Modélisation de comportements humains à l’aide d’agents génératifs dans un système de transport multimodal

La modélisation de comportements humains réalistes afin de comprendre les choix de mode de transport demeure un défi majeur. Cet article présente une architecture visant à modéliser des comportements de mobilité humaine réalistes dans des systèmes de transport multimodaux complexes. Nous intégrons de grands modèles de langage (LLM) au sein d’une simulation à base d’agents afin des reproduire des processus de prise de décision proches de ceux des humains dans un environnement urbain réel. L’approche proposée intègre à la plateforme GAMA des agents génératifs basés sur un LLM, des données au format General Transit Feed Specification (GTFS) pour les transports publics, ainsi qu’OpenTripPlanner pour le calcul d’itinéraires multimodaux. La décision des agents se base sur la création d’un prompt contenant les origines et destinations des agents, ainsi que leur historique de déplacement. Cette architecture est appliquée au cas d’étude de la ville de Toulouse. Les résultats d’une simulation d’une durée d’un mois montrent que les agents prennent des décisions de transport sensibles au contexte et développent progressivement des habitudes au fil du temps. Nous concluons que l’intégration des LLM avec la simulation à base d’agents ouvre une piste intéressante pour le développement de solutions de mobilité multimodale personnalisées.