Projet de fin d'étude : Intégration de la sémantique pour la prédiction du comportement de bus avec des techniques de Deep Learning, application à SimulBus

Etudiant : KABAL OTHMANE

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. YAHYAOUYI ALI

Annèe : 2024

Résumé : Aujourd’hui, la gestion des réseaux de transports en communs et les différents aménagements urbains sont au cœur des enjeux du développement des métropoles. La prédiction des retards au niveau des arrêts des bus joue un rôle crucial dans l'assurance d'un réseau de qualité et de la satisfaction des clients. Le développement d'un modèle puissant capable de fournir des prédictions précises constitue un défi majeur. Cette recherche vise un double objectif, tout d'abord à créer un modèle avancé qui utilise la puissance des réseaux de neurones récurrents (LSTM) pour prédire les retards par inter-arrêt. Cette approche permet de capturer les dépendances temporelles complexes des retards dans le système. De plus, cette recherche s'intéresse à l'intégration sémantique de la variation de l'environnement urbain et de la voirie à travers l'utilisation d'une ontologie qui permet d'enrichir le modèle en fournissant une représentation structurée des entités et de leurs relations. Finalement, l'objectif ultime est de créer un modèle global capable de prédire les retards pour n'importe quel inter-arrêt et n'importe quelle ligne. Cette vision à long terme vise à améliorer significativement la gestion des retards dans le système de transport en commun, en fournissant des outils de planification plus précis et en garantissant une expérience de voyage optimale pour les utilisateurs.