Une nouvelle approche d’apprentissage automatique pour estimer la demande future dans le secteur des transports
Concept TrébuNet. (a) représente le processus physique d’apprentissage lors du lancement d’un projectile, (b) représente la phase d’apprentissage de TrebuNet où différentes projections pour différents quantiles sont générées. (c) représente le processus physique de tir du projectile avec précision après l’apprentissage, d représente la phase de tir de TrebuNet où différents quantiles sont combinés en une projection précise basée sur des erreurs dans différentes projections quantiles. Crédit: Rapports scientifiques (2023). DOI : 10.1038/s41598-023-30555-6
Des chercheurs de l’University College Cork (UCC) et de l’Université de Columbia ont développé de nouvelles recherches qui amélioreront la précision de l’estimation des demandes futures de transport de passagers et de marchandises, qui représentent collectivement 20 % des émissions mondiales de gaz à effet de serre.
Les Nations Unies estiment que la population mondiale pourrait passer de 7,7 milliards de personnes dans le monde en 2019 à environ 9,7 milliards en 2050. La croissance démographique et économique supplémentaire entraînera probablement une augmentation de la demande de services de transport.
La réduction des émissions liées aux transports reste un défi considérable pour la politique climatique. Jusqu’à présent, les tâches de projection de la demande de transport étaient traitées en simulant les demandes ou en utilisant une analyse basée sur la régression. Désormais, grâce à cette recherche de l’UCC et de Columbia, les pays du monde entier seront en mesure d’estimer plus précisément les futures demandes de transport.
Cette recherche, publiée dans Rapports scientifiques, introduit une nouvelle approche innovante d’apprentissage automatique appelée TrebuNet. Les résultats démontrent que cette nouvelle architecture TrebuNet atteint des performances supérieures par rapport aux méthodes de régression traditionnelles et aux méthodes plus récentes de réseau neuronal et d’apprentissage automatique. Les améliorations s’étendent à la projection de la demande régionale pour tous les modes de demande de transport à des horizons temporels à court, décennal et moyen terme.
Siddarth Joshi, qui a dirigé cette recherche dans le cadre de son doctorat. en ingénierie énergétique à l’UCC a commenté : « Cette étude donne un aperçu du développement d’une nouvelle architecture d’apprentissage automatique qui augmente la précision de l’estimation des demandes de services d’énergie de transport. L’architecture innovante d’apprentissage automatique et ses avantages sont mesurables pour la communauté de modélisation énergétique et est transférable à différentes disciplines. »
« Non seulement les projections précises de la demande de transport sont importantes pour les modèles de systèmes énergétiques et la politique climatique, mais elles servent également de colonne vertébrale pour comprendre l’orientation future des marchés mondiaux de l’énergie », a déclaré Brian Ó Gallachóir, professeur d’ingénierie énergétique à l’UCC.
Le Dr James Glynn, chercheur principal à l’Université de Columbia, a ajouté : « Cette nouvelle méthode démontre l’innovation dans la modélisation des systèmes énergétiques et l’analyse des données pour résoudre les faiblesses dans la compréhension des perspectives dans les modèles de systèmes énergétiques pour les nouvelles applications d’apprentissage en profondeur. Cela nous aide à éliminer l’incertitude dans voies de décarbonation.
« La décarbonation des transports conformément aux objectifs mondiaux de zéro net 2050 nécessite une action climatique urgente. La collaboration entre Columbia SIPA et UCC conduit à de nouvelles approches dans la modélisation des systèmes énergétiques et la science des données pour fournir les outils et la recherche factuelle aux décideurs qui conçoivent le climat politique. »
