La Chaire Logistique Urbaine, piloté par MINES ParisTech, regroupe des acteurs publics (l’ADEME et la Mairie de Paris) et privés (le Groupe Pomona, le Groupe La Poste, et le Groupe Renault) pour mener un programme de recherche dans le domaine du transport de marchandises en ville. Le programme vise à développer des connaissances pour la prise de décision pour la logistique urbaine : un système complexe où la décision doit composer avec les enjeux économiques, sociaux et environnementaux pour satisfaire les attentes des diverses parties prenantes (citadins, citoyens, élus, transporteurs, commerçants, etc.).
Les activités liées à la logistique urbaine, comme le transport, produisent des externalités négatives par exemple des émissions de polluants ou de la congestion. La compréhension du trafic est importante pour sa régulation au travers des feux de signalisation, des choix d’infrastructure ou des politiques d’interdiction de certains types de véhicules (gabarit trop grand ou motorisation trop ancienne).
Pour mener ces réflexions, la ville s’appuie sur des données, aujourd’hui elles disposent principalement de deux sources d’informations. La première source est constituée par les enquêtes sur le terrain, elles ont généralement un périmètre spécifique comme le transport de marchandises ou la mobilité. Ces enquêtes opèrent à un niveau de détails fin, mais les enquêtes doivent se limiter généralement à un échantillon restreint (faute de moyen de collecte et d’analyse). La deuxième source de donnée vient des capteurs pour la gestion du trafic. Les capteurs sont des boucles magnétiques installées de façon permanente sous la chaussée, ou des capteurs à tubes pneumatiques pour des relevés temporaires. La donnée issue se limite généralement à un comptage des véhicules.
Face au manque de données pour les villes, le développement du deep learning offre des opportunités pour utiliser les réseaux de caméras destinés à la surveillance de l’infrastructure. Des travaux de la Chaire ont montré la pertinence de cette approche pour analyser automatiquement des grandes quantités de données. La principale valeur ajoutée de ces capteurs est d’offrir plus d’informations sur le véhicule : la classification (camion, utilitaire léger, véhicule de tourisme) et sa trajectoire.
L’objectif de ce stage est de réfléchir sur ces nouvelles données venant des capteurs. Il ne suffit pas de collecter les données, il faut les rendre interprétables pour la ville pour l’aménagement de la voirie et pour la gestion de trafic.
Nous proposons d’abord d’envisager ces nouvelles données sous l’angle de la gestion de trafic. Comment les indicateurs « classiques » de vitesse moyenne ou de taux d’occupation peuvent être améliorés par ces nouvelles données ?
Ensuite, nous souhaitons nous focaliser sur l’aménagement de la voirie, par exemple avec l’étude d’une rue commerçante où de nombreux véhicules de livraison circuleraient. Dans le cadre d’une réflexion sur les aires de livraison, quels seraient les indicateurs à créer et à étudier pour juger de la pertinence d’un choix d’infrastructure ?
Au regard de l’aboutissement et la qualité du travail réalisé, la Chaire accompagnera le ou la candidat(e) dans la dissémination des résultats à travers la rédaction d’une publication scientifique pour une conférence.
Le ou la candidat(e) devra maîtriser Python, posséder des connaissances en statistiques, et un intérêt pour la prise de décision et la recherche.
Le stage sera rémunéré au SMIC pour une durée de 6 mois (adaptable).
Contact : Arthur Gaudron arthur.gaudron@mines-paristech.fr