Alors que divers pays et métropoles cherchent à améliorer la qualité de l'air en appliquant des mesures de régulation du parc automobile, il semble de plus en plus important de comprendre les déterminants de la possession de voitures et du choix du type de véhicule par les ménages. En effet, l'Union Européenne a adopté des normes d'émissions de polluants pour les constructeurs automobiles et de nombreux pays européens ont également mis en place des zones à faibles émissions (ZFE) limitant le trafic routier dans une zone restreinte. Les ZFE et leurs impacts ont été largement évalués grâce à l'utilisation de modèles de mobilité multi-agents (e‧g. Adnan et al. 2021). La représentation d'un parc de véhicules désagrégé au niveau des ménages fournirait donc de meilleures entrées pour les modèles de mobilité, avec la perspective de calculer des profils d'émissions journalières liées au trafic sur la base d'une population et d'un parc de véhicules synthétiques et d'évaluer des scénarios prospectifs pour les ZFE. Malgré l'abondante littérature sur la modélisation de la possession de voitures, peu de recherches ont été menées sur le type de carburant des voitures possédées et encore moins sur leur ancienneté, laquelle définit leur norme d'émission. En outre, les choix de posséder une ou des voitures et de leurs types sont généralement estimés à partir des caractéristiques des ménages à l'aide de modèles de choix discrets (Purvis 1994). Mais des études récentes soulignent la contribution des méthodes d'apprentissage automatique à la modélisation des choix de transport (van Cranenburgh et al. 2021) et en particulier pour l'estimation du choix de possession de voitures (Paredes et al. 2017; Dixon et al. 2021). Cette étude vise à modéliser les choix relatifs à la possession de voitures et à leurs émissions au niveau des ménages et à comparer la performance de plusieurs modèles de classification. Pour ce faire, nous avons construit un modèle à deux étapes au niveau des ménages : estimation (1) du nombre de voitures possédées par le ménage, préalable à l’estimation (2) du type de ces véhicules, c'est-à-dire leur type de carburant et leur norme européenne d’émission (qui est donnée par l’ancienneté du véhicule). Le modèle représente ainsi trois niveaux de décisions des ménages : le nombre de voitures possédées, leur type de carburant et leur norme européenne d’émission de polluants. Nous comparons ainsi un modèle de choix discret à diverses méthodes de classification par apprentissage supervisé (par exemple Gradient Boosting, ou Random Forest) pour la prédiction de ces choix par les ménages. Les variables explicatives incluent les caractéristiques socio-économiques des ménages, par exemple la composition du ménage ou le niveau de revenu, ainsi que des variables d'accessibilité locales et métropolitaines comme la présence d’un parking à domicile ou l’accessibilité de la commune de résidence en transports en commun. La méthodologie est finalement appliquée à la région Île-de-France, à partir de l'Enquête Globale de Transport (EGT 2018). En considérant le coefficient de corrélation de Matthew, le score F1 et le kappa de Cohen comme métriques d'évaluation, nous concluons que la régression logistique surpasse légèrement les modèles d'intelligence artificielle pour la possession de voitures, tandis que le classificateur Gradient Boosting obtient les meilleurs résultats pour l'estimation du type de véhicule. Nos résultats montrent une forte relation pour la prédiction de la propriété des voitures et une légère concordance pour les prédictions du type de carburant et des normes d'émission, avec une importance prépondérante des variables de composition du ménage et d'accessibilité.