Prédiction de trajectoires avec intégration contextuelle : exploitation du LLM BERT pour optimiser le covoiturage urbain dans des environnements chaotiques

À l’ère des avancées technologiques qui se déploient rapidement aussi bien dans les pays développés que dans les pays en développement, de nombreuses applications émergent pour faciliter les déplacements, qu’ils soient urbains ou interurbains. Des plateformes telles qu’Uber ou Google Maps, par exemple, simplifient la localisation des taxis et autres modes de transport. Dans cette dynamique, l’application Ezyli, développée par la société canadienne Soft-AI Group Inc., a été conçue pour promouvoir le covoiturage, un mode de transport traditionnel et courant, notamment dans les pays en développement. Ezyli met en relation des utilisateurs ayant des points de départ et d’arrivée distincts, dont les trajets peuvent se superposer à divers moments. En parallèle, les chauffeurs de taxi adaptent leurs itinéraires en fonction des passagers, des conditions de circulation et d’autres paramètres imprévisibles. Dans ce contexte, anticiper les trajets des taxis et des utilisateurs devient un enjeu crucial pour optimiser l’efficacité du service et offrir des solutions mieux adaptées à leurs besoins. Notre projet de recherche vise à prédire de manière autorégressive les trajectoires des taxis à l’aide de l’architecture BERT (Bidirectional Encoder Representations from Transformers), initialement conçue pour le traitement du langage naturel. Cette approche innovante intègre les spécificités contextuelles de l’environnement dans lequel évoluent les taxis, enrichissant ainsi les méthodes de prédiction existantes, qui reposent sur des réseaux de neurones profonds ou des modèles de type Transformer. Cette démarche se révèle particulièrement pertinente, notamment pour une plateforme telle que Ezyli actuellement en phase de tests bêta en Afrique, où les conditions routières sont souvent chaotiques et imprévisibles. Notre étude révèle que l’intégration du contexte améliore considérablement les performances du modèle. Avec une précision de 83,3 % et un score FAD remarquablement bas de 0,219 pour la prédiction de l’avant-dernier point, notre approche surpasse nettement les modèles antérieurs de prédiction de destination. Il convient de souligner que la prédiction de l’avant-dernier point représente souvent un défi plus complexe que celle de la destination finale dans de nombreux contextes. Cette performance exceptionnelle dans une tâche particulièrement difficile démontre la robustesse et l’efficacité de notre approche contextuelle. Les exploitations des résultats de cette recherche sont nombreuses, allant de l’optimisation des trajets des taxis à la réduction de la congestion routière en passant par l’amélioration des services de mobilité à la demande. Cette étude ouvre de nouvelles perspectives pour le développement de systèmes de transport intelligents, particulièrement adaptés aux besoins des villes en croissance rapide. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : prédictions et anticipation de trajectoire, intelligence artificielle, BERT, mobilité urbaine, covoiturage, contexte environnemental, optimisation des transports

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.