Aller au contenu
Accueil TechPourToutes Programme
Retour

Seras-tu la prochaine stagiaire de SATIE ?

Stage - Analyse de la gravité des accidents de trottinettes électriques à l’aide d’approches d’apprentissage automatique interprétables

Développement - programmation - logiciel
Informatique pour la recherche

Offre mise à jour le 30 septembre 2026

Type d’offre :
Stage dans le supérieur
Durée :
non indiqué
Niveau d’expérience :
non indiqué
Salaire :
non indiqué
Entreprise :
SATIE
Secteur :
non indiqué
Adresse
4 rue René Thom, 91190 Gif Sur Yvette

Descriptif de l’offre

Les trottinettes électriques sont devenues un élément central des systèmes de mobilité urbaine dans les grandes métropoles. Comprendre les déterminants de la gravité des accidents impliquant des trottinettes électriques est donc essentiel pour améliorer la sécurité routière, orienter la conception des infrastructures et soutenir des politiques de transport urbain fondées sur des données probantes. Toutefois, la gravité des accidents résulte d’interactions complexes et non linéaires entre les profils des usagers, les caractéristiques des accidents et les conditions environnementales. Les approches statistiques traditionnelles peinent souvent à appréhender pleinement cette hétérogénéité.

Soutenu par le projet Question d'Intérêt Majeur Sécurité Routière de la Région Île-de-France, l’objectif de ce stage est d’analyser la gravité des accidents de trottinettes électriques en Île-de-France à l’aide de méthodes d’apprentissage automatique interprétables, telles que les algorithmes de gradient boosting (par exemple XGBoost ou LightGBM) et les méthodes d’explication de type SHapley Additive exPlanations (SHAP). L’étude s’appuiera sur la base de données française des accidents corporels de la circulation de l’Observatoire National Interministériel de la Sécurité Routière (ONISR) pour les années 2022 à 2024.

Ce stage vise à identifier différentes typologies d’accidents de trottinettes électriques en Île-de-France et à améliorer la compréhension des déterminants hétérogènes de la gravité des accidents, liés aux caractéristiques socio-démographiques des usagers (par exemple âge, sexe), aux conditions environnementales et infrastructurelles (par exemple type de voirie, présence d’intersection, conditions météorologiques), ainsi qu’aux circonstances accidentelles (par exemple type de collision, véhicules impliqués). Les résultats attendus devraient fournir des enseignements utiles à l’élaboration de mesures ciblées de sécurité routière.


Laboratoire d'accueil :

SATIE, Université Gustave Eiffel, 91190 Gif-sur-Yvette

Informations de contact :

Biao YIN (Chargé de recherche, UGE/SATIE): biao.yin@univ-eiffel.fr; Pauline Michel (Maîtresse de conférences, Université Paris-Saclay/SATIE) : pauline.michel1@universite-paris-saclay.fr

Références :

Pervez, A. and Jamal, A. (2025). Exploring e-scooter risk factors based on interpretable machine learning framework. Journal of Safety Research, 94, 128–140.

Abdi, A. and O’Hern, S. (2025). Understanding e-scooter rider crash severity using a built environment typology: A two-stage clustering and random parameter model analysis. Accident Analysis & Prevention, 215, 108018.

Md Monzurul Islam et al. (2026). A multidimensional analysis of E-scooter crash severity: Integrating cluster correspondence and SHAP interpretability. The 105th TRB Annual Meeting, Washington, D.C. USA.

Cette offre ID NuBZ4bpq9Ttm5ZTuW a été publiée le 4 mai 2026 sur le site de notre partenaire, MyFuture.