Approches de gestion dynamique de la mobilité pour les systèmes de transport autonomes

Les systèmes de transport public constituent un pilier fondamental du développement urbain durable. Parmi eux, les réseaux de bus se distinguent par leur capacité à desservir efficacement à la fois les centres-villes denses et les zones périphériques. Cependant, la variabilité de la demande, le trafic et les contraintes de capacité compliquent l'établissement de plannings fiables, ce qui se traduit fréquemment par des délais et une diminution de la satisfaction des passagers.Dans cette thèse, nous abordons le problème de la planification dynamique de bus autonomes en appliquant la stratégie du stop-skipping dans un contexte de demande dynamique. Nous proposons une modélisation du système de transport basée sur la théorie des graphes et la théorie des jeux; notre objectif est de minimiser le délai maximal subi par les passagers. Nous montrons tout d'abord que le problème de décision associé est NP-difficile. Nous introduisons une nouvelle métrique, le load-delay, qui capture simultanément la régularité du service et l'équilibrage de la charge entre les bus. En montrant d'abord la forte corrélation entre le délai réel des passagers et la métrique load-delay, nous prouvons que le problème de décision associé à la minimisation de ce nouveau paramètre est NP-complet. Nous formulons donc le problème d'optimisation en utilisant cette métrique comme fonction objectif. Étant donné la définition du modèle de transport et du problème de planification en ligne, nous utilisons la théorie des jeux pour modéliser le processus décisionnel des planifications.L'évaluation expérimentale est réalisée en considérant trois scénarios : (i) une demande fixe avec planification statique ; (ii) une demande fixe avec planification dynamique ; et (iii) une demande dynamique avec planification dynamique. Dans ces différents scénarios, nous comparons plusieurs approches algorithmiques, allant des méthodes métaheuristiques à des approches d'apprentissage par renforcement, afin d'évaluer leur capacité d'adaptation dans des conditions opérationnelles variées. Les simulations sont réalisées à l'aide de la plateforme SUMO, enrichie par des données réelles et des enquêtes voyageurs issues du réseau de Saint-Quentin-en-Yvelines. Les résultats mettent en évidence la robustesse de l'algorithme d'apprentissage par renforcement proposé face à la variabilité de la demande. Enfin, nous comparons notre solution avec une solution pour le transport à la demande développée par Padam Mobility. Cette comparaison montre que notre approche permet d'atteindre un niveau de qualité de service significativement supérieur du point de vue des usagers.Ces travaux apportent des contributions, à la fois théoriques et pratiques, au domaine de l'optimisation des transports publics. En combinant la modélisation issue de la théorie des jeux, les techniques d'apprentissage par renforcement et la simulation à grande échelle, cette approche pose les fondements de stratégies de mobilité autonome plus équitables et réactives, plaçant la satisfaction des passagers au cœur des décisions de planification.