RESPONSABILITÉS : Le-la postdoctorant-e contribuera aux activités suivantes : • Inférence de choix de mobilité à partir d'évidence hétérogène : transformer des informations comportementales non structurées (texte libre d'enquêtes, retours usagers, messages d'incidents/événements, alertes de service) en facteurs sémantiques (fiabilité, congestion/crowding, confort, sécurité, coût, accessibilité), puis les fusionner avec des traces structurées et du contexte urbain (tarification, perturbations, événements, signaux exogènes) afin d'inférer des distributions probabilistes de choix modaux et de décisions de mobilité. • Agents LLM guidés par des distributions pour des chaînes de déplacements complètes : concevoir des agents LLM générant des chaînes journalières complètes (activités, lieux/POI, horaires, durées, transferts multimodaux) guidées par des distributions apprises et ancrées par des outils externes (routage/POI/contexte), garantissant une plausibilité au niveau individuel et une fidélité statistique au niveau agrégé. • Adaptation au contexte et robustesse : permettre l'ajustement des séquences de mobilité en conditions changeantes (perturbations, météo, événements, congestion), tout en conservant diversité, réalisme, et reproductibilité. • Expérimentation et évaluation : conduire des campagnes expérimentales sur données France–Canada (sous réserve des accords et règles de gouvernance), incluant Paris/Lyon (smart card, boucles de comptage, agrégats OD/presence mobile, enquête GPS, flux vélos, événements texte, census/OD) et Montréal/Ottawa (agrégats mobile, smart card, requêtes de planification, vélos, enquête OD), avec des évaluations micro (cohérence des chaînes, faisabilité temporelle/transferts) et macro (OD, parts modales, profils temporels), ainsi que des tests de transfert inter-villes et inter-pays. • Valorisation : publications, communications scientifiques, contribution aux livrables et à la diffusion open science du projet. Particularité du poste : mobilité possible à McGill (université de Montréal) PROFIL RECHERCHÉ : Profil recherché : • Doctorat (obtenu) en informatique, génie des transports, mathématiques appliquées/statistiques, ou domaine proche. • Solide background en machine learning (modélisation probabiliste et/ou représentation ; modèles génératifs appréciés). • Expérience en LLMs/NLP et/ou systèmes agentiques fortement souhaitée. • Très bonnes compétences en Python et capacité à construire des pipelines expérimentaux reproductibles. • Capacité à mener une recherche autonome et à rédiger des articles scientifiques en anglais. • Qualités attendues : autonomie, rigueur, esprit d'équipe, communication claire, respect de l'éthique et des bonnes pratiques (données sensibles).