Optimisation d'un système de transport intelligent basé sur l'apprentissage fédéré pour les villes intelligentes Note: I complied with Do not add any description and provided a single project topic in French.

Project Abstract

Ce travail propose une approche d’optimisation d’un système de transport intelligent pour les villes intelligentes, fondée sur l’apprentissage fédéré afin de préserver la confidentialité des données tout en améliorant la performance et la résilience du réseau de transport. L’étude s’articule autour de la modélisation d’un système multi-agents intégrant des véhicules autonomes, des capteurs urbains et des points d’accès réseau, avec une architecture distribuée où les modèles locaux sont entraînés sur des données privées et agrégés sans transfert raw. Nous développons un cadre d’apprentissage fédéré avec des mécanismes d’agrégation adaptative, de gestion des hétérogénéités de données et de sécurisation par des techniques de cryptographie légère et d’évaluation de la robustesse contre les attaques adverses et les pannes de réseau. L’objectif principal est de minimiser les temps de trajet, les coûts énergétiques et les congestions urbaines tout en garantissant une expérience utilisateur fluide et équitable entre les différents quartiers. Le travail explore des formulations d’optimisation combinatoire et de contrôle en temps réel, combinant des politiques de routage dynamiques et des stratégies de regroupement des véhicules en cohérence avec les flux urbains et les prévisions météorologiques et événementielles. Nous proposons des algorithmes d’apprentissage renforcé fédéré à base de différence temporelle et de politiques distribuées, complétés par des modèles probabilistes pour l’incertitude et des mécanismes d’évaluation multi-objectif afin de concilier mobilité, sécurité et respect de la confidentialité. L’évaluation expérimente sur des ensembles de données synthétiques et réels issus de capteurs de mobilité, de systèmes de transport public et de données publiques ouvertes, afin d’éprouver la transférabilité des modèles fédérés entre diverses zones urbaines et d’étudier l’impact des limitations de communication et des délais de synchronisation. Les contributions technologiques incluent (i) un protocole fédéré sécurisé adapté aux contraintes des réseaux urbains, (ii) une architecture de coordination décentralisée pour la synchronisation des mises à jour et la réduction du trafic de métadonnées, (iii) des stratégies d’allocation dynamique des ressources computational et énergétiques des infrastructures edge, et (iv) des métriques d’évaluation holistiques intégrant temps de trajet moyen, variabilité, intensité des congestions et niveau de protection des données. L’analyse expérimentale se penche sur la convergence des modèles fédérés dans des environnements non stationnaires, l’effet de la granularité spatiale des données et la sensibilité aux paramètres d’agrégation. Une étude comparative met en évidence les gains en performance par rapport à des approches centralisées et non fédérées, tout en démontrant la résilience du système face à des scénarios extrêmes (pannes réseau, flux imprévus, et attaques ciblées). En conclusion, ce travail offre des démonstrateurs pratiques et des recommandations pour l’intégration dans les plans de mobilité urbaine, avec des perspectives d’extension vers l’intégration multimodale et la planification urbaine adaptative.

Project Overview

What This Project Is About

---

Ce projet explore comment optimiser le système de transport dans une ville en utilisant l'apprentissage fédéré, une approche qui permet à plusieurs parties d’apprendre ensemble sans partager leurs données brutes.

---

---

The Problem It Addresses

---

Les données de transport sont dispersées et sensibles. Collecter toutes ces données en un seul endroit peut être impossible ou injuste. L’objectif est d’améliorer les trajets et réduire les embouteillages tout en protégeant la vie privée.

---

---

Objectives of the Project

---

1. Comprendre les bases de l'apprentissage fédéré et son application au transport.
2. Proposer un modèle simple pour optimiser les itinéraires et les horaires.
3. Évaluer les gains en termes de temps de trajet et de consommation d’énergie.
4. Étudier les aspects de confidentialité et de sécurité des données.
5. Définir des métriques claires pour mesurer la performance.

---

---

What You Will Do Step by Step

---

1. Revue rapide de la littérature sur le transport intelligent et l'apprentissage fédéré.
2. Identifier des jeux de données simulés ou réels et préparer les données.
3. Concevoir un cadre fédéré simple pour optimiser les itinéraires.
4. Implémenter le modèle et effectuer des expériences contrôlées.
5. Analyser les résultats et comparer avec des méthodes centralisées.
6. Évaluer la protection de la vie privée et la sécurité des échanges.
7. Rédiger le rapport et proposer des pistes d’amélioration.

---

---

---

---

Expected Outcome

Un cadre opérationnel et des résultats démontrant une amélioration des temps de trajet et de l’efficacité énergétique, tout en montrant que les données restent privées et protégées.