Développement d'algorithmes d'apprentissage profond pour l'identification du mode de transport
Direction Sciences et Technologies du Numerique

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

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

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 fondées sur une base de données collectées 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 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 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 stagiaire abordera la question du découpage d’un trajet multi-modal en sous-trajets unimodaux. Enfin, si le temps le permet, le 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.

Références :
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.

Profil recherché

Étudiant en Master 2 ou dernière année d’École d’Ingénieur.

• Connaissances en apprentissage profond (RNN, CNN, LSTM, etc.).
• Compétences en Python (tensorflow, keras, etc.).
• Attrait pour le développement et la recherche

Responsable : Paul Fermé, Ingénieur de recherche dans le département Contrôle, Signal et Système d’IFPEN
Lieu : IFPEN – Solaize - Le site est accessible en transports en commun
Stage rémunéré 1130 €/mois (brut)