Offre de thèse: Détection et anticipation des ruptures de régime du trafic routier urbain par apprentis

Sujet de thèse :
1. Résumé du sujet
Le trafic routier urbain présente en temps normal des régularités spatiales et temporelles relativement stables. En revanche, certaines situations critiques (accidents majeurs, manifestations, épisodes météorologiques extrêmes, fermetures d’infrastructures ou évacuations) provoquent des ruptures brutales de fonctionnement, pour lesquelles les approches classiques de détection d’anomalies deviennent peu pertinentes.
Cette thèse vise à développer de nouvelles méthodes d’analyse du trafic fondées sur l’apprentissage sur graphes dynamiques, afin de reconstruire un trafic « attendu » à partir de la structure du réseau, du contexte et d’hypothèses sur la demande. L’objectif est de détecter et d’anticiper les dysfonctionnements critiques du réseau (congestions propagatives, goulets d’étranglement, pertes de connectivité), avec des applications aux situations de crise.

2. Problématique et objectifs scientifiques
Les méthodes classiques de détection d’anomalies reposent sur l’idée que le trafic reste proche de régimes déjà observés. Cette hypothèse devient fragile lorsque le système entre dans des configurations exceptionnelles ou fortement perturbées. La thèse cherchera à répondre à la question suivante : Comment modéliser la relation entre réseau routier, demande de transport et contexte afin de produire un référentiel dynamique du trafic, capable de rester pertinent en présence de ruptures de régime ?
Dans cette perspective, il s’agira (i) de modéliser les régularités du trafic urbain, (ii) de caractériser les transitions entre régimes de circulation, (iii) de détecter précocement les déséquilibres critiques du réseau et (iv) d’évaluer la robustesse des approches proposées dans des contextes de forte perturbation.

3. Verrous et méthodologie
Le principal verrou scientifique concerne la capacité des modèles appris en situation ordinaire à rester informatifs lorsque la demande ou les conditions de circulation changent brutalement. Il s’agit notamment de traiter la non-stationnarité des dynamiques de trafic et de comprendre dans quelle mesure les régularités apprises peuvent être mobilisées hors de leur domaine de validité initial. Pour répondre à ces enjeux, la méthodologie reposera sur la construction de graphes dynamiques du réseau routier intégrant à la fois sa structure, son fonctionnement et son contexte. Des modèles d’apprentissage de type réseaux de neurones sur graphes (GNN) seront développés afin de capturer les dépendances spatiales et temporelles du trafic. L’approche intégrera des données de trafic, des variables contextuelles telles que la météo, le calendrier et les événements exceptionnels, et s’appuiera sur l’analyse de la divergence entre trafic observé et trafic prédit pour identifier les anomalies. Enfin, des scénarios simulés de perturbation et de crise seront mobilisés afin d’évaluer la capacité des modèles à anticiper les dégradations du réseau.

Voir plus sur le site emploi.cnrs.fr...