Post-doctorant·e en UnStrain : révéler les tensions de mobilité par apprentissage de représentations

1. Développer des modèles génératifs et d'apprentissage de représentations intégrant flux de mobilité, réseaux de transport, occupation des sols et données sociodémographiques dans un espace latent commun, afin d'identifier des tensions de mobilité interprétables et d'évaluer des interventions susceptibles de les réduire.
2. Vérifier la cohérence des tensions détectées avec des indicateurs établis de déséquilibres territoriaux (précarité liée à la mobilité, déserts de transport collectif, déserts alimentaires, déséquilibre emplois-logements).

3. Évaluer les apports de la méthode par rapport aux indicateurs fondés sur des définitions a priori (p. ex. seuils d'accessibilité ou de disponibilité de l'offre), en identifiant des configurations multifactorielles latentes dans plusieurs sources de données.
Acquérir, nettoyer, aligner et combiner les flux de mobilité, les réseaux de transport, les données d'occupation des sols et les données sociodémographiques.
- Concevoir des représentations de données et des chaînes de prétraitement pour des sources de données spatiales hétérogènes.
- Implémenter et entraîner des modèles génératifs et d'apprentissage de représentations.
- Construire des représentations vectorielles des unités spatiales et développer des méthodes pour extraire et interpréter les tensions de mobilité latentes.
- Analyser les relations entre la demande de mobilité, l’occupation des sols, l’offre de transport et la mobilité observée.
- Comparer les tensions détectées à des indicateurs établis : précarité liée à la mobilité, déserts de transport collectif, déserts alimentaires et déséquilibre emplois-logements.
- Évaluer des configurations multifactorielles complexes non captées par les indicateurs prédéfinis existants.
- Concevoir et évaluer des scénarios d'intervention sur les transports visant à réduire les tensions de mobilité détectées.
- Programmer les expériences, analyser les résultats et assurer la reproductibilité de la chaîne de calcul.
- Présenter et publier les résultats, et collaborer avec les partenaires de Mobidec ainsi qu'avec les acteurs industriels et institutionnels concernés.

Profil recherché :
Niveau de formation et/ou expérience requis :
- Doctorat obtenu ou thèse en cours d'achèvement.
Compétences, connaissances et expériences indispensables :
- Excellentes compétences en modélisation mathématique et en analyse.
- Bonnes compétences en programmation.
Compétences, connaissances et expériences souhaitables :
- Expérience en apprentissage profond et en apprentissage de représentations.
- Expérience en science des données spatiales.

L'employeur :
Télécom SudParis est une grande école publique d'ingénieurs reconnue au meilleur niveau des sciences et technologies du numérique. La qualité de ses formations est basée sur l’excellence scientifique de son corps professoral et une pédagogie mettant l’accent sur les projets d’équipes, l’innovation de rupture et l’entreprenariat. Télécom SudParis compte 1 000 étudiants dont 700 élèves ingénieurs et environ de 150 doctorants. Télécom SudParis fait partie de l’Institut Mines-Télécom, premier groupe d’école d’ingénieurs en France, et partage son campus avec Institut Mines-Télécom Business School. Télécom SudParis est co- fondatrice de l'Institut Polytechnique de Paris (IP Paris), Institut de Sciences et Technologies à vocation mondiale avec l’Ecole polytechnique, l’ENSTA Paris, l’ENSAE Paris, l’ENPC et Télécom Paris.

Descriptif du service
CONTEXTE :
UnStrain étudie les tensions latentes entre demande de mobilité, occupation des sols et offre de transport, susceptibles d'engendrer de longs trajets domicile-travail, des inégalités d'accessibilité, de la surfréquentation et de la congestion.
Le projet développera à cette fin une approche originale fondée sur l'apprentissage de représentations.
Les travaux seront menés dans le cadre de Mobidec, le plus grand projet français de recherche sur la mobilité. Ils pourront exploiter ses grands jeux de données et bénéficier de collaborations avec des acteurs industriels et institutionnels (p. ex. la Banque mondiale), ainsi que d'interactions avec des instituts interdisciplinaires de l'Institut Polytechnique de Paris, notamment Hi! PARIS (AI for Society) et Energy4Climate.