Prévision de la mobilité urbaine études récentes et méthodologie

Prévision de la mobilité urbaine études récentes et méthodologie

 Prévision long terme

L’un des premiers objectifs des autorités de transport a été de dimensionner de nouveaux systèmes de transport en commun. Dans ce but, le premier modèle de prévision long terme de la mobilité des individus en zone urbaine, nommé modèle à quatre étapes (four-step model en anglais) [McN07] a été implémenté en 1950. Ce modèle basé sur des données d’enquêtes suit les quatre étapes suivantes :

• Lagénération des déplacements qui détermine la fréquence des déplacements des points d’origine ou de destination de chaque zone en fonction de différents facteurs, tels que le motif de déplacement, l’utilisation du sol (e.g. zone résidentielle, zone scolaire, etc.), les caractéristiques démographiques des ménages et d’autres facteurs socio-économiques. • La distribution des déplacements entre origine et destination, en utilisant le plus souvent un modèle nommé « gravity model » [ES90], équivalent à un modèle d’entropie maximale [Kap89].

• Le choix du mode de transport qui est calculé pour chaque déplacement entre une origine et une destination. • L’affectation d’itinéraire correspondant aux déplacements entre un point d’o rigine et d’arrivée. Pour cela, le modèle le plus souvent utilisé est le principe d’équilibre des usagers de Wardrop (équivalent à un équilibre de Nash), où chaque conducteur ou groupe d’individus choisit le trajet le plus court.

Certaines études plus récentes portant sur la prévision de la mobilité dans les transports en commun favorisent l’utilisation de données issues de capteurs (e.g., données billettiques, données gps, etc.) capables de quantifier la mobilité des individus de manière beaucoup plus exhaustive que les données d’enquêtes, portant uniquement sur une partie des individus se déplaçant dans les transports en commun. En effet, dans l’étude[T+14], les auteurs utilisent un modèle statistique (ARIMA) pour prévoir le nombre de passagers agrégé par mois, du réseau de bus et de train de la ville de Sydney en Australie.

Cette étude se basant sur une agrégation temporelle large des données a permis de démontrer l’efficacité de ce type de méthodes pour la prévision de la demande de passagers plusieurs mois en avance. Il est a noté que l’utilisation de telles données nécessite l’existence d’un réseau de transport déjà existant et permet de prévoir la demande de passagers sur ce réseau uniquement. Au contraire du modèle à quatre étape qui fournit une prévision de la demande de passagers moins précise mais qui peut d’un autre côté, aider à l’élaboration de nouvelles lignes de transport.

Actuellement, les pratiques de la planification de l’offre de transport accordent une attention particulière aux méga-événements (e.g., jeux olympiques, mondial de football, etc.), qui nécessitent un effort important de la part des institutions publiques et privées [PBL03]. Ces événements qui rassemblent d’énormes flux de personnes, ont l’avantage d’être bien définis dans le temps et dans l’espace, il est souvent possible de connaître à l’avance la répartition globale de la demande, étant donné, par exemple, la connaissance du nombre de logements disponibles.

Les grands événements quant à eux sont beaucoup moins important en matière d’affluence et de durée (e.g. concerts de musique, rencontres sportives, spectacles, etc.), mais ils sont aussi plus courants et délicats à gérer. Dans la pratique, la majorité des grands événements ne fait pas l’objet d’un traitement ou d’une attention particulière en matière de planification de l’offre de transport, ce qui crée dans la plupart des cas des congestions et de fortes affluences. L’affluence des passagers devient inévitablement plus difficile à prévoir que celle liée à la mobilité quotidienne lors de ce types d’événements [PBL03]

 Prévision court terme La prévision court terme des flux de passagers consiste à prévoir quelques pas de temps en avance le nombre de personnes se déplaçant à différents endroits d’un système de transport. Différents modèles de prévision et types d’agrégation ont été utilisés pour répondre à cette problématique, ces agrégations peuvent par exemple correspondre à des périodes très fines (e.g. 2 minutes) ou correspondre à des plages temporelles plus larges (e.g., 1 heure). Les auteurs de [Li+17] ont utilisé des réseaux de neurones nommés Radial Basis Function network (RBF) multi-échelles pour prévoir le nombre de passagers sortant de différentes stations du métro de Pékin à deux pas de temps en avance avec une agrégation de 15 minutes (t+15 et t+30 minutes), en prenant en compte le nombre de passagers entrant dans d’autres stations du métro. Dans cette étude, les auteurs ont effectué une analyse approfondie des résultats obtenus en période d’événements spéciaux. D’autres exemples de prévision des flux de voyageurs dans le métro comprennent les travaux de [RBG16], où les auteurs ont prédit les flux de voyageurs du pas de temps suivant 20 Chapitre 2 Prévisiondelamobilitéurbaine: étudesrécentesetméthodologie avec une agrégation extrêmement fine de deux minutes (t+2 minutes). Les auteurs ont utilisé un modèle de réseau bayésien et prédit les flux de passagers (entrée et sortie) à toutes les stations d’une ligne de métro du réseau parisien. Dans l’étude de [Cui+16], les auteurs ont créé un modèle exogène auto-régressif non linéaire f lou pour prédire le nombre de passagers entrants au pas de temps suivant (t+1 heure), dans les stations du métro de Shanghai. En plus des prévisions, les auteurs de [Din+16] ont effectué une analyse sur l’importance relative de chaque variable (en pourcentage) utilisée en entrée des modèles de prévision du métro, telles que les activités de transfert par autobus et des caractéristiques temporelles. Ils ont ainsi montré que les principales caractéristiques utilisées par les modèles de prévision court terme sont les observations passées de la demande dans les stations de métro (∼ 82.0%), dans les stations de bus (∼ 10.4%) et les variables correspondant à l’horaire de prévision (∼ 3.6%). Cette étude porte sur la prévision du pas de temps suivant (t+15 minutes) des flux de passagers dans 3 stations du métro de Pékin.