La forte variabilité spatio-temporelle des demandes rend la planification J–1 du dernier kilomètre particulièrement complexe. Nous proposons un cadre intégrant : (i) un clustering robuste des requêtes pickup–delivery permettant de comprendre la structure géographique des flux et (ii) une prévision de la demande future à l'échelle des clusters afin d'anticiper les charges opérationnelles.

Notre première méthode, RADII, regroupe les requêtes en conservant leur cohérence origine–destination et isole les demandes atypiques afin d'éviter des partitions déformées. Une seconde approche, plus opérationnelle, réalise d'abord un clustering sur les points de livraison via un BallTree, puis affecte les pickups par optimisation linéaire, assurant ainsi une partition stable utilisable au quotidien.

Sur cette segmentation, nous prévoyons les volumes journaliers par zones en combinant traitement de séries temporelles et modèles séquentiels profonds (LSTM, GRU, BiLSTM), avec un focus particulier sur les flux inter-clusters, critiques pour l'organisation des tournées.

Les résultats sur plus de 60 000 requêtes en Île-de-France montrent la complémentarité des méthodes et l'amélioration notable de la capacité d'anticipation J–1.