Les systèmes de micro-mobilité partagée sont devenus un élément essentiel du transport urbain, offrant des solutions flexibles et durables pour les déplacements de courte distance. Cependant, leur déploiement à grande échelle pose plusieurs défis opérationnels, notamment le stationnement désorganisé dans les systèmes en free-floating, le déséquilibre entre l'offre et la demande, les coûts élevés de gestion de flotte, les risques accrus pour la sûreté, ainsi qu'une intégration limitée avec les transports publics. Cette thèse étudie comment les techniques d'intelligence artificielle peuvent répondre à ces enjeux en proposant des approches fondées sur les données afin d'améliorer l'efficacité et la sûreté des systèmes de micro-mobilité partagée. Dans un premier temps, le problème du stationnement désorganisé dans les systèmes en free-floating est traité à l'aide d'une approche de clustering multi­couches, permettant d'identifier les zones à forte demande et de guider le placement de stations virtuelles. Ces espaces dédiés, déployés sans infrastructure physique, contribuent à réduire le stationnement inapproprié et à améliorer l'organisation spatiale.
Afin d'assurer un fonctionnement efficace du système, une approche de prédiction de la demande est proposée pour traiter le déséquilibre entre l'offre et la demande. Elle estime les besoins en véhicules selon les emplacements et les périodes, facilitant ainsi les opérations de redistribution de la flotte. Cette approche est également conçue pour être généralisable à d'autres configurations, notamment les systèmes à stations physiques et les systèmes en free-floating.
Pour assurer la scalabilité tout en réduisant la surcharge de communication et la latence, une architecture basée sur l'Edge est introduite, permettant un traitement décentralisé des données et une prise de décision plus rapide. S'appuyant sur ces contributions, les décisions opérationnelles sont optimisées en temps réel à l'aide de l'apprentissage par renforcement profond. Un premier cadre est dédié à la gestion de flotte, en recommandant des zones de dépôt alternatives à proximité et en impliquant les utilisateurs dans le processus de redistribution. Il intègre la demande prédite et les niveaux de batterie des véhicules afin de maintenir leur disponibilité tout en réduisant les coûts opérationnels, en limitant les opérations de redistribution manuelle et en facilitant l'agrégation de véhicules à faible batterie. Un second cadre aborde la sûreté en recommandant des zones de dépôt plus sûres, en s'appuyant sur des facteurs urbains tels que les conditions de trafic, la présence de pistes cyclables, la densité d'intersections, l'éclairage et la congestion. Enfin, afin d'améliorer l'accessibilité du premier et du dernier kilomètre, cette thèse étend le cadre de prédiction de la demande aux contextes intermodaux, dans le but d'améliorer la disponibilité des véhicules dans les zones connectées aux transports publics. 
Elle combine la demande locale en transport public avec des facteurs spatiaux et contextuels influençant les schémas d'intégration. Un cadre d'apprentissage profond hybride basé sur des graphes est proposé pour modéliser ces relations et mieux représenter les dynamiques de mobilité urbaine.
L'ensemble des contributions est intégré dans un système de gestion intelligent de bout en bout, permettant une prise de décision en temps réel et centrée sur l'utilisateur. Des expérimentations menées sur des études de cas urbaines réelles démontrent l'efficacité du système, notamment l'identification précise des stations virtuelles, une prédiction fiable de la demande et une meilleure allocation des véhicules grâce à la recommandation de zones de dépôt. Globalement, ce travail contribue au développement de systèmes de micro­mobilité partagée plus efficaces, plus sûrs et plus durables, et fournit des éléments utiles aux chercheurs et aux acteurs de l'aménagement urbain souhaitant améliorer les services de mobilité.