{:fr}
DOMAINE(S) DE RECHERCHE
Intelligence artificielle, raisonnement incertain
LIEU D’EMPLOI
Aix-Marseille Université – Laboratoire d’Informatique et Systèmes (LIS)
Campus de Saint Jérôme
52 Av. Escadrille Normandie Niémen F13013 Marseille – France
DESCRIPTION DE L’EMPLOI
L’objectif de cette thèse est de fournir des outils efficaces pour optimiser le nombre et l’emplacement des bornes de recharge pour voitures électriques sur le territoire Aix-Marseille Métropole. Pour ce faire, les problèmes suivants doivent être abordés : i) déterminer les déplacements que les utilisateurs de voitures envisagent de faire ; ii) les chemins qu’ils emprunteront pour leurs déplacements et leurs éventuels embouteillages ; iii) les raisons pour lesquelles ils effectuent de tels déplacements. Le premier problème est connu dans la littérature sous le nom de problème origine-destination et a reçu de nombreuses contributions [1,2]. Le deuxième problème est un problème d’affectation de trajet classique. Pour les résoudre, le doctorant apprendra un modèle bayésien à base de réseau [3,4] à partir d’ensembles de données disponibles, notamment d’Aix-Marseille Métropole, et l’exploitera pour prédire les comportements des automobilistes. Ici, un enjeu important réside dans la grande taille d’Aix-Marseille Métropole, ce qui empêche d’utiliser des algorithmes classiques, tant pour l’apprentissage que pour la prédiction. De nouveaux algorithmes devront donc être développés. La nature continue des variables ainsi que la nature non stationnaire/saisonnière du processus de flux de trafic seront également des problèmes à traiter. Le troisième problème susmentionné (déterminer les raisons pour lesquelles les utilisateurs effectuent leurs déplacements) peut être présenté comme un problème de causalité et les réseaux causaux bayésiens [5] seront utilisés à cette fin. Là encore, l’espace de grande dimension dans lequel seront effectués les calculs ainsi que le caractère continu des variables seront des enjeux majeurs à traiter. La nature continue des variables ainsi que la nature non stationnaire/saisonnière du processus de flux de trafic seront également des problèmes à traiter. Le troisième problème susmentionné (déterminer les raisons pour lesquelles les utilisateurs effectuent leurs déplacements) peut être présenté comme un problème de causalité et les réseaux causaux bayésiens [5] seront utilisés à cette fin. Là encore, l’espace de grande dimension dans lequel seront effectués les calculs ainsi que le caractère continu des variables seront des enjeux majeurs à traiter. La nature continue des variables ainsi que la nature non stationnaire/saisonnière du processus de flux de trafic seront également des problèmes à traiter. Le troisième problème susmentionné (déterminer les raisons pour lesquelles les utilisateurs effectuent leurs déplacements) peut être présenté comme un problème de causalité et les réseaux causaux bayésiens [5] seront utilisés à cette fin. Là encore, l’espace de grande dimension dans lequel seront effectués les calculs ainsi que le caractère continu des variables seront des enjeux majeurs à traiter.
[1] Enrique Castillo, José Marı́a Menéndez, Santos Sánchez-Cambronero (2008) « Prédiction des flux de trafic à l’aide de réseaux bayésiens », Transportation Research Part B, Vol. 42, p. 482-509.
[2] Shiliang Sun, Changshui Zhang, Guoqiang Yu (2006) « Une approche de réseau bayésienne pour la prévision des flux de trafic », Transactions IEEE sur les systèmes de transport intelligents, Vol. 7, N°1, pp. 124-132.
[3] Judea Pearl (1988) Raisonnement probabiliste dans les systèmes intelligents : Réseaux d’inférence plausible, Morgan-Kaufmann.
[4] Daphne Koller, Nir Friedman (2009) Modèles graphiques probabilistes : principes et techniques, MIT Press.
[5] Judea Pearl (2009) Causalité : modèles, raisonnement et inférence, 2 e édition, Cambridge University Press.
Salaire brut mensuel : 1768 euros
QUALIFICATIONS / COMPÉTENCES / EXIGENCES EN MATIÈRE D’ÉDUCATION ET DE RECHERCHE / FONCTIONS
Nous recherchons un candidat très motivé avec une solide expérience en mathématiques et en informatique. Il/Elle devrait avoir récemment terminé une maîtrise ou devrait être sur le point de la terminer. Le candidat devra démontrer de très bonnes compétences en programmation, notamment en C++ et Python. Une expérience ou une certaine compréhension des modèles graphiques probabilistes, par exemple des réseaux bayésiens, serait appréciée. Nous attendons également du candidat qu’il soit ouvert d’esprit, curieux et autonome.
DATE LIMITE DE CANDIDATURE
Les candidatures doivent être déposées avant le mardi 30 novembre.
DOCUMENTS DE DEMANDE DEMANDÉS
- Curriculum vitae
- Lettre de motivation
- Notes et relevés de notes après le lycée, y compris les classements
CONTACT POUR POSTULER
Christophe Gonzales : Christophe.Gonzales@lis-lab.fr
Djamal Habet : Djamal.Habet@lis-lab.fr
Chu Min Li : Chu-Min.Li@u-picardie.fr
{:}{:en}
RESEARCH FIELD(S)
Artificial intelligence, uncertain reasoning
JOB LOCATION
Aix-Marseille Université – Laboratoire d’Informatique et Systèmes (LIS)
Campus de Saint Jérôme
52 Av. Escadrille Normandie Niemen F13013 Marseille – France
JOB DESCRIPTION
The goal of this PhD thesis is to provide efficient tools for optimizing the number and locations of electric car charging stations in the Aix-Marseille Metropolis area. To do so, the following problems need be addressed: i) determining the trips that car users plan to do; ii) the paths that they will use for their trips and their possible congestion; iii) the reasons why they are doing such trips. The first problem is known in the literature as the origin-destination problem and has received many contributions [1,2]. The second problem is a classical trip assignment problem. To solve them, the PhD candidate will learn a Bayesian network-based model [3,4] from datasets available, notably from Aix-Marseille Metropolis, and exploit it to predict the car users’ behaviors. Here, one significant issue lies in the large size of Aix-Marseille Metropolis, which prevents classical algorithms to be used, both for learning and prediction. New algorithms will therefore need to be developed. The continuous nature of the variables as well as the non-stationary/seasonal nature of the traffic flow process will also be issues to be addressed. The third aforementioned problem (determining the reasons why the users perform their trips) can be cast as a causality problem and Causal Bayesian networks [5] will be used for this purpose. Here again, the high-dimensional space in which computations will be made as well as the continuous nature of the variables will be major issues to address.
[1] Enrique Castillo, José Marı́a Menéndez, Santos Sánchez-Cambronero (2008) “Predicting traffic flow using Bayesian networks”, Transportation Research Part B, Vol. 42, pp. 482–509.
[2] Shiliang Sun, Changshui Zhang, Guoqiang Yu (2006) “A Bayesian Network Approach to Traffic Flow Forecasting”, IEEE Transactions on Intelligent Transportation Systems, Vol. 7, N°1, pp. 124–132.
[3] Judea Pearl (1988) Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan-Kaufmann.
[4] Daphne Koller, Nir Friedman (2009) Probabilistic Graphical Models: Principles and Techniques, MIT Press.
[5] Judea Pearl (2009) Causality: Models, reasoning and Inference, 2nd edition, Cambridge University Press.
Monthly gross salary: 1768 euros
QUALIFICATIONS/SKILLS/EDUCATION & RESEARCH REQUIREMENTS/DUTIES
We are looking for a highly motivated candidate with a strong background in mathematics and computer science. He/She should have recently completed a master’s degree or should be about to complete it. The candidate should demonstrate very good programming skills, notably in C++ and Python. An experience or some understanding of probabilistic graphical models, e.g., of Bayesian networks, would be appreciated. We also expect the candidate to be open-minded, curious and autonomous.
APPLICATION DEADLINE
Applications should be made before Tuesday, November 30.
REQUESTED DOCUMENTS OF APPLICATION
- Curriculum Vitæ
- Cover letter
- Grades and transcripts after High school, including rankings
CONTACT TO APPLY
Christophe Gonzales: Christophe.Gonzales@lis-lab.fr
Djamal Habet: Djamal.Habet@lis-lab.fr
Chu Min Li: Chu-Min.Li@u-picardie.fr
{:}