Description

 La direction des projets franciliens de SNCF Réseau a développé depuis deux ans un outil d’aide à la décision dont le but est d’établir le GOV (graphique d’occupation des voies) en gare. C’est le platforming problem : il faut choisir un quai pour chaque train arrivant en gare et un itinéraire pour s’y rendre, tout en respectant un grand nombre de contraintes (exploitation, ponctualité, flux voyageurs,…). Cet outil est utilisé en pré-opérationnel, c’est-à-dire quelques mois ou semaines à l’avance. Cependant de telles planifications sont mises à mal dans la réalité : les gares forment un goulot d’étranglement, et le moindre retard peut en engendrer d’autres (propagation des retards) ou entrainer des reroutages de trains, ce qui dans un cas comme dans l’autre est couteux et dégrade le service. En parallèle, la SNCF enrichit depuis plusieurs années un certain nombre de bases de données, qui permettent de bien refléter et de mieux comprendre ce qu’il se passe en opérationnel. L’objectif de ma thèse est de repenser les modèles de recherche opérationnelle afin d’en augmenter la robustesse et le réalisme en intégrant des résultats obtenus grâce à des méthodes d’apprentissage statistiques. On augmenterait ainsi le socle de connaissances a priori sur la planification, et adapterait les décisions en fonction, en s’inspirant de l’historique issu des bases de données collectées.