Alternance : modélisation deep learning du trafic urbain h/f à Rueil-Malmaison

Description du poste

Rejoignez notre équipe pour modéliser le trafic urbain avec des méthodes de Deep Learning

Si on vous dit… Prix Nobel ?
Top 10 mondial des dépôts de brevets pour le recyclage des plastiques ?
Pionnier de la recherche en captage/stockage du CO2 ?
Au cœur de + de 100 partenariats industriels ?
La réponse est IFP Energies nouvelles (IFPEN) !

Venez contribuer à une recherche répondant aux enjeux énergétiques, disposant d'équipements de pointe.
Trouvez du sens en intégrant un collectif engagé au service de la transition écologique.
>>> Rejoignez-nous !

Nous sommes 1600 collaborateurs répartis sur 2 centres de recherche : Rueil-Malmaison (92 - proche Paris) & Solaize (69 - proche Lyon).

L'ouverture et la diversité font notre force.
Intégrez une entreprise inclusive favorisant l'emploi des personnes en situation de handicap.
Vivez l'égalité professionnelle IFPEN = 100 sur 100 sur l'index Egalité femmes-hommes.
Découvrez notre accord télétravail jusqu'à 2,5 jours par semaine.

IFP Energies nouvelles, ensemble pour développer aujourd'hui les innovations de demain.


La modélisation du trafic est un enjeu crucial dans la planification urbaine, la gestion des transports et le développement des infrastructures. À l'ère des données massives et des capacités de calcul avancées, de nouvelles approches émergent pour estimer les variables de trafic de manière plus efficace. Par exemple, une estimation précise du débit est essentielle pour comprendre la dynamique des flux de circulation, identifier les points de congestion, déterminer les temps de parcours, gérer la signalisation, et in fine avoir une estimation de l'impact du trafic sur la qualité de l'air. Maîtriser ces variables et leurs dynamiques spatiales et temporelles est fondamental pour prendre des décisions éclairées et allouer judicieusement les ressources.

L'estimation de l'état du trafic repose en premier lieu sur la collecte et l'analyse de données provenant de diverses sources sur le réseau routier. Parmi ces sources figurent les boucles de comptage, les données GPS et les applications mobiles qui fournissent des données collectées par les utilisateurs. Pour estimer le débit routier avec précision, il est crucial de prêter attention aux descripteurs spécifiques à chaque tronçon, afin de distinguer les tronçons géographiquement proches mais présentant des débits différents en raison de particularités locales.

L'apprentissage profond offre un cadre idéal pour gérer la diversité des données, assurer une estimation plus précise et rapide, et permettre un apprentissage et une adaptation continus. Cependant, plusieurs défis techniques subsistent, tels que la quantité limitée des données d'apprentissage, l'identification des descripteurs pertinents, et la définition de la stratégie d'apprentissage et de l'architecture du modèle. Ces défis reflètent la complexité inhérente à la modélisation du trafic routier, mais l'utilisation de l'apprentissage profond offre des perspectives prometteuses pour des estimations plus précises et adaptables, contribuant ainsi à une meilleure gestion des déplacements urbains.

Votre mission sera de :

• Collecter, analyser et traiter des données de trafic provenant de diverses sources.
• Tester, valider et améliorer des modèles existants pour l'estimation du débit routier.
• Identifier et intégrer des descripteurs de routes pertinentes pour améliorer la précision des estimations.
• Développer de nouveaux modèles d'apprentissage profond pour l'estimation des variables du trafic.
• Collaborer avec notre équipe pour surmonter les défis techniques.

Compétences techniques et aptitudes

• Expérience solide en Langage de programmation (Python, R)
• Connaissance des techniques d'apprentissage profond et des librairies Scikit-Learn, Pytorch, TensorFlow, etc.
• Expérience en manipulation et analyse de bases de données (Pandas, SQL, NoSQL, etc.)
• Connaissance ou attrait pour le domaine de la mobilité.
• Capacité à travailler en équipe et à communiquer efficacement.

Diplôme(s), niveau d'études :
Étudiant en 2ème ou 3ème année cycle ingénieur ou en M1/M2 avec une spécialisation en data science, traitement de signal, informatique scientifique ou un domaine similaire

Expérience
non

Déplacement
non

Informations supplémentaires

Statut

Inactif

Formation requise

Lycée ou CFA

Lieu

Rueil-Malmaison

Type de Contrat

Alternance/Apprentissage

Secteur

Construction / BTP

Permis de conduire FR/EU exigé

Non

Voiture exigée

Non

Lettre de motivation exigée

Non

Langues

Français