IA générative au service des mobilités actives

[OFFRE POURVUE]

• Position du sujet

Ce projet de thèse se situe à l’intersection de trois champs encore rarement combinés : l’analyse de trajectoires spatiales, l’apprentissage génératif, et les données issues de programmes de sciences participatives sur les mobilités actives. Les données de trajectoires représentent des objets complexes, à la fois séries temporelles et entités spatialisées, dont l’analyse constitue un défi méthodologique majeur. Leur potentiel est considérable pour mieux comprendre et caractériser les pratiques de mobilité active (marche, vélo), en particulier dans des contextes urbains où les déplacements sont contraints par la structure du réseau urbain.

Cette thèse se positionne dans le cadre du projet IRIS-E Mobidyc, dont le but est d'acquérir une meilleure compréhensions des freins et des déterminants déterminants contextuels, spatiaux, interpersonnels et individuels d’un mode de mobilité actif et durable. Mobidyc  est ancré dans une perspective interdisciplinaire, combinant Sciences du sport, Géographie, Statistique et Informatique.  Les objectifs généraux du projet sont d’ordre sociétaux, avec un objectif santé et environnemental qui contribue aux recherches autour du concept de One Health et un objectif à l’échelle du territoire autour de la réflexion sur les aménagements urbains.

Le sujet de thèse proposé s’intègre également dans la thématique intégratrice Gouvernance des communs et transition des systèmes agri-alimentaires de L’Institut Agro, dans sa visée à comprendre les processus de construction de ressources, de les modéliser et de les gérer, dans un but de développement des mobilités durables. L’un des attendus de cette thèse est la simulation des comportements cyclistes, avec pour objectif d’identifier les freins aux usages, notamment liés aux conditions environnementales (météo, aménagement urbain etc.).

• Description du sujet 

L’objectif principal de cette thèse est de développer des méthodes d’IA générative capables de produire des trajectoires synthétiques réalistes pour la mobilité douce, en garantissant le respect de contraintes topologiques (réseau routier, aménagement urbain) et observationnelles (points de comptage, météo). Ce travail s’inscrit dans le domaine dynamique des modèles génératifs, qui a connu une évolution majeure depuis l’émergence des GANs (Goodfellow et al., 2014) jusqu’aux approches les plus récentes, comme les diffusion models (Yang et al., 2023) ou les flow-matching models (Lipman et al., 2022) et leurs variantes (par ex., Chapel et al. 2025). Cette dernière famille de méthodes offre une alternative prometteuse : efficacité computationnelle, stabilité des résultats, flexibilité pour intégrer des contraintes externes. Bien que efficace pour des données tabulaires ou des images, elle reste peu adaptée aux données trajectoires, qui combinent des défis uniques : dépendances spatio-temporelles, variabilité des longueurs, et contraintes physiques fortes.

L’utilisation d’IA générative pour modéliser des trajectoires constitue un axe de recherche encore émergent dans différents domaines (Roy 2022, Chabert-Liddell 2023). Les approches existantes se concentrent principalement sur des mouvements en milieu ouvert, peu ou pas contraints, et sont rarement adaptées à la dynamique spécifique d’un réseau routier, où les choix d’itinéraires, la hiérarchie du réseau routier et les aménagements cyclables jouent un rôle déterminant. 

Le projet vise à développer de nouveaux modèles d’IA générative capables de générer ces trajectoires en contexte contraint, et d’analyser l’impact des aménagements urbains sur l’usage différencié des tronçons du réseau. Plus précisément, la thèse explorera l’adaptation des méthodes de flow matching à la génération de trajectoires de mobilité, en se concentrant sur trois axes principaux :

1. L’adaptation des architectures pour capturer la dynamique des trajectoires (séquences géolocalisées de longueur variable). Nous explorerons notamment l’utilisation de transformers pour prendre en compte l’aspect temporel.
2. L’intégration de contraintes topologiques et environnementales via des mécanismes de conditionnement (GNNs, attention spatio-temporelle).
3. La validation des trajectoires générées par rapport à des observations réelles (points de comptage, données GPS), afin de garantir leur utilité pour des applications concrètes (simulation, aménagement urbain).
4. Extrapolation des données. Les points de comptage permettront une extrapolation des données trajectoires obtenues en bénéficiant de comptage fixes et indépendant du nombre de participants, permettant de simuler un usage conditionné aux observations de comptage fixe.

Le projet propose d’exploiter conjointement deux sources de données complémentaires :

1. des données de science participative, riches sur le contexte, la finalité et la nature des déplacements mais entachées d’un effort d’échantillonnage variable ;
2. des données de capteurs fixes, offrant une mesure robuste et continue des flux, mais sans information individuelle sur les itinéraires et motivations.

L’articulation innovante de ces deux sources au sein d’un cadre génératif probabiliste permettra de générer un ensemble cohérent de trajectoires simulées, contraint de reproduire les comptages issus des capteurs. Cette approche ouvre la voie à une mise à l’échelle fiable des informations issues de la participation citoyenne, tout en contournant les limites structurelles de ces données.

• Résultats envisagés, valorisations et publications attendues

Les contributions attendues sont d’ordre méthodologique mais également applicative, avec pour objectif de fournir un outil opérationnel qui permette de simuler des scénarios de mobilité et d’évaluer l’impact d’aménagements par exemple. Les cibles de publications sont les conférences d’IA telles que NeurIPS, ICML ou ICLR, ainsi que les journaux du domaine tels que JMLR. Dans une optique de science reproductible, les codes mais également les données anonymisées seront diffusés à la communauté.