Post doctorant recherche sur la modélisation et la simulation de la mobilité des personnes
A propos de nous
L'Université Gustave Eiffel, modèle innovant d’université rassemblant le triptyque université, écoles et organisme de recherche, dispose de plusieurs campus de formation et de recherche implantés sur le territoire national.
L’établissement compte plus de 15000 étudiants et plus de 3000 personnels enseignant (e)s-chercheur(e)s, chercheur(e)s et personnels d’appui au sein de 33 laboratoires, 15 composantes de formation ainsi qu’au sein de services support et de soutien.
L’université œuvre dans de nombreux domaines de recherche et représente à elle seule un quart de la recherche française sur les villes de demain. Elle regroupe des compétences pluridisciplinaires pour conduire des recherches de qualité au service de la société, proposer des formations adaptées au monde socio-économique et accompagner les politiques publiques.
L’Université Gustave Eiffel est également la première université française en apprentissage et forme jeunes, salariés, ou citoyens à tous les niveaux ; apporte des éclairages scientifiques à l’ensemble de la société et vise à contribuer in fine à l’élévation du niveau de qualification de tous.
Visionner le film de présentation : https://www.youtube.com/watch?v=8uVHEAaj75A
Mission proposée
Le-la postdoctorant-e contribuera aux activités suivantes :
• Inférence de choix de mobilité à partir d’évidence hétérogène : transformer des informations comportementales non structurées (texte libre d’enquêtes, retours usagers, messages d’incidents/événements, alertes de service) en facteurs sémantiques (fiabilité, congestion/crowding, confort, sécurité, coût, accessibilité), puis les fusionner avec des traces structurées et du contexte urbain (tarification, perturbations, événements, signaux exogènes) afin d’inférer des distributions probabilistes de choix modaux et de décisions de mobilité.
• Agents LLM guidés par des distributions pour des chaînes de déplacements complètes : concevoir des agents LLM générant des chaînes journalières complètes (activités, lieux/POI, horaires, durées, transferts multimodaux) guidées par des distributions apprises et ancrées par des outils externes (routage/POI/contexte), garantissant une plausibilité au niveau individuel et une fidélité statistique au niveau agrégé.
• Adaptation au contexte et robustesse : permettre l’ajustement des séquences de mobilité en conditions changeantes (perturbations, météo, événements, congestion), tout en conservant diversité, réalisme, et reproductibilité.
• Expérimentation et évaluation : conduire des campagnes expérimentales sur données France–Canada (sous réserve des accords et règles de gouvernance), incluant Paris/Lyon (smart card, boucles de comptage, agrégats OD/presence mobile, enquête GPS, flux vélos, événements texte, census/OD) et Montréal/Ottawa (agrégats mobile, smart card, requêtes de planification, vélos, enquête OD), avec des évaluations micro (cohérence des chaînes, faisabilité temporelle/transferts) et macro (OD, parts modales, profils temporels), ainsi que des tests de transfert inter-villes et inter-pays.
• Valorisation : publications, communications scientifiques, contribution aux livrables et à la diffusion open science du projet.
Particularité du poste : mobilité possible à McGill (université de Montréal)
Le profil idéal
Profil recherché :
Doctorat (obtenu) en informatique, génie des transports, mathématiques appliquées/statistiques, ou domaine proche.
Solide background en machine learning (modélisation probabiliste et/ou représentation ; modèles génératifs appréciés).
Expérience en LLMs/NLP et/ou systèmes agentiques fortement souhaitée.
Très bonnes compétences en Python et capacité à construire des pipelines expérimentaux reproductibles.
Capacité à mener une recherche autonome et à rédiger des articles scientifiques en anglais.
Qualités attendues : autonomie, rigueur, esprit d’équipe, communication claire, respect de l’éthique et des bonnes pratiques (données sensibles).
Autres :
Compétences requises : Machine learning (modélisation probabiliste, représentation, modèles génératifs), LLMs/NLP et/ou systèmes agentiques, fusion de données multi-sources, programmation Python avancée, expérimentation reproductible (versioning, pipelines, documentation), rédaction scientifique en anglais.
Formation et expérience professionnelle : Doctorat dans un domaine pertinent (informatique, transport, statistiques/mathématiques appliquées). Une expérience avec données de mobilité (smart card, OD agrégées, GPS), simulation mobilité/agents (p. ex. MATSim/SUMO) ou intégration de données hétérogènes est appréciée.
Environnement, contexte de travail, rattachement hiérarchique : Laboratoire GRETTIA (département COSYS) – environnement pluridisciplinaire ; travail en interaction étroite avec l’équipe d’encadrement (Univ Eiffel et McGill) ; participation à la vie scientifique (séminaires, conférences) ; accès à ressources de calcul et jeux de données, dans le respect des règles de gouvernance et de confidentialité.
Savoir : Bases solides en apprentissage statistique et probabiliste ; notions de modèles génératifs (VAE/GAN/diffusion) ; bases en NLP/LLMs (embeddings, prompting, agents/outils) ; principes de modélisation des systèmes de transport ; notions de confidentialité/éthique des données.
Savoir-faire : Concevoir des modèles et architectures (LLM + modèles probabilistes/génératifs), mettre en place des pipelines de préparation/fusion de données, implémenter et évaluer des agents génératifs (chaînes de déplacements, intermodalité, contraintes temporelles), conduire des expérimentations multi-villes, analyser et présenter des résultats, produire du code documenté, traçable et reproductible, publier et communiquer.
Savoir-être : Autonomie, rigueur, sens de l’initiative, curiosité scientifique, esprit d’équipe, communication claire, respect de l’éthique et des bonnes pratiques de recherche ; capacité à travailler dans un contexte international (mobilité possible à McGill)