Jumeau numérique et optimisation guidée par les grands modèles de langage pour des systèmes de mobilité à la demande efficaces et équitables

Les systèmes de mobilité à la demande (MoD), incluant covoiturage et transport à la demande, humains ou autonomes, connaissent une adoption rapide dans les zones urbaines. Cependant, des déséquilibres fréquents entre l’offre et la demande entraînent des temps d’attente prolongés et des déplacements excessifs de véhicules à vide, augmentant les coûts opérationnels, les émissions de carbone et compromettant la durabilité, tandis que l’émergence progressive des véhicules autonomes réduit les opportunités pour les conducteurs humains. Pour relever ces défis, cette recherche propose un cadre intégré combinant optimisation des assignations, simulations de jumeaux numériques et modélisation comportementale basée sur les grands modèles de langage (LLM), avec l’hypothèse que l’intégration des décisions des passagers et conducteurs permettra de capturer des interactions dynamiques complexes et d’améliorer la performance globale du système. La méthodologie repose sur trois axes : (1) simulation comportementale via jumeau numérique et LLM pour modéliser les décisions et réactions des utilisateurs face aux conditions réelles ; (2) développement d’algorithmes hybrides d’affectation et de repositionnement de flottes visant à réduire les temps d’attente, le kilométrage des véhicules à vide et les émissions de carbone ; (3) évaluation de l’impact des facteurs externes — météo, grands événements, adoption des véhicules autonomes — sur la performance du système et le bien-être des conducteurs, afin de proposer des stratégies conciliant efficacité opérationnelle et équité sociale. Les résultats attendus comprennent des algorithmes d’assignation innovants permettant d’améliorer l’efficacité opérationnelle, de réduire les émissions et de guider la conception de systèmes MoD résilients et équitables, apportant des contributions théoriques et pratiques pour une mobilité urbaine durable et socialement responsable.