Dans le domaine de l’aviation civile, la planification des vols est un véritable casse-tête. Non seulement les compagnies doivent-elles tenir compte des passagers et de leurs bagages, mais aussi de l’équipage de chaque avion. Contrairement aux premiers, qui vont d’un point A à un point B, les trois ou quatre agent·e·s de bord restent assigné·e·s à un appareil jusqu’à ce que ce dernier regagne son aéroport de base. Ces successions de vols durent en moyenne quatre jours. On les appelle des rotations.

L’horaire mensuel d’un·e employé·e consiste en une succession de rotations entrecoupées de jours de repos ou de vacances. L’attribution de ces rotations dépend de nombreux critères, tels que les langues parlées par l’employé·e, ses préférences et ses visas. La génération de tous ces emplois du temps demande de nombreux calculs et prend donc beaucoup de temps. C’est pourquoi les compagnies aériennes, dont le personnel de bord est le deuxième poste de dépense après le carburant, consacrent beaucoup d’efforts à l’optimisation de ces calculs.

C’est sur cette optimisation que s’est penchée Alice Wu, dans le cadre de sa maîtrise recherche en mathématiques appliquées. Elle a étudié plusieurs milliers de rotations passées d’une compagnie, ainsi que la façon avec laquelle l’algorithme utilisé par cette compagnie avait attribué ces rotations à ses employé·e·s pour bâtir des horaires de manière individuelle et personnalisée. Son objectif était de faciliter le travail de l’algorithme pour accélérer le processus.

Alice a cherché à rendre l’algorithme plus intuitif afin de réduire le nombre de rotations prises en compte dès le début du calcul. Au lieu d’un bassin de 5000 rotations potentielles, l’algorithme ne devait considérer que les 500 les plus probables. Pour créer cette intuition, elle a fait appel à l’apprentissage automatique. Ensuite, elle vérifiait si l’horaire qui avait effectivement été assigné à l’employé·e par le passé figurait parmi les 500 choisis par l’algorithme.

Enfin, elle a évalué le taux d’efficacité de son modèle en le comparant avec un système de sélection aléatoire. « Avec le hasard, on trouve 10 % des rotations qui ont effectivement été assignées par le passé dans le top 500. Avec mon modèle, j’ai réussi à atteindre 40 %, ce qui est plutôt positif. »

Les recherches de la jeune étudiante n’ont pas encore abouti à des résultats solides, comportant suffisamment de simulations sur des données et des compagnies aériennes différentes. Son modèle n’est donc pas encore assez mature pour être utilisé. Après avoir terminé sa maîtrise en décembre 2019, elle poursuit désormais ses recherches à l’aide d’autres données afin de continuer d’améliorer son modèle.