Modélisation spatio-temporelle pour la santé publique et la mobilité électrique : du traçage numérique des contacts aux réseaux de recharge de véhicules électriques équitables

Dans le cadre de cette thèse, nous développons un ensemble cohérent d'outils méthodologiques dédiés au traitement et à l'analyse de données spatio-temporelles massives. L'objectif central consiste à établir un pont conceptuel et opérationnel entre deux champs a priori distincts, mais présentant des dynamiques structurelles convergentes : l'épidémiologie numérique et la planification des réseaux d'infrastructures de recharge pour véhicules électriques (VE). Le premier axe de recherche est consacré à la caractérisation des réseaux de contacts et à l'étude des déterminants socio-économiques du risque épidémique. Cette contribution repose sur une analyse empirique du programme national de traçage numérique des contacts (DCT) mis en œuvre au Pérou durant la pandémie de COVID-19. À partir de données de mobilité anonymisées couvrant 1,66 million d'utilisateurs et plus de 80 000 cas confirmés, des réseaux de contacts dynamiques ont été reconstruits et caractérisés selon leurs propriétés structurelles. Une analyse comparative des comportements de mobilité entre individus infectés et non infectés, corrélée à des indicateurs socio-économiques géolocalisés, met en évidence des disparités marquées en matière de risque d'exposition. Ces résultats offrent une base empirique solide pour la conception de politiques de santé publique plus équitables et mieux ciblées. Le deuxième axe introduit Spatial Neighbourhood Fusion (SPN), un module léger, agnostique aux architectures, dédié à la prévision spatio-temporelle de la mobilité sur des grilles spatiales H3. Ce module exploite conjointement l'historique des flux de mobilité d'une cellule et les signaux multi-échelles de son voisinage spatial (approche multi-anneaux), afin de pallier la parcimonie des matrices origine-destination horaires. Les expérimentations menées montrent une amélioration de la précision prédictive pouvant atteindre 9,85 % sur diverses architectures de référence, avec des gains particulièrement significatifs dans les zones à faible densité de mobilité. Enfin, le troisième axe porte sur la modélisation spatio-temporelle pour l'optimisation du déploiement des infrastructures de recharge pour véhicules électriques. Ce travail s'appuie sur un jeu de données spatio-temporel à haute résolution décrivant les flux de mobilité automobile dans l'État de Géorgie (États-Unis). Nous proposons dans ce cadre DOVA-PATBM, une chaîne géo-computationnelle conçue pour une planification robuste, équitable et scalable des infrastructures. L'approche vise à aligner l'offre de recharge sur les besoins réels des usagers tout en intégrant les contraintes du réseau énergétique. Une étude de cas à l'échelle de l'État de Géorgie valide la pertinence opérationnelle du cadre proposé et en souligne le potentiel de généralisation à d'autres contextes territoriaux.