The success of a free-floating car-sharing service depends on a good allocation of the vehicles across the city, i.e., where and when they are needed by citizens. This requires predicting the demand across the geographical regions and across time, which is challenging due to the sparsity and variability of the data. Furthermore, the purpose of these predictions is to help compute the best possible car relocation for the next day, hence the need to model both the prediction task and the optimization task in a compatible way. As the allocation optimization involves reasoning about the number of cars to assign to geographical regions, we propose to convert the prediction problem into predicting the expected utilization of a car when added to a region. We discuss the challenges in modeling both the machine learning and the relocation problem, and we propose a mixed-integer linear programming method that solves the relocation problem while taking into account the model predictions and relocation distances. We experiment with two datasets from citywide car sharing companies and show how our method can increase the allocation strategies and hence profitability of the services. Keywords Carsharing, Integer Programming, Regression 1 Introduction L’autopartage en free-floating a émergé comme une nouvelle méthode de transport public dans les zones urbaines. Il contribue à réduire l’empreinte carbone des villes en permettant à des voitures d’être partagées par de multiples utilisateurs en ville. Contrairement aux services d’autopartage one-way, il n’y a pas de stations prédéfinies dans un service en free-floating : les voitures peuvent être prises et garées sur n’importe quelle place de parking, généralement en ville et dans ses environs. Quand les utilisateurs d’un service d’autopartage ont besoin d’une voiture, il est indispensable que des véhicules assez proches soient disponibles. À cette fin, les opérateurs emploient du personnel, appelé jockeys, pour repositionner les véhicules dans la ville. Cette opération est généralement effectuée de manière empirique, principalement la nuit et à petite échelle, avec une connaissance approximative des zones à forte demande où les véhicules doivent être déplacés. Plusieurs articles ont constaté l’absence de stratégies de relocalisation précise, et ont conçus des méthodes qu’un opérateur doit appliquer [16] ou des incitations afin que les utilisateurs envisagent de terminer leurs trajets dans des zones sélectionnées par l’opérateur [2]. Dans cet article, nous cherchons à maximiser l’utilisation de la flotte de voitures d’un service afin de rendre le service durable et rentable pour l’opérateur. Nous considérons l’utilisation de jockeys pour relocaliser les voitures durant la nuit, comme seule action quotidienne concrète prise par le service d’autopartage pour augmenter l’utilisation de la flotte de véhicules. Par conséquent, l’objectif est de proposer un emplacement pour toutes les voitures de la flotte au début de la journée, de manière à maximiser l’utilisation durant la journée prédite des voitures. Il existe plusieurs stratégies pour résoudre ce problème. La plus précise consisterait à prévoir les déplacements exacts des clients pour un jour donné, c’est-à-dire le nombre de déplacements, et pour chaque déplacement, l’origine, la destination et l’heure de départ. En sachant cela, nous pourrions envisager les différentes manières de relocaliser les voitures au début de la journée afin de maximiser la satisfaction du client. Ainsi, cela nous permettrait de modéliser la dynamique de la flotte afin de simuler différentes incitations au stationnement et stratégies de relocalisation des voitures. Cependant cela est en pratique extrêmement difficile à réaliser. À la place, nous proposons une stratégie alternative moins fine, mais efficace qui est décomposée en deux parties. Tout d’abord, nous prédisons l’utilisation prévue des voitures lorsqu’elles sont placées dans des zones bien définies en ville au début de la journée, la prédiction est faite en minutes d’utilisation. Ensuite en fonction de ces prédictions, une stratégie de relocalisation des voitures est conçue afin de maximiser l’utilisation totale attendue du service en une journée. Le problème de relocalisation est présenté sous la forme d’un problème d’optimisation linéaire en nombres entiers sur les prédictions, assujetti à des contraintes pratiques sur la relocation des véhicules. La Section 2 expose les travaux de l’état de l’art. Une modélisation générale de la ville, une stratégie de prédiction de l’utilité d’une voiture et une méthodologie d’affectation des voitures sont exposées dans la Section 3. La prédiction de l’utilité des voitures et la relocalisation des véhicules sont évaluées dans la Section 4 avec deux ensembles de données propriétaires provenant de services réels. Nous concluons dans la Section 5.