Post-Doctorat Modélisation générative sur l'ANR MobAGent (H/F)

RESPONSABILITÉS :

• Revue de littérature et positionnement scientifique : réaliser un état de l'art approfondi des approches existantes de génération d'activités et de demande de mobilité dans les modèles de simulation multi-agents, en identifiant leurs limites pour la prise en compte des dynamiques intra-ménage et des contraintes spatio-temporelles.
• Modélisation de la génération d'activités à l'échelle du ménage : développer des modèles génératifs permettant de produire des chaînes d'activités et de déplacements cohérentes pour l'ensemble des membres d'un foyer, en intégrant explicitement les contraintes de coordination intra-ménage (synchronisation des activités, partage des ressources, contraintes temporelles et spatiales).
• Développement d'un framework de génération d'activités : concevoir un cadre méthodologique permettant de générer des agendas et des déplacements synthétiques plausibles à partir de populations synthétiques, en assurant la cohérence entre comportements individuels et dynamiques collectives du ménage.
• Évaluation et comparaison des modèles : définir des critères d'évaluation permettant d'analyser la plausibilité comportementale et la cohérence statistique des chaînes d'activités générées, et conduire une comparaison approfondie avec des modèles existants de génération d'activités à l'échelle individuelle ainsi qu'avec d'autres approches de la littérature.
• Validation empirique et généralisation : tester et calibrer les méthodes développées sur des bases de données collectées en France et au Canada afin d'évaluer leur robustesse et leur capacité de généralisation à différents contextes urbains.
• Valorisation scientifique et diffusion : contribuer à la production d'articles scientifiques, de communications dans des conférences internationales et aux livrables du projet ANR, dans une démarche de recherche reproductible et d'open science.

PROFIL RECHERCHÉ :

• Doctorat (obtenu) en informatique, génie des transports, mathématiques appliquées/statistiques, ou domaine proche.
• Solide background en machine learning (modélisation probabiliste et/ou représentation ; modèles génératifs appréciés).
• Très bonnes compétences en Python et capacité à construire des pipelines expérimentaux reproductibles.
• Capacité à mener une recherche autonome et à rédiger des articles scientifiques en anglais.
• Qualités attendues : autonomie, rigueur, esprit d'équipe, communication claire, respect de l'éthique et des bonnes pratiques (données sensibles).