Thèse Contribution des Grands Modèles de Langage à la Diversité Comportementale dans la Simulation Multi-Agents de l'Activité Humaine et de la Consommation d'Énergie H/F Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique Direction de la thèse : Nicolas SABOURET ORCID 0000000274586732 Début de la thèse : 2027-01-01 Date limite de candidature : 2026-11-01T23:59:59 Dans le domaine de la simulation multiagent de l'activité humaine pour l'étude et la prédiction de la consommation énergétique dans l'habitat, les approches actuelles fondées sur la génération d'activité à partir de données terrain de l'INSEE (enquêtes emploi du temps) se heurtent à des limites de diversité et de représentativité. L'émergence des grands modèles de langage (LLM) offre de nouvelles possibilités dans ce domaine (voir par exemple Park et al., 2023 et Liu et al., 2025). Les LLM peuvent générer des emplois du temps hebdomadaires d'activités présentant une diversité et une variabilité intra-individuelle significativement plus riches que l'approche actuelle.

La problématique de cette thèse est donc double. Premièrement, il s'agit de concevoir un modèle hybride combinant un modèle multi-agent existant (SMACH) avec les grands modèles de langage pour dépasser les limites de l'approche historique. Deuxièmement, nous souhaitons proposer un cadre formel d'évaluation et de validation des simulations capable de rendre compte de la diversité et de la cohérence temporelle, dans le domaine particulier de la génération d'activités pour la consommation énergétique des foyers. La littérature scientifique sur la modélisation de l'activité humaine pour la simulation énergétique montre une utilisation croissante de l'utilisation des données statistiques issues d'enquêtes 'Emploi du Temps' (TUS, Time Use Surveys), par exemple au travers de chaînes de Markov ou de modèles à base d'agents. Si ces données permettent de cadrer les comportements simulés, elles souffrent de limites bien documentées (Osman et Ouf, 2021) concernant notamment l'absence de continuité temporelle entre journées.
Plus récemment, l'IA générative a fait émerger de nouvelles méthodes. La littérature récente se structure autour de deux familles d'approches. D'une part, on trouve des méthodes statiques qui génèrent un emploi du temps complet, d'un seul tenant, comme une séquence d'activités. Des modèles comme les Variational Auto-Encoders (Shone et Hillel, 2025) ou les Transformers (Liao et al., 2024) sont utilisés pour générer des séquences d'activités statistiquement cohérentes, qui peuvent dépendre des caractéristiques sociodémographiques des individus et de ménages. Certains travaux récents (Liu et al., 2025) explorent l'utilisation de LLM pour générer des journées coordonnées au sein d'un ménage. Cependant, ces méthodes restent majoritairement focalisées sur la génération de journées uniques et n'adressent pas la question de la continuité sur des échelles de temps plus longues, ni celle de la réactivité à un contexte dynamique.
D'autre part se développent des approches réactives intégrées à des simulations multi-agent où la planification est intégrée à une boucle agentique gérée par des LLMs, dans laquelle les agents perçoivent un contexte, planifient, agissent et re-planifient au fil du temps (Park et al., 2023), (Bougie et al., 2025). Ces architectures offrent une grande flexibilité pour modéliser des comportements adaptatifs, mais elles présentent deux faiblesses. D'une part, leur coût de calcul et les problèmes de reproductibilité les rendent difficiles à appliquer pour des simulations à grande échelle (Taillandier et al., 2026). D'autre part, comme pour la génération de séquences, leur validation reste souvent superficielle, orientée vers des objectifs externes (par exemple: impact sur un modèle de transport urbain), et la qualité de l'activité générée elle-même est peu évaluée.
Ces constats justifient de définir de nouvelles méthodes d'évaluation de l'activité générée, comprenant des critères de cohérence et de diversité à différents niveaux: comportement individuel sur une journée, comportement sur une semaine, comportement agrégé des individus, etc. Nous parlerons dans la suite de ce document de validation multi-échelles.
Pour la génération des comportement dans la simulation multi-agents, il est ainsi non seulement nécessaire de prendre en compte la dimension temporelle des emplois du temps mais aussi de s'appuyer sur une approche hybride combinant la génération statique des activités et l'approche agentique pour la sélection dynamique de ces activités, tout en intégrant les données empiriques comme support. Premièrement, il s'agit de concevoir un modèle hybride combinant le modèle multi-agent de SMACH et les grands modèles de langage pour dépasser les limites de l'approche SMACH historique. Deuxièmement, nous souhaitons proposer un cadre formel d'évaluation et de validation des simulations capable de rendre compte de la diversité et de la cohérence temporelle, dans le domaine particulier de la génération d'activités pour la consommation énergétique des foyers. L'objectif principal de la thèse est donc de proposer, implémenter et valider un modèle d'agent hybride SMA-LLM pour la simulation de l'activité humaine et des consommations d'énergie.
Pour atteindre cet objectif, plusieurs verrous scientifiques devront être levés:
1) Un premier verrou concerne la consolidation de la génération de séquences d'activités. Les travaux préparatoires ont montré la faisabilité de générer des semaines d'activité complètes, mais il reste à approfondir la méthode pour garantir la robustesse et la qualité des emplois du temps générés. Il s'agira ensuite d'étudier l'extension de cette capacité à des échelles temporelles plus longues (mois, saisons). Une question de recherche originale dans ce contexte consiste à étudier comment intégrer des connaissances issues d'études qualitatives (ergonomie cognitive, sociologie-anthropologie) pour cadrer et améliorer la cohérence et la diversité des activités générées par LLM.
2) Un deuxième verrou porte sur l'hybridation SMA-LLM pour la prise de décision des agents. Il s'agit de passer d'une utilisation pré-simulation du LLM à une utilisation en cours de simulation. Ceci pose la question de l'articulation d'un moteur de décision multi-agents tel que SMACH avec un module de raisonnement génératif porté par un LLM. Nous devrons également étudier comment les décisions d'un agent hybride SMA-LLM peuvent prendre en compte dynamiquement l'évolution du contexte de la simulation (ex: évolution du prix de l'énergie, période de canicule ou grand froid), et ainsi impacter les comportements simulés (ex: lancement d'une climatisation, report d'usages).
3) Un troisième verrou est relatif à la gestion de la complexité computationnelle pour le passage à l'échelle. L'architecture de SMACH repose sur la simulation en parallèle de ménages indépendants. L'intégration d'un agent hybride SMA-LLM au niveau ménage constitue donc un verrou de passage à l'échelle car l'efficacité de la simulation dépendra des temps de calcul de cet agent. Réaliser des simulations à l'échelle de grandes populations nécessite donc de concevoir une architecture où l'appel au LLM est maîtrisé et parcimonieux.
4) Enfin, un quatrième verrou est lié à la validation multi-échelle et à la fiabilisation du modèle. Il sera nécessaire de consolider le cadre d'évaluation combinant cohérence et diversité collective et individuelle, sur différentes périodes temporelle. Un premier cadre a été développé durant les travaux préparatoires qu'il faudra étendre pour l'appliquer aux comportements simulés par le modèle hybride SMA-LLM. Par ailleurs, il faudra définir et mettre en oeuvre des stratégies pour minimiser les risques inhérents aux LLM (hallucinations, biais) aussi bien dans la génération statique que dans la prise de décision dynamique.