Nous proposons deux méthodes de résolution pour le transport dynamique, i.e. arrivage des requêtes en temps réel, suivant une synergie entre apprentissage automatique et optimisation. La méthode d'optimisation de base est une ré-optimisation selon [Bertsimas et al., 2019]. La première amélioration utilise un réseau de neurones pour exploiter le contexte des instances à résoudre et produire des temps de ramassage de points réalistes. Tandis que la deuxième amélioration fait usage de l'apprentissage par renforcement en plus de marches aléatoire pour la construction du graphe support pour l'instance du problème correspondant à chaque pas de temps. Les benchmarks considérés dans le projet sont ceux de [Bertsimas et al., 2019] pour le transport urbain et de [Skiredj, 2021] pour le transport sanitaire.