Pour améliorer l'expérience de la mobilité, il est envisagé que des millions de véhicules connectés agissent en tant que mineurs d'informations dans un système distribué massif. Dans ce système, chaque véhicule embarque de multiples capteurs pour acquérir des informations locales de l'environnement. Ces informations sont ensuite transférées vers le Cloud, où elles sont exploitées par des services pour générer une connaissance globale et fréquemment mise à jour de l'environnement. Cette connaissance rend possible une meilleure anticipation des situations futures dans un horizon électronique qui s'étend au-delà de la perception des capteurs embarqués. L’écrasante quantité de données générées par la flotte de véhicules ainsi que le caractère fortement dynamique de l'environnement imposent une optimisation efficace et adaptative du flux de données transférées des véhicules vers le Cloud. Dans cette thèse, nous proposons des éléments de solution à ce problème. D’abord nous posons le cadre du problème initial et des hypothèses que nous nous sommes imposées pour rendre l'étude du problème abordable. Nous proposons de décomposer notre problème dans un modèle multi-échelletemporelle, un modèle classiquement rencontré en recherche opérationnelle. Dans un premier temps, nous modélisons le problème au niveau des véhicules comme un problème d’ordonnancement basé-valeur en nous appuyant sur des concepts de temps-réel souple. Nous évaluons expérimentalement un ensemble d'algorithmes gloutons en-ligne choisis pour leur forte capacité adaptative et leur faible complexité, une caractéristique appropriée pour un contexte embarqué. Nous étendons une méthode de génération aléatoire de scénarios afin d’améliorer la transparence de nos résultats. Nous proposons aussi de réduire un effet de bord dû à la terminaison de la simulation, qui n’affecte pas de manière égale tous les algorithmes, afin d’améliorer la justesse de l’évaluation. Nos résultats pointent vers un biais d’analyse présent dans la littérature, et indiquent qu'un algorithme plus simple que celui précédemment considéré permet de résoudre plus efficacement le problème. Dans un second temps, nous étudions le problème au niveau du Cloud. Il faut trouver un compromis entre maximisation de la richesse globale générée et satisfaction des besoins individuels de chaque service. Nous cherchons un moyen d'abstraire l'expression concrète des besoins des différents services, et contrôler l'influence de chaque service sur le flux de données pour nous prémunir de situations de famines. Nous envisageons une solution de contrôle basémarché, où le pouvoir d'influence est matérialisé par du numéraire, qu'il est pratique d'imaginer comme de la monnaie. Le numéraire est distribué périodiquement aux services et peut être cumulé par un service pour lui permettre d’adapter dynamiquement son pouvoir d’influence avec l’évolution de ses besoins. Les services ont la liberté et la responsabilité de faire bon usage du numéraire pour acquérir les données qu’ils convoitent. L'influence des services sur le flux de données se réalise au travers d'intéractions avec un mécanisme de provision. Pour obtenir un mécanisme qui génère des effets désirables, nous proposons de construire une famille de mécanismes basés sur des concepts similaires à des mécanismes déjà existants dans la littérature. Nous simulons des services intelligents, dont le comportement est obtenu en tirant profit de techniques d’apprentissage par renforcement, pour évaluer les effets obtenus avec le mécanisme de provision. Nos résultats indiquent que le mécanisme NE-WR (No-Exclusion Weighted-Rebate), qui est simple et où la contribution de chaque service est libre, est un bon candidat. Ce mécanisme permet d’obtenir un bon compromis entre la richesse globale générée par l’ensemble des services et la satisfaction des besoins individuels, tout en permettant à chaque service d’influencer le flux de données dans une juste mesure.