L'objectif de ce stage est de contribuer au développement de ces algorithmes de génération de traces synthétiques en mettant en oeuvre des méthodes d'apprentissage profond, d'analyse de séquences et de modélisation générative, et d'en implémenter des prototypes exploitables sur des études-test. La première partie de ce stage sera consacrée à une étude approfondie de la littérature scientifique récente sur les modèles génératifs de traces de mobilité, avec un accent particulier sur les architectures basées sur les Transformers et les méthodes d'encodage de données spatio-temporelles pertinentes. Le stagiaire identifiera les architectures et les techniques d'encodage les plus prometteuses pour la modélisation de profils de mobilité long terme. Une seconde partie consistera à prototyper et évaluer ces architectures sur des jeux de données de mobilité réels anonymisés, afin de valider leur capacité à générer des traces synthétiques réalistes et cohérentes sur le long terme. Le stagiaire contribuera directement à la recherche de FluxVision sur la valorisation des données d'opérateur, en appliquant ces modèles à des cas d'usage concrets liés à la compréhension des dynamiques de mobilité. Après une découverte de la solution Flux Vision et des techniques utilisées dans le domaine de l'analyse des données de mobilité (big data / modélisation mathématique), le stage se déroulera selon les étapes suivantes : . Prise en main des outils existants et des plateformes de données de mobilité. . Synthèse de la problématique des modèles génératifs de mobilité long terme, proposition et conception d'architectures basées sur les Transformers. . Modélisation, entraînement et évaluation de modèles génératifs sur des données réelles anonymisées, prototypage et validation d'algorithmes. . Accompagnement dans l'équipe jusqu'à l'industrialisation potentielle et la mise en oeuvre pour les cas d'usage de recherche de Flux Vision. - De formation supérieure Bac +5 (Ecole d'ingénieur ou Université) en mathématiques appliquées, informatique, data science ou domaine similaire. - Bonne connaissance des problématiques et méthodes de machine learning/deep learning, en particulier des modèles génératifs (GANs, modèles de diffusion) et des architectures de type Transformer. - Maîtrise de l'environnement Python pour la data science (librairies comme PyTorch/TensorFlow, scikit-learn, pandas, numpy). - Facultés d'adaptation, d'excellentes qualités relationnelles et rédactionnelles (français et anglais).