Comment l'IA déverrouille la boîte noire de la modélisation du trafic urbain : une percée de l'optimisation bayésienne assistée par LLM

Imaginez une ville de plusieurs millions d'habitants, où chaque personne prend chaque jour des centaines de décisions liées aux déplacements : à quelle heure sortir, prendre le bus ou conduire, faire un détour pour recharger ou rentrer directement à la maison. Pour prévoir les conditions de circulation globales et évaluer les politiques de réduction des émissions, les ingénieurs des transports construisent des systèmes de micro-simulation appelés « modèles basés sur les activités » (ABM). Bien que ces modèles puissent décrire finement le comportement humain, ils deviennent une « boîte noire » difficile à calibrer en raison de leurs milliers de paramètres et de leur structure interne opaque.

Les méthodes de calibrage traditionnelles, qu'il s'agisse de la descente de gradient ou de l'optimisation bayésienne standard, sont soit limitées par l'exigence de différentiabilité du modèle, soit échouent rapidement dans les espaces de grande dimension – le coût de calcul croît de façon exponentielle, tandis que la précision de convergence ne cesse de se dégrader. Aujourd'hui, une étude publiée dans *npj Sustainable Mobility and Transport* propose un nouveau cadre d'optimisation bayésienne intégrant un grand modèle de langage (LLM), qui change la donne.

De la « recherche par force brute » au « filtrage intelligent »

L'innovation centrale de l'étude réside dans la réduction de dimensionnalité. Les milliers de paramètres d'un ABM n'ont pas tous la même importance : certains influencent fortement les modes de déplacement, d'autres sont quasi redondants. Les approches par hypothèse de parcimonie traditionnelles – comme supposer de force que la plupart des paramètres ont un effet nul sur l'objectif – peuvent certes réduire la complexité, mais risquent de perdre des interactions clés.

La nouvelle méthode exploite la capacité de compréhension sémantique du LLM pour classer les paramètres par ordre de priorité en fonction de leur « rôle fonctionnel » (par exemple, composition du foyer, distance domicile-travail, sensibilité au prix du stationnement). Le LLM ne prédit pas directement les valeurs optimales, mais agit comme un planificateur de transports expérimenté, identifiant rapidement quels paramètres sont les plus susceptibles d'être un goulot d'étranglement pour le calibrage. Cette injection de connaissances a priori réduit considérablement l'espace que l'optimisation bayésienne doit explorer.

Parallèlement, l'équipe de recherche a conçu une fonction d'acquisition basée sur l'entropie, spécialement conçue pour traiter le problème de saturation de sortie dû à des entrées extrêmes. Dans les données de trafic réelles, les comportements extrêmes (comme des temps de trajet anormalement longs) sont souvent peu fréquents, et les méthodes traditionnelles ont tendance à les négliger. La nouvelle fonction d'acquisition équilibre exploration et exploitation, en s'intéressant particulièrement à ces « cas limites », améliorant ainsi la précision de calibrage global du modèle.

Coûts réduits, précision accrue

Dans les comparaisons expérimentales, cette méthode nécessite non seulement moins d'évaluations que la meilleure solution existante (comme le filtrage de variables par Lasso + optimisation bayésienne standard), mais le résultat final du calibrage correspond également mieux aux flux de trafic réels. Il est particulièrement remarquable que ce cadre exploite pleinement la structure modulaire inhérente à l'ABM – en calibrant séquentiellement les modules de génération d'activités, de choix de déplacement et de planification d'itinéraires, plutôt que de procéder à un réglage « brut » unique.

Cela signifie que, pour une métropole de plusieurs millions d'habitants, un travail de calibrage qui nécessitait auparavant des semaines, voire des mois, pourrait être réduit à quelques jours. Pour les gestionnaires de villes qui planifient l'implantation de bornes de recharge électrique, les politiques d'autopartage ou les zones à faibles émissions, ce gain d'efficacité représente un changement qualitatif dans la vitesse d'itération des politiques.

Un progrès « niveau puce » pour la mobilité durable mondialeD'un point de vue plus macro, cette technologie ne résout pas seulement le problème de calibrage des modèles, mais le goulot d'étranglement fondamental de toute la chaîne de décision en matière de mobilité durable. L'ABM est déjà largement utilisé pour l'estimation des émissions de NOₓ, la prévision de la demande de recharge des véhicules électriques, la simulation des comportements de déplacement en période de pandémie, etc. Cependant, si le modèle n'est pas suffisamment calibré, la crédibilité de ses recommandations politiques est fortement compromise.

Par exemple, une équipe de recherche néerlandaise a utilisé l'ABM pour évaluer l'impact de politiques combinées — incluant le covoiturage, la gestion du stationnement, l'extension des pistes cyclables — sur la région métropolitaine de Copenhague. Des travaux similaires reposent sur un réglage manuel intensif des paramètres et des essais-erreurs. Aujourd'hui, le calibrage automatique assisté par LLM permet de transposer rapidement ces recherches à d'autres villes, voire de réaliser des « tests de résistance politique » à l'échelle mondiale.

Logique technique et préoccupations géopolitiques

Il est à noter que le LLM utilisé dans cette étude n'a pas besoin d'être un modèle spécialisé dans les transports. Tout LLM généraliste doté de capacités de raisonnement scientifique de base (tels que GPT-4, Claude, etc.) peut jouer le rôle de sélectionneur de paramètres. Cette propriété abaisse les barrières, mais soulève également de nouvelles réflexions : si le calibrage des modèles urbains dépend d'API de grands modèles, la souveraineté des données et l'autonomie des modèles deviendront-elles des coûts cachés ?

En particulier dans les régions qui accélèrent le développement des transports intelligents, comme le Moyen-Orient et l'Asie du Sud-Est, une dépendance excessive aux outils d'IA externes pourrait présenter des risques de sécurité. Peut-être que l'orientation future consistera pour chaque pays ou ville à déployer un LLM local léger, utilisé uniquement pour l'identification des priorités des paramètres, tandis que les calculs d'optimisation de base resteront effectués sur leurs propres ressources de calcul.

Perspectives et défis

Bien que les résultats soient encourageants, cette méthode n'est actuellement applicable qu'aux ABM modulaires, et doit encore être testée pour des modèles totalement intégrés et fortement couplés en paramètres. De plus, la robustesse des priorités de paramètres sélectionnés par le LLM dans tous les environnements urbains nécessite davantage de validation — par exemple en appliquant le cadre à des villes aux densités et cultures très différentes, telles que Londres, Tokyo ou Bombay.

Quoi qu'il en soit, cette étude révèle une nouvelle voie d'intégration profonde entre l'intelligence artificielle et les connaissances de domaine : non pas en laissant l'IA prendre le contrôle de l'ensemble du processus de modélisation, mais en lui faisant jouer le rôle « d'assistant intelligent » pour accélérer les étapes les plus chronophages pour les experts humains. Dans le contexte actuel de pressions combinées du changement climatique et de l'urbanisation, un tel gain d'efficacité pourrait avoir une valeur plus durable que n'importe quelle politique unique.

*Cet article est rédigé sur la base de l'article « LLM-assisted screening method for large-scale transportation model calibration » publié dans la revue *npj Sustainable Mobility and Transport* de Nature.*