Graph Based Learnig For Multimodal Route Recommendation

Abstract

This master’s thesis explores cutting-edge technologies in multimodal route recommendations and graph-based learning, focusing on their application to optimizing student transportation on the CESI campus in France, as part of the ”MonTrajet Vert” project. The core of the study is an in-depth exploration of the latest advances in machine learning, particularly in the field of transport networks and environmental sustainability. We begin with a comprehensive review of state-of-the-art methodologies in multimodal route recommendation systems and graph learning algorithms. We then apply this knowledge to develop a sophisticated system that integrates real-time traffic data and climatic factors into a multimodal transport graph. The first step of this research involved exploring high-fidelity multimodal transport graphs, using the latest graph learning techniques to accurately model the complex interdependencies between different modes of transport and travelers. In the second step, we employed advanced machine learning models to analyze this graph, providing route recommendations that are both efficient and environmentally friendly. This includes using recent innovations in climate-aware routing and modeling user preferences. The study also includes a comparison between these modeling techniques for the multimodal recommendation problem and their significant improvements in recommendation accuracy and user satisfaction. It discusses how to incorporate meteorological data into the recommendation process, highlighting the potential of integrating modern graph learning techniques with multimodal transport systems. This research contributes to the field by deepening our understanding of the capabilities and limitations of current technologies, paving the way for future innovations in sustainable urban mobility solutions. ***

Cette these de master explore les technologies de pointe dans les recommandations de trajets multimodaux et l’apprentissage bas´e sur les graphes, en se concentrant sur leur application `a l’optimisation du transport des ´etudiants sur le campus CESI en France est pr´esent´e comme partie du projet ”MonTrajet Vert”. Le coeur de l’´etude est une exploration approfondie des derni`eres avanc´ees en apprentissage automatique, en particulier dans le domaine des r´eseaux de transport et de la durabilit´e environnementale. Nous commen¸cons par une revue compl`ete des m´ethodologies `a la pointe dans les syst`emes de recommandation de trajets multimodaux et les algorithmes d’apprentissage sur les graphes. La premi`ere ´etape de cette recherche a consist´e `a explorer les graphes de transport multimodal `a haute fid´elit´e, en utilisant les derni`eres techniques d’apprentissage sur les graphes pour mod´eliser avec pr´ecision les interd ´ependances complexes entre les diff´erents modes de transport ansi que les voyageurs. Dans la deuxi`eme ´etape, nous avons employ´e des mod`eles avanc´es d’apprentissage automatique pour analyser ce graphe, fournissant des recommandations de trajets qui sont `a la fois efficaces et respectueuses de l’environnement. Cela inclut l’utilisation des innovations r´ecentes dans le routage conscient du climat et la mod´elisation des pr´ef´erences des utilisateurs. L’´etude comprend ´egalement la comparaision entre ces thequnique de modelisation du problem de recommendation multimodal et ses am´eliorations significatives en termes de pr´ecision des recommandations et de satisfaction des utilisateurs, ansi comment inclure les donn´ee meterologique dans la recommendation en soulignant le potentiel de l’int´egration des ces techniques modernes d’apprentissage sur les graphes avec les syst`emes de transport multimodal. Cette recherche contribue au domaine en approfondissant notre compr´ehension des capacit´es et des limitations des technologies actuelles, ouvrant la voie `a de futures innovations dans les solutions de mobilit´e urbaine durable.