Fouille de données, Modélisation et Optimisation. Applications à la mobilité intelligente et la santé connectée.

Ce mémoire d'habilitation présente une synthèse de mes réalisations académiques depuis la thèse de doctorat jusqu'à ma récente arrivée à l'IMT Atlantique de Brest. Après une année de post-doctorat en 2011 à l'Université de Technologie du Queensland (QUT, Australie), j'ai effectué la majorité de mes recherches entre 2011 et 2016 au laboratoire d'Ingénierie Circulation Transport (LICIT) de l'IFSTTAR et l'ENTPE de Lyon en tant que chargé de recherches, avant d’intégrer, en 2016, l'IMT Atlantique (ex Télécom Bretagne), au sein de l'équipe DECIDE du lab-STICC (UMR CNRS 6285). Mes thèmes de recherches s’inscrivent dans une application large des mathématiques, à la croisée de l’analyse de données et de la recherche opérationnelle. Pendant les cinq premières années de ma carrière post-thèse, le domaine applicatif de la mobilité intelligente a constitué le fil d’Ariane de mes recherches. Sur la dernière année, mon recrutement à l’IMT Atlantique m’a permis d'approfondir un nouveau champ d’application, la santé connectée, tout en continuant les travaux précédents. Les mutations technologiques ont amené, dans ces deux domaines, une hyper-connectivité, des données ouvertes et de masse (big data), qui ouvrent de formidables perspectives mais aussi une exigence nouvelle de la part des différents acteurs qui souhaitent tout connaître, tout de suite : supervision en temps réel des activités, analyse et prévision des trajets, informations ciblées sur les loisirs, conseils pour leur bien-être, etc. Il s’ensuit un besoin sans précédent de recherche afin de transformer ces masses d’information en connaissances. Au cours des précédentes années, mes travaux ont tenté de contribuer aux domaines disciplinaires de l’informatique et des mathématiques appliquées afin de mieux comprendre et caractériser la mobilité des usagers, ou fournir des outils d’aide à la décision pour la prise en charge de patients à risque en santé mentale. La soutenance d’HDR pose d’abord les motivations de nos travaux sur la mobilité intelligente et donne une présentation originale et synthétique de notre démarche, fondée sur trois directions de recherche. Le cheminement logique entre les trois thèmes de recherche s'appuie sur des montées en échelle successives, du véhicule au réseau, en passant par les données générées par les véhicules. Le premier type de contributions concerne la modélisation et la simulation des véhicules connectés (C-ITS). Ce travail est relatif à la question de l'anticipation des nouvelles technologies, il est centré sur le véhicule à l'aide d'une approche de type model driven. Le deuxième thème répond à la question de l'extraction de connaissances à partir des nouvelles sources de données, centré sur les nouvelles données générées par (entre autres) les nouveaux véhicules à l'aide d'approches de type data driven. Nous présentons quelques résultats sur la caractérisation des états de trafic, à travers la modélisation des temps de parcours et de leur incertitude, l'analyse spatiotemporelle du réseau et la prévision court terme par des méthodes d'apprentissage statistique. Le troisième thème montre comment les résultats des deux premières approches peuvent offrir une meilleure planification des trajets à l'échelle d'un réseau. Il répond à la question de l'optimisation des itinéraires dans les réseaux de transports, il est centré sur l'usager qui souhaite se déplacer d'un point A à un point B et le problème est résolu à l'aide d'algorithmes de recherche de plus court chemin. Dans une deuxième partie, la soutenance d’HDR synthétise nos premiers résultats sur le thème de la santé connectée, résultant de la collaboration avec le CHU Brest. Nous verrons comment des méthodes d'apprentissage non supervisé et supervisé permettent de faire avancer la recherche en santé mentale, par l'extraction de connaissances à partir de grandes bases de données patients. Pour finir, nous inscrirons la mobilité et la santé connectées dans un projet de recherche global pour les années à venir, ayant trait à l'extraction de connaissances et l'optimisation sous contraintes complexes pour des données hétérogènes