02-12-2021 - Point avec Clara Buire et Geoffrey Scozzarro
Background et projet de Clara Buire
Clara a entrepris en 2021 une thèse ENSEIHTT, machine learning filière – HPC big data- info
Recherche opé : recuit simulé, optimisation linéaire, branch and bound – possible car on a du temps => stratégique
Post doc. : Philippe Monmousseau (évoqué, mais non présent)
Philippe, lors de son travail de thèse, avait récupéré les tweets concernant l'appréciation des passagers : mesurer la qualité du service offert – analyse de sentiments % compagnies aériennes.
Temps de trajet porte à porte – UBER
Mais depuis il est parti dans le privé (Compagnies assurances : prix assurance voiture).
Background et projet de Geoffrey Scozzarro
ENAC formation ingénieur – majeure OPS, mineure SITA (java, etc) – master recherche OPS en //
Pour le moment essentiellement, fouille de données, récupération automatique, BDD CDG, scan passagers aéroports, horaires reels/planifiés PCA livrables, pas de prédiction.
Initiation du projet de recherche : minimiser l'impact sonore des drones
Labo recherche EU – recuit simulé
2 scénarios :
-
Stratégique : Clara : bénéfices d’un ticket intégré – planifier aspects
-
Tactique : Geoffrey : optimiser l’intermodalité entre sol et aérien au niveau aéroport : pistes/portes assignées – ops terminal – zones check in/sécurité (files prioritaires ?)
fonction objectif orientée passagers (panne RER B => passagers en retard => information passagers => ttes les 20/30 min estimation sur arrivées passagers, individuellement,
agrégation, 1h avant, pour essayer attendre ces passagers et optimiser le taux de remplissage, mais risque de congestion, donc prendre les contraintes opérationnelles, et donc créer un nouveau planning, capacités pistes, retarder ou avancer avions en l’air changer pistes, ) – contrainte aéroportuaires
A besoin d’hypothèses => travail préexistant ancienne thèse = optimisation aéroport Optimalisation stratégique, planning, TRANSIT * Planning commun train/avion – 1 an en avance * CDM étendu au sol * « Faire rentrer dans la boucle » le train * Contacts coté aérien = ADP ; montrer * Interface existante = passagers * On peut plus facilement arreter un train par rapport à un avion Site web : django, Temps de connection Clara :
« ya des gens qui voyagent mais ils n’osent pas, ils ne parlent pas la langue.. Tout est dématérialisé, les gens qui n’ont pas forcément l’habitude ne peuvent pas le faire.
Je me souviens aussi d'un problème concernant la connexion Le Bourget ticket RER zones dans Paris et les zones du RER. Un ticket intégré serait bienvenu !
Pour le « lost and found » : un service de bout en bout créerait de la confiance, de la sécurité...
Et sinon pour venir à l'ENAC je prends le train de Muret mais un jour sur 2 ya un pb d’aiguillage, les gens ne peuvent pas compter dessus.. j'ai fini par abandonner...
Une IA compagnon
J'évoque l'idée que l'IA aiderait le passager dans ses choix.
Nous entamons une discussion autour de l'idée.
Métrique de connectivité = temps de transfert passager, en fonction du ressenti passager (plus prévoyant que d’autres), certains vont avoir besoin d’un temps de connection 40 min, d’autres 1H30 – temps de transfert minimum, si ya des vols après Par ex voyager le soir presente le risque
BDD OAG => aide au choix
Régularité du vol sur les derniers mois
Compagnie aérienne
Qualité de la connection
On voulait une loi asymétrique de 0 min à un temps max
Loi gamma => il vaut mieux une connection trop longue que trop courte
Soit on utilise les recom de l’aéroport
Passagers Schengen, non Schengen => différence = contrôle aux frontières
Et les avions sont des longs courriers
En fonction de prévoyance (âge…) il faut calibrer différemment
Avec PIF (poste inspection filtrage avant envol)
D5.1 : Vont récupérer les temps d’arrivée passager aéroport avec et sans disruption métro (ex : à/p de là vont calculer le planning optimisé pour la journée, sans supposer le nb de passagers)
Idée = algo relancé toutes les ½ heures pour les 2 à 3 prochaines heures tout en satisfaisant les contraintes
Dévier le moins possible du planning
D5 Transit = implémentation et description des mécanismes de synchronisation
ETH = outil de simulation – MATSIM a été modifié
Day replanning
Clarissa travaille avec C-TAP – demande de longue distance – En train d’évoluer vers JAVA en J-TAP
Planning => interfacée à J-TAP
Calé en MATSIM – Milos Balash
D6 = résoudre les mécanismes Trajet porte à porte = avec et sans coordination MATSIM ne prend pas en compte les horaires, mais que des liens OD.
(réflexion) - Echelle de temps : C-TAP à l’année pour les intentions de voyage, et à la semaine pour un voyage en Europe ?
Semaine => planning