L’Institut national de l’information géographique et forestière (IGN) est un établissement public à caractère administratif placé sous la tutelle des ministères chargés de l’écologie et de la forêt. Sa vocation est de produire et diffuser des données (open data) et des représentations (cartes en ligne et papier, géovisualisation) de référence relatives à la connaissance du territoire national et des forêts françaises ainsi qu'à leur évolution.
Grâce à son école d’ingénieurs, l'ENSG-Géomatique, et à ses équipes de recherche pluridisciplinaires, l’institut cultive un potentiel d’innovation de haut niveau dans plusieurs domaines (géodésie, forêt, photogrammétrie, intelligence artificielle, analyse spatiale, visualisation 3D, etc.).
Contexte
Les zones urbaines sont confrontées à différents défis, tels que la congestion du trafic, la pollution de l'air et la santé publique. De plus, la pandémie de la COVID-19 a montré que la mobilité individuelle peut rapidement changer et faire apparaître de nouveaux services de mobilité (par exemple de vélos ou de trottinettes). La mobilité douce, de plus en plus développée dans les grandes métropoles, sous ses différentes formes (marche, vélo, transports publics, trottinettes électriques) apparaît comme une approche prometteuse pour la décarbonisation de la mobilité en ville. En effet, en priorisant les initiatives de mobilité douce, les villes peuvent atténuer les effets négatifs des transports sur l'environnement et la santé, tout en améliorant le bien-être des habitants.
Pourtant, la mise en place des politiques publiques pour la mobilité douce soulève également des défis, tels que l'investissement dans l'infrastructure, la sécurité des usagers, les politiques durables, les changements comportementaux. En raison de l'évolution rapide des comportements de mobilité individuelle, les instances gouvernementales et les acteurs locaux doivent avoir accès à des données spatio-temporelles fines sur la mobilité douce, ainsi qu'à des méthodes et des outils pour les analyser et caractériser les comportements, les activités et les motifs spatio-temporels. Ceci est loin d'être le cas aujourd'hui. Cette thèse vise donc à combler cette lacune.
En fait, de nos jours, les données sur la mobilité douce existent sous différentes formes. Par exemple, les opérateurs de transport publient leurs données de mobilité en libre accès (Vélib, compteurs de vélos), les données GNSS produites par la foule sont partagées sur différentes plateformes (Strava, IGNRando, OutdoorVision, vidéos de promenades en ville), des informations contextuelles telles que les données de qualité de l'air (dont celles produites par AirPARIFF, communauté de capteurs, air citizen), les points d'intérêt (OpenStreetMap, Overture, etc.), les données météorologiques.
Dans ce contexte, nous émettons l'hypothèse que la combinaison des données de mobilité douce au sein d'une vue unifiée offre un fort potentiel pour comprendre, améliorer et promouvoir la mobilité douce dans les zones urbaines. Cependant, fournir un tel modèle unifié est une tâche très complexe.
Missions
Dans la littérature, il existe des approches pour modéliser les trajectoires spatio-temporelles, telles que celles qui segmentent la trajectoire en arrêts et déplacements (Spaccapietra, et al., 2008) ou, plus récemment, celles qui proposent de décrire la trajectoire en fonction de ses aspects multiples (Cayèré et al., 2021, Melo et al. 2019, EL Hafyani et al., 2022). Ces modèles permettent de relier la trajectoire spatio-temporelle à différentes caractéristiques (par exemple, la météo, l'exposition à la pollution atmosphérique, les points repère).
Le premier objectif de la thèse est de combiner les deux types de modèles en proposant un modèle uniforme intégré et de l'instancier avec des données réelles. Le second objectif est de répondre aux besoins des acteurs locaux en améliorant la réutilisation du modèle pour des scénarios d'analyse spécifiques, où les dimensions analytiques peuvent varier sur le plan thématique ou présenter des échelles ou des qualités différentes. La flexibilité garantira également la possibilité d'utiliser l'approche proposée lors de l’introduction de nouveaux types de donnée. Enfin, le troisième objectif est de fournir des méthodes et des algorithmes pour enrichir les trajectoires de mobilité douce, permettant diverses analyses multidimensionnelles (par exemple, l'exposition individuelle à la pollution, l'impact des politiques publiques sur l'évolution de la mobilité douce).
Pour atteindre ces objectifs, nous avons identifié les axes de recherche suivants :
- Proposer un modèle de données flexible pour décrire les trajectoires spatio-temporelles avec des caractéristiques intrinsèques (arrêts, déplacements, types de déplacements) et extrinsèques (exposition à la pollution, obstacles, points d'intérêt, éléments de handicap, etc.). Prendre en compte les profils des utilisateurs en fonction de leurs motifs de mobilité douce observés.
- Développer des algorithmes d'apprentissage automatique pour identifier et distinguer les modes de transport doux (marche, scooters, bus, etc.) à partir des trajectoires existantes.
- Implémenter et instancier le modèle dans un système et le valider sur des cas d’études à partir de scénarios (exposition à la pollution, sécurité, impact, enrichissement des segments de route avec des données de mobilité douce) en utilisant des données réelles.
Plusieurs défis doivent être relevés dans le cadre de l'intégration des données de mobilité douce, tels que l'hétérogénéité spatio-temporelle, thématique et sémantique, les différences de qualité des données et d'échelles spatio-temporelles, la difficulté de distinguer les modes de transports motorisés et doux, ainsi que la diversité des utilisations potentielles du modèle. En outre, combiner les données de présence (exemple, nombre de personnes dans un lieu), flux origine-destination et de mobilité individuelle (échantillons éparses de trajectoires) est une tâche difficile en raison de leurs formats, sources et représentativités intrinsèquement différents, ce qui devrait être pris en compte dans ce travail de recherche.
Profil recherché
Le candidat doit être titulaire d'un master en informatique ou en géomatique. Pour un master en informatique, une sensibilité à l'information géographique et l'analyse spatio-temporelle serait fortement appréciée. De solides compétences en programmation sont nécessaires (ex., Python). Un bon relationnel, une motivation pour la recherche et le travail en équipe, un esprit d'initiative, des capacités rédactionnelles et la maîtrise de l'anglais sont nécessaires.
Conditions particulières
Le doctorat est une collaboration entre les laboratoires LASTIG de l'Université Gustave Eiffel - IGN et DAVID de l'Université Paris-Saclay sous la co-direction d’Ana-Maria Raimond (DR) et de Karine Zeitouni (Professeure) et sera effectué au LASTIG (Saint Mandé, puis campus Gustave Eiffel à Marne-la-Vallée). Le contrat doctoral, d'une durée de trois ans, peut inclure ou non des tâches d'enseignement. Le doctorant s’intégrera dans une équipe de chercheurs et collaborera en particulier avec un post-doc sur la visualisation des trajectoires et un ingénieur en fouille de données de trajectoires.
