Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

7 avril 2017

Catégorisation de simulations numériques à l’aide d’outils d’apprentissages. Applications à l’inter-modalité dans les transports.


Catégorie : Doctorant


Ce travail de thèse financé par la région Hauts-de-France s’inscrit dans le cadre de l’opération SmartMob du programme ELSAT 2020 du Contrat de Plan Etat Région 2015-2020. Il vise à améliorer l’inter-modalité dans les transports, en travaillant au niveau de l’efficacité des simulations numériques de tels modèles de trafics routier et multimodaux.

Mots clés : Simulations numériques, Clustering, Transports multimodaux

 

Sujet de thèse

Ce travail s’inscrit dans le cadre de l’opération SmartMob du programme ELSAT 2020 du Contrat de Plan Etat Région 2015-2020 (Hauts-de-France), visant à améliorer l’inter-modalité dans les transports.

Nous proposons de travailler au niveau de l’efficacité des simulations numériques de tels modèles de trafics routier et multimodaux, le LGI2A ayant développé un simulateur multi-agents multi-niveaux nommé SIMILAR.

Les résultats de ces simulations présentent souvent une grande variabilité. Ainsi, au lieu de lancer plusieurs centaines ou milliers de simulations pour obtenir un éventail représentatif des différents résultats possibles pouvant émerger pour un modèle, nous proposons d’investiguer des méthodes plus intelligentes disposant d’une catégorisation des simulations avant leurs termes.

Par exemple, dans une approche inspirée du design pattern Map/Reduce, le simulateur pourrait calculer un ensemble d’états possibles du monde sur un horizon court, puis il les classifierait afin de ne conserver que les plus représentatifs. Ainsi, nous pourrions plus efficacement explorer en parallèle les différentes catégories de solutions possibles des simulations d’un modèle.

Pour obtenir ces catégories, nous souhaitons investiguer des méthodes d’apprentissage à partir de données observables d’une simulation, et plus particulièrement des méthodes issues de la théorie des fonctions de croyance de Dempster-Shafer qui constitue un cadre théorique riche pour modéliser des informations incertaines, et qui est un domaine de spécialité du LGI2A.

Descriptif complet : sur la page du LGI2A http://www.lgi2a.univ-artois.fr/spip/fr/postes_ouverts/poste-ouvert-5

Profil recherché

Master 2 ou ingénieur informatique avec

  1. de solides bases en programmation Java
  2. de solides bases en Statistiques
  3. des connaissances en R ou Matlab
  4. des connaissances en Machine Learning, Pattern Recognition, Reconnaissance de formes

Contacts

david.mercier@univ-artois.fr, gildas.morvan@univ-artois.fr, frederic.pichon@univ-artois.fr

Durée

Dès septembre/octobre 2017 pour 3 ans max.

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.