Annonce

Les commentaires sont clos.

stage 5 mois (Marne-la-Vallée) : planification et gestion d'une flotte de micromobilité par data stream mining

26 Novembre 2021


Catégorie : Stagiaire


Stage au GRETTIA 5 Mois

Gratification 27€/jour de présence soit environ 500€/mois + 50% Pass Navigo

Partenaire international : University Las Palmas, Gran Canaria (Spain)

Tutors: Rachid Belaroussi, rachid.belaroussi@univ-eiffel.fr

Prof. Javier J. Sanchez Medina javier.sanchez@ulpgc.es

Quartier cognitif : Planification et gestion de flotte de micromobilité, et son intégration à la mobilité des transports publics basée sur l'exploration de flux de données et le big data, à l'échelle d'un quartier périurbain

µ-mobilité = modes actifs (marche/vélo) et engins de déplacement personnels léger motorisé ou non (trottinettes, gyropode etc)
 
Planification d'une flotte d'engins de déplacement personnels partagés : dimensionnement de l'offre, placement des points de recharge.
 
Modélisation de la mesure de présence par bornes wifi : utilisation de ces hotspots pour mesurer les flux de personnes , et optimisation du placement de ces bornes au sein d'un quartier pour monitorer la µ-mobilité résidentielle.
 
Exploitation de ces mesures de flux par des méthodes de data stream mining pour la gestion d'une flotte d'engins de micromobilité partagés.
 
Maitrise impérative de Python et Matlab.

 


Le bâtiment cognitif est un concept émergent basé sur le numérique et l’internet des objets, qui donne à un bâtiment la capacité d'apprendre du comportement des utilisateurs et des données environnementales, pour améliorer le confort des utilisateurs, les économies d'énergie, la durabilité et une bonne maintenance. Le concept de quartier cognitif étend ce concept à une plus grande échelle avec des entrées qui ne sont pas liées à des valeurs physiques (température, pollution, vent etc) mais des données de flux en temps réel afin d'atteindre une meilleure mobilité résidentielle. L'utilisation du data stream mining -ou apprentissage en ligne par opposition à l’approche classique d’apprentissage a priori- est particulièrement appropriée pour donner à un quartier la capacité d'analyser l'état du trafic à l'intérieur de son périmètre et d'adapter la gestion d'une flotte de micromobilité pour augmenter la mobilité globale des résidents. Le Data Stream Mining offre une toute nouvelle approche du traitement des données, permettant de créer des modèles adaptatifs et incrémentiels qui ne nécessitent pas d'énormes quantités de stockage, car les données sont traitées au fur et à mesure de leur réception.

 

Une variété de capteurs répartis sur l'infrastructure, des véhicules connectés ou les appareils personnels de voyageurs peuvent agir comme des sources de flux de données qui alimentent des algorithmes agissant sur des dispositifs automatiques, des actionneurs ou des systèmes de contrôle de l’infrastructure. Ces flux d'informations offrent d'énormes possibilités d'améliorer le développement de modèles et la prise de décision.

 

Un quartier cognitif aurait la capacité d'analyser l'état courant du trafic, en faisant des prévisions à court terme sur le volume de trafic (# veh/15min) et A) produire des actions sur les feux tricolores ou des bornes escamotables pour bloquer ou ouvrir une rue aux véhicules motorisés (urbanisme tactique) ; B) adapter et gérer l'offre de véhicules d'une flotte de micromobilité, en lien avec l’offre de transports en commun.

 

Un des premiers verrous d’une telle approche est l’hétérogénéité des données d’entrées :

• Big data: données IoT

• Données CDR de téléphonie mobile

• Capteurs enfouis : boucles magnétique mesurant les flux et taux d’occupation

• Captation vidéo, type caméra à reconnaissance de plaque

• Captation sonore mesurant la gêne occasionnée par le bruit

• Monitoring de la qualité de l’air

 

On s'intéressera durant ce stage à la mesure de flux par hotspot wifi (et/ou bluetooth).

Sorties attendues :

• Fluidification du trafic et amélioration de la sécurité en réduisant les congestions

• Urbanisme tactique par ouverture/fermeture de voie

• Gestion des feux tricolores avec priorité aux véhicules de secours et transport public

• Réduction de l’émission de polluant et du bruit dus à la circulation


Approches implémentées :

• data stream mining

• monitoring temps réel du trafic

• simulation du trafic à l’échelle de la ville