Urban mobility : leveraging machine learning and data masses for the building of simulators - Archive ouverte HAL Access content directly
Theses Year : 2021

Urban mobility : leveraging machine learning and data masses for the building of simulators

Mobilité urbaine : apprentissage automatique pour la construction de simulateurs à l'aide de masses de données

(1, 2, 3)
1
2
3

Abstract

The so called data era we have entered in is accompanied by an explosion of data, both in variety and quantity. Public transportation is a data-intensive field, and related information systems are often supported by old technologies that struggle to keep up as the amount of data continually increases. This poses two problems. First, the massive data generated by the transportation network must be qualified and enriched with external data sources in order to be used for decision making. Second, in order to limit the number of tools and the complexity of maintenance, it is desirable to integrate data governance with decision support tools to allow non-expert operators to manipulate this data. Through four contributions leading to the proposal of a technical framework that integrates the past, present and future into a traditional information system containing a priori models, this thesis argues that the integration of various highly qualified datasets from the real world into a single spatio-temporal model provides a qualitative, efficient and low-cost mean of analysis, prediction and strategic decision support for bus networks while depreciating the use of data management systems in a non integrated multi-tool data management systems ?
L'ère des données dans laquelle nous sommes entrés s'accompagne d'une explosion de ces dernières, tant en variété qu'en quantité. Le transport public est un domaine qui génère des données en masse, et les systèmes d'information sont souvent soutenus par des technologies anciennes qui peinent à maintenir l'existant en place alors que la quantité de données augmente continuellement. Ceci pose deux problèmes. Premièrement, les données massives générées par le réseau de transport doivent être qualifiées et enrichies avec des sources de données externes afin d'être utilisées pour la prise de décision. Deuxièmement, afin de limiter le nombre d'outils et la complexité de maintenance, il est souhaitable d'intégrer la gouvernance des données avec les outils d'aide à la décision pour permettre aux opérateurs non experts de manipuler ces données. A travers quatre contributions aboutissant à la proposition d'un cadre technique qui intègre le passé, le présent et le futur dans un système d'information traditionnel contenant des modèles a priori, cette thèse défend que l'intégration de divers ensembles de données hautement qualifiés provenant du monde réel dans un modèle spatio-temporel unique offre un moyen qualitatif, efficace et peu coûteux de faire des analyses, des prédictions et d'aider à la prise de décisions stratégiques pour les réseau de bus tout en dépréciant par ailleurs l'utilisation de systèmes de gestion des données au format multi-outils non intégrés.
Fichier principal
Vignette du fichier
LYAN_Gauthier.pdf (11.71 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03520672 , version 1 (11-01-2022)

Identifiers

  • HAL Id : tel-03520672 , version 1

Cite

Gauthier Lyan. Urban mobility : leveraging machine learning and data masses for the building of simulators. Machine Learning [cs.LG]. Université Rennes 1, 2021. English. ⟨NNT : 2021REN1S056⟩. ⟨tel-03520672⟩
59 View
37 Download

Share

Gmail Facebook Twitter LinkedIn More