Exploitation de données massives pour l'optimisation en temps-réel des systèmes de vélo-partage

 

Sanjay Dominik Jena

Université du Québec à Montréal (UQAM)

 

Domaine : technologie de l'information et des communications

Programme : établissement de nouveaux chercheurs universitaires

Concours 2018-2019

Les systèmes de partage de vélo sont reconnus pour leur impact positif à plusieurs niveaux, puisqu'ils contribuent à diminuer le trafic et des problèmes environnementaux. À la fin de 2016, plus de 2 millions de vélos publics étaient disponibles mondialement dans plus de 1000 programmes de partage de vélo. Dans un système classique, les stations sont stratégiquement placées dans la ville. Les usagers peuvent emprunter les vélos d'une station et les retourner à toute autre station. Les voyages des usagers étant individuels et stochastiques, le système est souvent déséquilibré: soit moins de vélos que requis sont disponibles, soit les vélos ne peuvent pas être retournés puisque les stations sont pleines. Pour anticiper les demandes des clients, une flotte de camions effectue un redéploiement constant des vélos. Cependant, un redéploiement efficace est difficile à planifier, étant donné que la demande dépend fortement d'événements externes (conditions météorologiques, événements publics, etc.). Par conséquent, une planification inefficace du redéploiement a un impact négatif sur la performance du système, la satisfaction des usagers et, finalement, l'utilisation du système de partage de vélo.
 
Idéalement, un système de planification serait entièrement guidé par les données. Il analyserait automatiquement les données historiques des voyages et des stations et les associerait à des sources de données externes. Ensuite, il proposerait des mouvements de camions et un redéploiement au cours de la journée, au fur et à mesure que de nouvelles données en temps réel seraient disponibles et que les conditions externes (météo, etc.) évolueraient. La quantité massive des données aujourd'hui disponibles provenant de différentes sources offre la possibilité de réviser le processus décisionnel et d'améliorer la performance des solutions de planification en pratique, en fournissant un chemin vers une planification guidée par les données.
 
Cette proposition de recherche met l'accent sur les ingrédients clés nécessaires à la mise en place d'une planification efficace du redéploiement pour les systèmes de partage de vélos. En particulier, elle se concentre sur les modèles d'optimisation et les méthodes de résolution qui fournissent des solutions aux problèmes de planification de taille réaliste en prenant en compte l'incertitude dans les données d'entrée provenant d'une prévision, les données externes qui n'ont classiquement pas été prises en compte dans les modèles d'optimisation, ainsi que les informations de météo qui sont diffusées tout au long du processus d'exécution. Les résultats de cette recherche fourniront une preuve de concept d'un système de planification automatisé et guidé par les données, tout en intégrant des données externes. À plus grande échelle, les résultats obtenus pourront se généraliser à d'autres problèmes de planification et donc améliorer leur méthodologie correspondante. Enfin, la recherche proposée permettra de mieux comprendre l'interaction efficace entre la recherche opérationnelle et l'apprentissage automatique.