L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Madame Maira ALVI
Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à l’Institut Polytechnique de Paris Télécom SudParis en :
Informatique
« Digital Twin Approach for Smart City Development »
le LUNDI 9 NOVEMBRE 2026 à 14h00
à
Amphithéâtre C06
9 Rue Charles Fourier, 91000 Évry-Courcouronnes
Membres du jury :
M. Noel CRESPI, Full professor, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Directeur de these
Mme Tiziana MARGARIA, Full professor, University of Limerick; Lero – Research Ireland Centre for Software, IRLANDE – Rapporteur
Mme Maria PIA FANTI, Full professor, Department of Electrical and Information Engineering, Politecnico di Bari, Italy, ITALIE – Rapporteur
M. Soheil SABRI, Assistant professor, University of Central Florida, School of Modeling, Simulation and Training / Institute for Simulation & Training. , ETATS-UNIS – Examinateur
M. Thierry COUPAYE, VP Research Augmented Operations, Orange Innovation , FRANCE – Examinateur
M. Giancarlo FORTINO, Full professor, Department of Informatics, Modeling, Electronics and Systems, University of Calabria, Italy, ITALIE – Examinateur
M. Marcelo DIAS DE AMORIM, Directeur de recherche, Sorbonne Université — LIP6 (Laboratoire d’Informatique de Paris 6), FRANCE – Examinateur
M. Roberto MINERVA, Professeur associé, Telecom SudParis, FRANCE – Co-encadrant de these
« Digital Twin Approach for Smart City Development »
présenté par Madame Maira ALVI
Résumé :
L’intégration de technologies de jumeaux numériques (Digital Twins) dans le cadre des villes intelligentes devient de plus en plus essentielle à l’ère du numérique. À mesure que les environnements urbains évoluent vers des écosystèmes interconnectés, fondés sur des données en temps réel et des systèmes de gestion intelligents, les jumeaux numériques offrent une approche puissante et dynamique pour la planification et la gestion urbaines. Cependant, de nombreux jumeaux numériques existants restent principalement limités à la visualisation et à la surveillance. Par ailleurs, des difficultés liées à la fiabilité de l’acquisition des données, à la fragmentation des architectures, à l’interopérabilité et au passage vers une prise de décision autonome continuent de limiter leur mise en œuvre pratique. Cette thèse développe une chaîne complète allant de l’acquisition des données à la prise de décision. Dans un premier temps, une classification fondée sur le niveau de maturité est établie afin de caractériser les jumeaux numériques urbains comme passifs, prédictifs, prescriptifs ou autonomes, selon leurs capacités. Afin de renforcer la couche sous-jacente d’acquisition des données, un mécanisme de contrôle d’accès prédictif et sensible au contexte, appelé Context-Aware Predictive Access Class Barring (CAP-ACB), est proposé pour les déploiements massifs de l’Internet des objets (IoT). En combinant la prédiction des arrivées, les retours d’information du réseau, les informations contextuelles et des mécanismes de résolution des collisions, le CAP-ACB améliore le débit, le délai d’accès et l’utilisation des ressources par rapport aux approches de contrôle d’accès fixes, tout en atteignant des performances proches de celles des méthodes théoriquement optimales. Sur la base de cette couche de données fiable, une architecture de référence inter-domaines est proposée pour des jumeaux numériques prédictifs et prescriptifs intégrant l’humain dans la boucle de décision (human-in-the-loop). Cette architecture associe la gestion de données hétérogènes, la communication edge-cloud, la prévision, la simulation basée sur des scénarios, les interfaces applicatives, la visualisation et l’aide à la décision. La transférabilité de cette architecture est démontrée à travers deux applications réelles utilisant des données opérationnelles provenant d’Issy-les-Moulineaux, pour la gestion du trafic urbain, et de Cascais, au Portugal, pour la planification durable de la collecte des déchets. Le jumeau numérique dédié au trafic combine la prédiction, la surveillance en temps réel, la simulation de fermetures de routes ainsi que l’évaluation des émissions en équivalent CO₂. Le jumeau numérique consacré à la gestion des déchets intègre des prévisions à court et à long terme, une planification des collectes fondée sur des seuils, l’optimisation des itinéraires, l’évaluation de la flotte de véhicules et l’estimation des émissions. Enfin, cette thèse propose un cadre de recherche visant à faire évoluer les jumeaux numériques intégrant l’humain dans la boucle vers des systèmes capables de prendre en compte les comportements et de fonctionner de manière autonome, grâce à l’apprentissage par renforcement, à l’intelligence artificielle générative et à l’intelligence artificielle explicable. Dans l’ensemble, ce travail montre que la mise en œuvre efficace de jumeaux numériques urbains nécessite des avancées coordonnées en matière de connectivité fiable, de gestion interopérable des données, de prédiction, de simulation et d’aide à la décision centrée sur l’humain. Il fournit ainsi une base pratique pour une gestion des villes intelligentes plus performante, plus intelligente et davantage autonome.
Abstract :
The integration of Digital Twin technology into smart city frameworks is becoming increasingly vital in the digital era. As urban environments evolve into interconnected ecosystems driven by real-time data and intelligent management systems, digital twins offer a powerful, dynamic approach to urban planning and operations. However, many existing Digital twins remain limited to visualization and monitoring, while challenges related to reliable data acquisition, architectural fragmentation, interoperability, and the transition toward autonomous decision-making continue to restrict their practical application. This thesis develops the complete data-to-decision pipeline. Firstly, a maturity-oriented classification is established to characterize urban Digital Twins as passive, predictive, prescriptive, and autonomic according to their capabilities.To strengthen the underlying data acquisition layer, a Context-Aware Predictive Access Class Barring (CAP-ACB) mechanism is proposed for massive IoT deployments. By combining arrival prediction, network feedback, contextual information, and collision-resolution mechanisms, CAP-ACB improves throughput, access delay, and resource utilization compared with fixed access-control approaches while achieving performance close to theoretically optimal schemes. Building on this reliable data layer, a cross-domain reference architecture is proposed for predictive and prescriptive human-in-the-loop Digital Twins.The architecture integrates heterogeneous data management, edge-cloud communication, forecasting, scenario-based simulation, application interfaces, visualization, and decision support. Its transferability is demonstrated through two real-world applications using operational data from Issy-les-Moulineaux, France, for urban traffic management, and Cascais, Portugal, for sustainable waste-collection planning. The traffic Digital Twin combines prediction, real time monitoring, road closure simulation and Co2 equivalent emission assesment.The waste management Digital Twin integrate short and long term prediction with threshold based collection planning routing, fleet assesment and emission estimation.Finally, the thesis proposes a research framework for progressing from human-in-the-loop Digital Twins toward behavior-aware and autonomic systems through reinforcement learning, generative AI, and explainable AI. Overall, the work demonstrates that effective urban Digital Twins require coordinated advances in reliable connectivity, interoperable data management, prediction, simulation, and human-centered decision support, providing a practical foundation for more intelligent and autonomous smart city management.