graphiques, Lignes d'autobus, Analyse spatiale (statistique) Résumé : Améliorer l'efficacité des transports en commun est un enjeu crucial pour les organismes qui en assurent la gestion. Aujourd'hui, grâce à l'essor des données massives et des nouvelles méthodes d'apprentissage automatique, il est de plus en plus facile d'organiser la gestion des services de transport et de comprendre ainsi que de prédire différents critères de performance, comme la vitesse commerciale. La prédiction de la vitesse commerciale permettrait d'améliorer la fluidité du réseau, ses performances et la satisfaction de ses usagers et de ses gestionnaires. Cependant, les méthodes actuellement mises en œuvre sont imparfaites et ont du mal à prendre en compte la complexité des interactions entre les différents facteurs influençant la performance du réseau. D'où le besoin, voire la nécessité, pour les exploitants, de déterminer des approches plus avancées et performantes. Le principal défi réside dans l'identification de ces facteurs déterminants. Par ailleurs, les relations spatio-temporelles entre ces facteurs et la vitesse commerciale rendent les estimations complexes. L'utilisation des réseaux de neurones en graphes (GNN) apparaît donc comme l'une des solutions prometteuses. Actuellement, leurs applications dans la littérature restent peu explorées pour cette tâche. Dans cette thèse, une approche fondée sur les GNN est proposée pour prédire la vitesse commerciale des bus. L'un des principaux indicateurs de performance des réseaux de transport en commun. Des expérimentations sur des jeux de données issus d'un réseau de transport de bus montrent que cette approche surpasse les méthodes plus traditionnelles, en termes de précision et de robustesse. Ces résultats ouvrent la voie à une gestion plus efficace et explicative des systèmes complexes de transports urbains par bus. Résumé (anglais) : Improving the efficiency of public transport is a crucial issue for the organisations responsible for its operation. Today, with the advent of big data and new machine learning methods, it has become much easier to administer transport services and understand and predict performance criteria such as commercial speed. Predicting such criteria could improve the network's fluidity, performance, and the satisfaction of users and operators. However, current methods are fallible and sometimes fail to capture the complexity of interactions between the various factors influencing network performance. This highlights the need for operators to identify more advanced and efficient approaches. The main challenge lies in identifying these factors. Furthermore, the spatio-temporal relationships between these factors and commercial speed complicate estimation. Using Graph Neural Networks (GNNs) therefore appears to be a potential solution. Nevertheless, their applications in this task remain little explored in the literature. This thesis proposes a GNN-based approach to predicting bus commercial speed, which is one of the main performance indicators of public transport networks, using real-world datasets from a bus transport network. Several experiments demonstrate that this approach outperforms traditional methods in terms of accuracy and robustness. The results obtained pave the way for the more efficient and explanatory management on complex urban bus transport. Identifiant : rennes1-ori-wf-1-21913 | ||
| Exporter au format XML |