Personne :
Diop, Serigne Arona

Photo de profil
Adresse électronique
Date de naissance
Projets de recherche
Structures organisationnelles
Fonction
Nom de famille
Diop
Prénom
Serigne Arona
Affiliation
Université Laval. Faculté des sciences de l'administration
ISNI
ORCID
Identifiant Canadiana
ncf11923278
person.page.name

Filtres

2019 - 201912020 - 20211
Réinitialiser les filtres

Paramètres

Résultats de recherche

Voici les éléments 1 - 2 sur 2
  • Publication
    Accès libre
    Measuring fuel consumption in vehicle routing : new estimation models using supervised learning
    (Taylor & Francis Group, 2021-07-06) Heni, Hamza; Diop, Serigne Arona; Renaud, Jacques; Coelho, Leandro C.
    In this paper, we propose and assess the accuracy of new fuel consumption estimation models for vehicle routing. Based on real-world data consisting of instantaneous fuel consumption, time-varying speeds observations, and high-frequency traffic, we propose effective methods to estimate fuel consumption. By carrying out nonlinear regression analysis using supervised learning methods, namely Neural Networks, Support Vector Machines, Conditional Inference Trees, and Gradient Boosting Machines, we develop new models that provide better prediction accuracy than classical models. We correctly estimate consumption for time-dependent point-to-point routing under realistic conditions. Our methods provide a more precise alternative to classical regression methods used in the literature, as they are developed for a specific situation. Extensive computational experiments under realistic conditions show the effectiveness of the proposed machine learning consumption models, clearly outperforming macroscopic and microscopic consumption models such as the Comprehensive Modal Emissions Model (CMEM) and the Methodology for Estimating air pollutant Emissions from Transport (MEET). Based on sensitivity analyses we show that MEET underestimates real-world consumption by 24.94% and CMEM leads to an overestimation of consumption by 7.57% with optimised parameters. Our best machine learning model (Gradient Boosting Machines) exhibited superior estimation accuracy with a gap of only 1.70%.
  • Publication
    Accès libre
    Comparing inverse probability of treatment weighting methods and optimal nonbipartite matching for estimating the causal effect of a multicategorical treatment
    (2019) Diop, Serigne Arona; Talbot, Denis; Duchesne, Thierry
    Des débalancements des covariables entre les groupes de traitement sont souvent présents dans les études observationnelles et peuvent biaiser les comparaisons entre les traitements. Ce biais peut notamment être corrigé grâce à des méthodes de pondération ou d’appariement. Ces méthodes de correction ont rarement été comparées dans un contexte de traitement à plusieurs catégories (>2). Nous avons mené une étude de simulation pour comparer une méthode d’appariement optimal non-biparti, la pondération par probabilité inverse de traitement ainsi qu’une pondération modifiée analogue à l’appariement (matching weights). Ces comparaisons ont été effectuées dans le cadre de simulation de type Monte Carlo à travers laquelle une variable d’exposition à 3 groupes a été utilisée. Une étude de simulation utilisant des données réelles (plasmode) a été conduite et dans laquelle la variable de traitement avait 5 catégories. Parmi toutes les méthodes comparées, celle du matching weights apparaît comme étant la plus robuste selon le critère de l’erreur quadratique moyenne. Il en ressort, aussi, que les résultats de la pondération par probabilité inverse de traitement peuvent parfois être améliorés par la troncation. De plus, la performance de la pondération dépend du niveau de chevauchement entre les différents groupes de traitement. La performance de l’appariement optimal nonbiparti est, quant à elle, fortement tributaire de la distance maximale pour qu’une paire soit formée (caliper). Toutefois, le choix du caliper optimal n’est pas facile et demeure une question ouverte. De surcroît, les résultats obtenus avec la simulation plasmode étaient positifs, dans la mesure où une réduction importante du biais a été observée. Toutes les méthodes ont pu réduire significativement le biais de confusion. Avant d’utiliser la pondération de probabilité inverse de traitement, il est recommandé de vérifier la violation de l’hypothèse de positivité ou l’existence de zones de chevauchement entre les différents groupes de traitement