Stage : Développement d’algorithmes d’apprentissage profond pour l’identification du mode de transport

Profil

Vous êtes Étudiant.e en Master 2 ou dernière année d’École d’Ingénieur avec des connaissances en apprentissage profond (RNN, CNN, LSTM, etc.) et des compétences en Python (tensorflow, keras, etc.).

Vous avez un attrait pour le développement et la recherche ?

Venez faire votre stage avec nos équipes de recherche !

Contexte

L’IFPEN développe depuis plusieurs années Geco Air, une application estimant l’empreinte carbone liée à la mobilité et proposant des moyens de la réduire. Une technologie clé dans son fonctionnement est l’identification automatique des modes de transport utilisés (marche, vélo, voiture, moto, bus, train, avion, etc.) à partir des données GPS des trajets de l’utilisateur. L’implémentation actuelle est basée sur une approche traditionnelle de l’apprentissage automatique, qui consiste à confectionner des descripteurs scalaires pertinents à partir de séries temporelles issues des trajets (tels que la vitesse moyenne, son écart-type, etc.) suivi d’une classification automatique (Multi-Layer Perceptron, Random Forests, SVMs, etc.). Cette technique atteint néanmoins ses limites sur l’identification de modes de transports proches (voiture, moto et bus par exemple) avec des effets indésirables pour l’utilisateur, qui peut voir ses efforts sur son empreinte carbone invisibilisés par l’application. L’objectif de ce stage est de développer des techniques d’apprentissage profond pour l’identification des modes de transports fondé sur une base de données collectée en conditions réelles à partir des trajets d’utilisateurs Geco Air.

Objectifs

La première étape du stage consistera à se positionner par rapport à l’état de l’art dans l’usage de l’apprentissage profond pour l’identification du mode de transport. Notamment, le.a stagiaire pourra se baser sur les multiples approches référencées dans (Moreau et al., 2021), ainsi que la méthode développée dans cet article. Un enjeu important de ce stage sera d’adapter les techniques issues de la littérature scientifique, souvent basées sur une quantité de données plus faible mais de très bonne qualité, à une grande quantité de données collectées en condition réelle via Geco Air. Dans un premier temps, le.a stagiaire pourra se concentrer sur un nombre réduit de modes où l’approche traditionnelle atteint ses limites (distinguer voiture, moto et bus, vélo et e-bike, etc.), avant d’aborder globalement tous les modes de transports (qui présentent des données plus parcellaires). Dans un second temps, le.a stagiaire abordera la question du découpage d’un trajet multi-modal en sous-trajets unimodaux. Enfin, si le temps le permet, le.a stagiaire pourra envisager une approche globale d’apprentissage profond comprenant à la fois le découpage en sous-trajets unimodaux et l’identification des modes de chaque sous-trajet.

Les objectifs de ce stage sont :

• Revue bibliographique des approches d’apprentissage profond pour l’identification du mode de transport à partir de données collectées en conditions réelles.
• Apprentissage de plusieurs modèles profond pour distinguer des sous-ensembles de modes de transports difficiles à distinguer avec les approches traditionnelles.
• Découpage d’un trajet multi-modal en sous-trajets unimodaux.
• Éventuellement, approche globale d’apprentissage profond englobant le découpage et l’identification des modes de transports des sous-trajets.
• Capitalisation des résultats sous forme de brevet ou de publication scientifique.

Moreau, H., Vassilev, A., & Chen, L. (2021). The devil is in the details: An efficient convolutional neural network for transport mode detection. IEEE Transactions on Intelligent Transportation Systems, 23(8), 12202-12212.