Soutenance de la thèse "Apprentissage profond pour la prévision continue de l’occupation du parking en milieu urbain"

Jury

Mme. Florence Sèdes, Professeure, Univ. Paul Sabatier, Toulouse 3, France, Rapporteure
M. Nicolas Saunier, Professeur, CIRRELT, Polytechnique Montréal, Canada, Rapporteur
M. Marian Scuturici, Professeur, INSA Lyon, France,  Examinateur
Mme. Karine Zeitouni, Professeure, Université de Versailles Saint-Quentin-en-Yvelines, France, Examinatrice
M. Thierry Delot, Professeur, LAMIH, UPHF, France Co-directeur de thèse
M. Martin Trépanier, Professeur, CIRRELT, Polytechnique Montréal, Canada, Co-directeur de thèse
M. Abdessamad Ait EL Cadi, Professeur, LAMIH, UPHF/INSA, Co-Encadrant

Résumé :

L'apprentissage profond a été largement adopté dans divers domaines en raison de sa capacité à extraire des caractéristiques complexes à partir de grandes quantités de données. Dans cette thèse, nous proposons une approche basée sur l'apprentissage profond pour la prédiction continue de l'occupation des parkings. Nous avons à cette fin collecté un large ensemble de données sur l'occupation des parkings (tant pour les parkings couverts que pour les parkings en bord de rue) provenant de différentes villes en France et au Canada . Nos expériences montrent que l'approche proposée surpasse les modèles classiques et basés sur l'apprentissage machine en termes de précision des prévisions et de performances en temps réel. De plus, notre approche peut également être facilement intégrée aux systèmes de stationnement intelligents existants pour améliorer leur efficacité et leur commodité. Pour un déploiement au niveau de la ville, nous proposons également un cadre permettant de partager les modèles entre différents parkings en analysant leur similarité spatiale et temporelle. En identifiant les caractéristiques spatiales et temporelles pertinentes de chaque parking (profil de stationnement) et en les regroupant en conséquence, notre approche permet le développement de modèles précis de prévision de l'occupation pour un ensemble de parkings, ce qui permet de réduire les coûts de déploiement et d'améliorer la transférabilité des modèles. Nos expériences démontrent l'efficacité de la stratégie proposée en termes de réduction des coûts de déploiement des modèles tout en maintenant une bonne qualité des prévisions. En conclusion, ce travail démontre l'efficacité de l'apprentissage profond pour résoudre le problème de la prévision continue de l'occupation des parkings et met en évidence son potentiel pour les futures applications de stationnement intelligentes.

Mots-clés :

Prévision de l’occupation de parking, profil du parking, clustering Spatiotemporel, apprentissage profond, apprentissage automatique, partage de modèles