NobleBlocks

Research indexThesis

Simulation-based optimization method for transportation problems : optimizing lane usage in multimodal urban traffic

Jin

31 Mar 2026Open access

NobleIDark:/48914/w1/20261105/E02A8879DOI10.70675/155f2994zf3dcz4476za605zc3c7f3ba31ea

Abstract

Méthode d'optimisation basée sur la simulation pour les problèmes de trafic : optimisation de l'utilisation des voies dans le trafic urbain multimodal La recherche actuelle en trafic s'appuie de plus en plus sur l'optimisation basée sur la simulation (Simulation-Based Optimization, SBO) pour évaluer des stratégies opérationnelles complexes. Toutefois, le SBO à grande échelle se heurte à deux défis : (i) le coût élevé des évaluations répétées lorsque les simulations sont de haute fidélité, et (ii) des espaces de décision très grands et combinatoires, avec des objectifs bruités. Cette thèse propose une méthodologie générale de SBO pour le transport, conçue pour rester efficace malgré ces contraintes. Elle se concentre sur le partage dynamique de l'espace dans les réseaux urbains, en particulier la régulation de l'accès des véhicules de covoiturage aux voies réservées aux bus (Dedicated Bus Lanes, DBLs), tout en préservant la priorité du transport public. Une approche de SBO à grande échelle exige des avancées conjointes en simulation et en optimisation. Côté simulation, la thèse étend un modèle fondé sur le diagramme fondamental macroscopique (Macroscopic Fundamental Diagram, MFD) afin de permettre des analyses localisées sans perdre l'efficacité computationnelle. Une méthode d'apprentissage profond, le *Local Correction Factor* (LCF), reconstitue les vitesses au niveau des liens à partir de la vitesse moyenne issue du MFD et d'informations explicites sur la configuration du réseau. Le LCF combine des Graph Attention Networks (GATs) et des Gated Recurrent Units (GRUs) pour capturer les dépendances spatiales et les dynamiques temporelles. Couplée à un partitionnement du réseau, cette approche améliore la précision des vitesses par lien tout en restant scalable. Côté optimisation, la thèse développe un cadre avancé d'optimisation bayésienne (Bayesian Optimization, BO) appliqué à l'allocation dynamique des voies (Dynamic Lane Allocation, DLA), où l'accès aux DBLs est contrôlé par des décisions binaires spatio-temporelles, conduisant à un espace combinatoire massif. Le cadre intègre un noyau de Hamming avec ARD groupée dans un surrogate par processus gaussien, une réduction de dimension dynamique sensible aux groupes pour identifier les régions influentes, et une stratégie de région de confiance adaptée aux variables binaires pour améliorer l'échantillonnage sous bruit, avec génération globale–locale et échantillonnage en lots. La thèse étend ensuite ce cadre à la tarification dynamique des voies (Dynamic Lane Pricing, DLP), via des politiques dépendantes du temps et des sous-zones, intégrant explicitement la protection du transport public. Les stratégies sont évaluées du point de vue du système et des opérateurs (efficacité, coûts généralisés, revenus, redevances, rentabilité), mettant en évidence les compromis entre contrôle d'accès et tarification dans des interactions multimodales réalistes. Dans l'ensemble, cette thèse réduit l'écart entre fidélité de simulation et tractabilité computationnelle en combinant reconstitution d'états au niveau des liens et optimisation SBO de grande dimension sous incertitude, et fournit des outils scalables pour comparer des politiques dynamiques à l'échelle urbaine avec des budgets maîtrisés

Discussion

More

Suggest a correction or report