Université de Rennes 1 Data-driven vehicle relocation in free floating carsharing services Repositionnement des véhicules de services d'autopartage en free-floating orienté par les données AutopartageApprentissage MachineProgrammation linéaire en nombre entierSimulation CarsharingMachine LearningInteger Linear ProgrammingSimulation Autopartage Apprentissage automatique Face à une congestion automobile accrue dans les rues des villes, l'autopartage est apparu comme une des solutions pour réduire l'usage de voiture privées en milieu urbain. Le concept d'autopartage est récent et sa pérennité est dépendante de l'usage fait par les clients. L'objectif de cette thèse est d'aider le service d'autopartage à décider où placer ses véhicules pour le lendemain dans le but d'améliorer le temps moyen d'utilisation de ses véhicules. À l'aide de modèles de régression, le temps d'utilisation journalière d'une voiture est modélisée. Ces modèles sont ensuite utilisés pour déterminer, par optimisation mathématique, le placement idéal de la flotte du service pour le lendemain matin. Cette méthodologie est évaluée avec trois études de cas issues de données réelles. Les résultats expérimentaux montrent dans un premier temps que, par rapport à l'historique, cette méthode augmenterait la profitabilité du service de 2,9% à 6,8% selon le service étudié. Dans un second temps, l'utilisation d'un simulateur d'autopartage confirme l'avantage d'une approche par optimisation mathématique dans la réduction des coûts de placement des véhicules. L'amélioration de cette méthode passerait par la résolution d'un « problème de tournées des véhicules » pour miniser au mieux le coût de placement des véhicules. Carsharing has emerged as one of the solutions to reduce the use of private cars in urban areas. The carsharing concept is recent and its sustainability depends on the customer usage. The objective of this thesis is to help the carsharing service to decide where its vehicles should be placed for the next day to improve the average use time of its vehicles. First, models are learned to predict the daily usage of a car depending on its origin and the number of other cars in the area. Then the learned models are then used to determine, by mathematical optimization, the ideal service's fleet placement for the next morning. This methodology is evaluated with three real case studies. The experimental results first show that, compared to historical data, this method would increase the profitability of the service of 2.9% up to 6.8% depending on the service studied. Secondly, the use of a carsharing simulator confirms the advantage of a mathematical optimization approach in reducing vehicle placement costs. The proposed methodology could be further improved by the resolution of the vehicle routing problem to minimize the vehicle placement cost. Electronic Thesis or DissertationText en application/pdf1 : 21916 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/5d92ff5c-1bdc-4470-87c7-f2997477cf1c Martin Grégory 1994-02-09 FR 271502495 gregory.martin@urao.fr 2022REN1S131 http://www.theses.fr/2022REN1S131 2022-12-15 Informatique Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiFromontÉlisaintervenant_1095621601TermierAlexandreintervenant_213741689XSolnonChristineintervenant_3128200391PlantevitMarcintervenant_4125705328RozéLaurenceintervenant_5124247385CrémilleuxBrunointervenant_6083548335JacquenetFrançoisintervenant_7130579645 MATHSTICecoleDoctorale_1 204770424 INRIA-RENNES partenaireRecherche_1 133175863 ddc:004 FromontÉlisaTermierAlexandreSolnonChristinePlantevitMarcRozéLaurenceCrémilleuxBrunoJacquenetFrançoisUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) INRIA-RENNES ASCII PDF 22442397 confidentialité 2022-12-15 2025-06-15 restriction 2022-12-15 2025-06-15