Dans des régions avec beaucoup d'électricité renouvelable, comme le Québec, une augmentation du nombre de Véhicules Électriques (VE) peut réduire les gaz à effet de serre. Par contre, l'autonomie réduite des VE et la présence limitée d'infrastructure publique pour recharger les véhicules peuvent contribuer à un phénomène nommé anxiété de l'autonomie, où les usagers n'achètent pas des VE par peur qu'ils tombent en panne. On peut alors planifier l'emplacement de l'infrastructure publique de recharge de manière stratégique pour combattre cet effet, menant alors à un taux d'adoption plus élevé pour les VE. En utilisant des modèles de choix discret, nous incorporons des modèles économétriques de demande avancés capturant les préférences hétérogènes des usagers à l'intérieur de l'optimisation. En particulier, comme nous le démontrerons, ceci permet l'inclusion de nouveaux facteurs importants, tels qu'une disponibilité de la recharge à domicile et des effets de distance plus granulaire. Par contre, la méthodologie existante pour ce processus crée un modèle de programmation linéaire mixte en nombres entiers qui ne peut pas être résolue, même pour des instances de taille modeste. Nous développons alors une reformulation efficace en problème de couverture maximum qui, comme nous le démontrerons, permet une amélioration de plusieurs ordres de magnitude pour le temps de calcul. Bien que cette reformulation dans un problème de couverture maximum améliore grandement la capacité à résoudre le modèle, celui-ci demeure difficile à résoudre pour des problèmes de grandes tailles, nécessitant des heuristiques pour obtenir des solutions de haute qualité. Nous développons alors deux méthodes de décomposition de Benders spécialisées pour cette application. La première est une méthode de décomposition de Benders accélérée, qui se spécialise à réduire l'écart d'optimalité et à la résolution de problèmes de petite taille ou de taille modeste. La deuxième approche rajoute un branchement local à la méthode de décomposition de Benders accélérée, qui sacrifie de l'efficacité lors de la résolution de problèmes de plus petite taille pour une capacité augmentée afin d'obtenir des solutions réalisables de haute qualité. Finalement, nous présentons une méthode pour dériver des valeurs de paramètres autrement difficiles à obtenir pour le modèle de choix discrets dans le modèle d'optimisation. Ces paramètres dictent les effets de l'infrastructure publique de recharge sur l'adoption des VE. Pour ce processus, nous regardons les facteurs qui encouragent les usagers courants des VE à utiliser l'infrastructure existante. De manière plus précise, nous utilisons des données de recharge réelles de la ville de Montréal (Québec) pour estimer les impacts des caractéristiques des stations, tels que la distance des usagers, le nombre de bornes de recharge, et les installations à proximité. Différents types d'infrastructure sont considérés, de manière parallèle avec des modèles de choix discrets qui peuvent tenir compte de plusieurs observations pour chaque individu. Les contributions de cette thèse sont plus générales que simplement l'adoption de VE, étant applicable, par exemple, au problème de capture maximum, au problème de couverture maximum à multiples périodes, et à la prédiction de la station de recharge choisie par les conducteurs de VE. / In areas with large amounts of clean renewable electricity, such as Quebec, an increase to the number of electric vehicles (EVs) can reduce greenhouse gas emissions. However, the reduced range of EVs and the limited public charging infrastructure can contribute to a phenomenon known as range anxiety, where users do not purchase EVs out of concern they run out of charge while driving. We can strategically optimise the placement of public EV charging infrastructure to combat this effect, thus leading to increased EV adoption. By utilising discrete choice models, we incorporate advanced econometric demand models capturing heterogeneous user preferences within the optimisation framework. In particular, as we demonstrate, this allows for the inclusion of new, important attributes, such as a more granular home charging availability and a continuous degradation of quality based on the distance. However, existing methodologies for this optimisation framework result in a mixed-integer linear program which cannot be solved for even moderately sized instances. We thus develop an efficient reformulation into a maximum covering location problem which, as we show experimentally, allows for multiple orders of magnitude of improved solving time. While the reformulation into a maximum covering location problem greatly improves the solving capabilities for the model, it remains intractable for large-scale instances, relying on heuristics to obtain high-quality solutions. As such, we then develop two specialised Benders decomposition methods for this application. The first is an accelerated branch-and-Benders-cut method, which excels at solving small or medium-scale instances and at decreasing the optimality gap. The second approach incorporates a local branching scheme to the accelerated branch-and-Benders-cut method, which sacrifices some efficiency in solving smaller instances for an increased ability to obtain high-quality feasible solutions. Finally, we discuss a method for deriving difficult-to-obtain parameter values of the discrete choice model in the optimisation framework. These parameter values dictate the effects of the public charging infrastructure on EV adoption and, as such, play a crucial role in the optimisation model. For this process, we investigate the attributes that encourage current EV owners to utilise existing infrastructure. More specifically, we use real charging session data from the city of Montreal (Quebec) to determine the impacts of station characteristics such as the distance to the users, the number of outlets, and the nearby amenities. Different types of charging infrastructure are considered alongside discrete choice models which take into account multiple observations from individual users. The contributions of this thesis lie more broadly than simply EV adoption, being applicable to, e.g., the maximum capture problem, the multi-period maximum covering location problem, and the prediction of the charging station selected by EV drivers.

No description available.

Cette thèse se penche sur les modèles de choix, des distributions sur des ensembles d'alternatives. Les modèles de choix sur les processus décisionnels de Markov (MDP) peuvent décomposer de très grands espaces alternatifs en procédures étape par étape conçues pour non seulement combattre la malédiction de la dimensionnalité mais aussi pour mieux refléter la dynamique sous-jacente. La première partie est consacrée à l'estimation du temps de trajet dans le cadre de la modélisation du choix de chemin. Les modèles de choix de chemin sont des modèles de choix sur l'ensemble des chemins utilisés pour modéliser le flux de circulation. Intuitivement, le temps de trajet est l'une des caractéristiques les plus importantes lors du choix des chemins, mais les temps de trajet ne sont pas toujours connus. En revanche, le cadre classique suppose que ces deux étapes sont séquentielles, car les temps de trajet des arcs font partie de l'entrée du processus d'estimation du choix de chemin. Pourtant, les interdépendances complexes signifient que ce modèle de choix de chemin peut complémenter toute observation lors de l'estimation des temps de trajet. Nous construisons un modèle statistique pour l'estimation du temps de trajet et proposons de marginaliser les caractéristiques non observées. En utilisant ces idées, nous montrons que nous sommes capables d'apprendre des modèles de choix de chemin sans observer de chemins réels et à différentes granularités. La deuxième partie se concentre sur les échecs des MDP régularisés et comment la régularisation peut avoir des effets secondaires inattendus, tels que la divergence dans les chemins stochastiques les plus courts ou des fonctions de valeur déraisonnablement grandes. Les MDP régularisés ne sont rien d'autre qu'une application des modèles de choix aux MDP. Ils sont utilisés dans l'apprentissage par renforcement (RL) pour obtenir, entre autres choses, un modèle de choix sur les trajectoires possibles pour l'apprentissage par renforcement inverse, transférer des connaissances préalables au modèle, ou obtenir des politiques qui exploitent tous les objectifs dans l'environnement. Ces effets secondaires sont exacerbés dans les espaces d'action dépendants de l'état. Comme mesure d'atténuation, nous introduisons deux transformations potentielles, et nous évaluons leur performance sur un problème de conception de médicaments. / This thesis delves on choice models, distributions on sets of alternatives. Choice models on Markov decision processes (MDPs) can break down very large alternative spaces into step-by-step procedures designed to not only tackle the curse of dimensionality but also to reflect the underlying dynamics better. The first part is devoted to travel time estimation as part of path choice modeling. Path choice models are choice models on the set of paths used to model traffic flow. Intuitively, travel time is one of the more important features when choosing paths, yet travel times are not always known. In contrast, the classical setting assumes that these two steps are sequential, as arc travel times are part of the input of the path choice estimation process. Yet the intricate interdependences mean that that path choice model can complement any observation when estimating travel times. We build a statistical model for travel time estimation and propose marginalizing the unobserved features. Using these ideas, we show that we are able to learn path choice models without observing actual paths and at different granularity. The second part focuses on the failings of regularized MDPs and how regularization may have unexpected side effects, such as divergence in stochastic shortest paths or unreasonably large value functions. Regularized MDPs are nothing but an application of choice models to MDPs. They are used in reinforcement learning (RL) to get, among other things, a choice model on possible trajectories for inverse reinforcement learning, transfer prior knowledge to the model, or to get policies that exploit all goals in the environment. These side effects are exacerbated in state-dependent action spaces. As a mitigation, we introduce two potential transformations, and we benchmark their performance on a drug design problem.