Apprentissage et optimisation pour le système ferroviaire
En quoi le machine learning peut-il contribuer à mieux faire rouler des trains ?
Le machine learning, ou apprentissage automatique, est une forme d’intelligence artificielle qui permet aux ordinateurs d’apprendre sans avoir été programmés explicitement à cet effet. Pour cela, ils ont besoin de données à analyser et sur lesquelles s’entraîner. Les réseaux ferroviaires modernes génèrent beaucoup de données : surveillance du trafic, état du matériel roulant, comportement des passagers, etc. En les exploitant, on peut apprendre la dynamique du système et ainsi améliorer les décisions futures.
Quels sont les défis mathématiques propres au ferroviaire ?
La notion de graphe y joue un rôle central : contrairement aux avions, les trains évoluent sur un réseau bien défini, avec des mouvements extrêmement contraints. Il faut donc exploiter cette structure géométrique dans la construction des modèles. Un autre obstacle réside dans la grande dimension du problème. Transilien, c’est 400 gares et plus de 6 000 trains par jour ! Pour prendre des décisions aussi complexes, on a besoin d’algorithmes très efficaces.
Que vous apporte votre parcours doctoral à l’École des Ponts ParisTech ?
Un doctorat, c’est de la recherche mais aussi de l’enseignement ! Je me suis beaucoup investi dans les cours dispensés à l’École des Ponts ParisTech. Les interactions avec les élèves sont toujours enrichissantes et je suis régulièrement stupéfait par la qualité de leurs travaux.
