Introduction : pourquoi les simulations urbaines ont besoin du comportement humain
Imaginez que vous puissiez « rejouer » l’avenir d’une ville : comment le trafic changera si l’on ferme une rue centrale, ou comment les gens se comporteront lors de l’évacuation d’un quartier. C’est précisément à cela que servent les simulations urbaines — elles aident à prendre des décisions en matière de politique des transports, à évaluer les risques et à étudier les processus sociaux, sans affecter la vie réelle. Mais pendant longtemps, ces modèles étaient soit trop simples pour saisir toute la complexité du comportement humain, soit reposaient sur des scénarios rigides qui devenaient rapidement obsolètes.
Avec le développement des grands modèles de langage (LLM), il est devenu possible de créer des agents qui planifient leur journée : aller au travail, faire des courses, assister à des réunions — et ce, à l’échelle d’une ville entière. Ces simulations semblent crédibles, mais elles présentent un défaut caché. L’approche standard repose sur le few-shot prompting : on montre au modèle quelques exemples et on lui demande d’agir de manière similaire. En conséquence, les agents reproduisent non pas les habitudes réelles des habitants, mais une représentation « moyennée » du comportement, intégrée dans le modèle de langage lui-même. C’est comme demander à une personne qui n’a jamais été dans votre ville comment vivent les habitants — elle répondra par des généralités, au mieux tirées d’un manuel de sociologie.
Comment fonctionne CityReal
Pour combler cet écart entre comportement « stéréotypé » et comportement « réel », un groupe de chercheurs — Nicolas Bougie, Xiaotong Ye et Narimasa Watanabe — a proposé le framework CityReal. Son idée clé est que les agents simulés n’agissent pas selon un modèle préétabli, mais prennent des décisions comme des êtres humains, guidés par des intentions.
Au lieu d’actions pas à pas qui s’« enchaînent » simplement, l’agent CityReal construit un plan cohérent de ses activités et de ses déplacements. Il n’effectue pas une action isolée « aller au café » dans le vide : cette sortie s’inscrit dans son emploi du temps plus large de la journée, de la semaine et même de ses objectifs mensuels. Cette approche est bien plus proche du comportement humain réel, où l’on planifie ses affaires et cherche des compromis entre le temps, les itinéraires et les priorités.
Architecture modulaire et intentions
Chaque agent de CityReal est composé de plusieurs modules responsables de différents aspects du comportement : logistique des itinéraires, choix des activités, gestion du temps et interaction avec les autres agents. Tous ces modules sont subordonnés à un bloc central d’intentions qui coordonne les décisions. Ainsi, l’agent n’agit pas comme un ensemble de fonctions disparates, mais comme une personnalité cohérente avec ses propres habitudes et préférences.
Au fil du temps, les agents apprennent. Ils s’adaptent aux contraintes — par exemple, aux horaires d’ouverture des magasins ou aux horaires des transports en commun — et développent progressivement des itinéraires et des routines stables. Cela rend leur comportement non seulement crédible, mais véritablement émergent : à partir de règles simples et de l’apprentissage, des schémas complexes apparaissent, que les développeurs n’avaient pas directement programmés.
Adaptateurs textuels et statistiques de population
Mais ce qui est le plus intéressant, c’est le mécanisme qui relie le comportement des agents aux statistiques réelles de la population. Pour cela, CityReal utilise des adaptateurs textuels. Ce sont des composants entraînables spéciaux qui « ajustent » les modules comportementaux en fonction des données observées. Par exemple, si selon les statistiques, les habitants de la ville passent généralement environ 40 minutes sur le trajet domicile-travail, les adaptateurs ajusteront le choix des itinéraires et des heures de départ pour correspondre à la distribution réelle.
Ainsi, les agents ne se contentent pas d’imiter le comportement de « l’homme moyen », mais reproduisent les régularités statistiques d’une population spécifique : certains font du vélo, d’autres préfèrent les transports en commun, certains ont des horaires de travail atypiques. C’est précisément grâce aux adaptateurs que la simulation devient cohérente avec les données à l’échelle de la ville entière, et non seulement au niveau des individus.
Expériences et résultats
Les chercheurs ont mené des expériences avec CityReal, en faisant évoluer la simulation jusqu’à des dizaines de milliers d’agents. Cela suffit pour analyser non seulement des trajectoires individuelles, mais aussi des phénomènes urbains : densité de foule, popularité des lieux, flux de mobilité et même le niveau de bien-être des agents dans différents scénarios. Par exemple, on peut modéliser l’heure de pointe du matin ou un événement de masse et observer comment la charge sur les infrastructures évolue.
Les résultats ont montré que CityReal améliore considérablement la cohérence avec le comportement humain réel par rapport aux agents LLM classiques. Au niveau micro, c’est la précision des décisions individuelles : où aller, quel itinéraire prendre, à quelle heure. Au niveau macro, c’est la concordance des schémas généraux : à quelles heures le centre-ville se remplit, où se dirigent les principaux flux, quels quartiers deviennent des « goulots d’étranglement ».
De plus, l’amélioration est visible non seulement visuellement, mais aussi dans les métriques quantitatives utilisées par les auteurs. Cela signifie que la simulation peut être utilisée pour la prévision — par exemple, pour évaluer les conséquences d’un changement du schéma de transport ou pour planifier des événements. Plus le modèle reflète fidèlement le comportement réel, plus les conclusions qui s’y appuient sont fiables.
Ce que cela apporte en pratique
Les créateurs du framework soulignent que CityReal n’est pas simplement une simulation de plus, mais un banc d’essai évolutif pour la planification urbaine et la prévision. Il peut être utile aux urbanistes, aux planificateurs des transports, aux spécialistes de la sécurité routière et aux chercheurs en sciences sociales.
Imaginez : vous voulez comprendre comment la construction d’un nouveau pont affectera le temps de trajet des habitants. Au lieu de vous fier à des estimations approximatives, vous lancez une simulation avec des dizaines de milliers d’agents qui se comportent comme de vraies personnes — avec leurs habitudes, leurs préférences et leur réaction aux changements. Ou vous devez planifier une évacuation en cas d’urgence : CityReal permet de modéliser les flux de personnes, les goulots d’étranglement et le temps nécessaire pour évacuer la population en toute sécurité.
Il est important de noter que pour travailler avec CityReal, il n’est pas nécessaire de définir manuellement des règles pour chaque agent. Il suffit de définir l’architecture et de charger les statistiques de la population réelle — ensuite, les agents apprennent eux-mêmes à se comporter de manière appropriée. Cela simplifie considérablement l’adaptation du modèle à une nouvelle ville ou à un nouveau scénario.
Il convient d’ajouter que le travail a été présenté sur arXiv le 8 juillet 2026 et relève de plusieurs catégories : physics.soc-ph, cs.AI et cs.MA. Cette combinaison souligne le caractère interdisciplinaire de la recherche — à la croisée de la physique des systèmes sociaux, de l’intelligence artificielle et de la modélisation multi-agents.
CityReal est un pas vers des simulations qui reflètent véritablement la vie d’une ville, et non des représentations stéréotypées de celle-ci. Peut-être que bientôt, ces modèles deviendront un outil standard pour ceux qui prennent des décisions concernant l’avenir de nos villes.
