Prévision court terme de l’affluence des passagers

Prévision court terme de l’affluence des passagers

Prévision de matrices OD court terme: cas d’étude Rennes

Actuellement, l’offre de transport en commun est déjà, dans une certaine mesure, déterminée par des méthodes de prévision de la demande long terme que les opéra teurs ajustent en fonction du type de fréquentation estimé sur la base d’enquêtes 68 Chapitre 4 Prévision court terme de l’affluence des passagers et de données issues de capteurs (par exemple les données billettiques) à partir d’informations calendaires (jours ouvrables et jours ouvrés).

Dans cette section, nous nous attachons au pré-traitement, à la construction de bases de données, à la prévision des flux de passagers entre stations et à l’analyse détaillée de ces prévisions. Plus précisément, la prévision des flux de passagers à laquelle nous nous attachons ici, vise à prévoir à court terme (15 prochaines minutes) le nombre de passagers qui effectueront un déplacement entre chaque station d’origine et station de destination dans un réseau de métro.

De nombreuses méthodes statistiques capables de prendre en entrée des données de séries temporelles de type multivarié (plusieurs séries temporelles en entrée) peuvent être utilisées pour réaliser ce type de prévision. Dans notre cas nous utilisons un type de réseau de neurones récurrent, le Long Short-Term Memory (LSTM) connu pour obtenir de meilleures performances de prévisions que d’autres méthodes classiques utilisées en cas d’analyse de séries temporelles (prévision et classification) grâce à sa capacité à prendre en compte des événements passés à long terme.

Nous comparons des outils de prévision traditionnels avec cette méthode issue de l’apprentissage profond, tels qu’un modèle basique utilisant la moyenne historique et une approche statistique à savoir un modèle auto-régressif, (Vector Autoregressive en anglais (VAR)) sur un ensemble de données réelles fournies par l’opérateur de transport public de Rennes métropole.

Nous expérimentons également l’effet de la prise en compte de données additionnelles correspondant aux matrices OD de systèmes de transports voisins (dans ce cas-ci, le réseau de bus) sur les résultats de prévision des matrices OD du réseau de métro. Le reste de cette section est organisé comme suit. L’ensemble des données billettiques utilisées tout au long de cette étude est décrit dans la section 4.2.2. Notre approche de la prévision de matrices OD dynamiques du réseau de métro est présentée dans la section 4.2.3. Les résultats expérimentaux sont détaillés et analysés dans la section 4.2.4. Enfin la conclusion de cette étude est présentée dans la section 4.2.5. 

Données de Rennes

Dans cette section, nous décrivons l’ensemble des données utilisées pour notre étude ainsi que l’étape de pré-traitement effectuée pour rendre le jeu de données utilisable pour la prévision des matrices OD. 69 4.2 Prévision de matrices OD court terme: cas d’étude Rennes 

Description des données

Dans cette étude, nous utilisons les données billettiques fournies par le Service des Transports en commun de l’Agglomération Rennaise (STAR). Ces données ont été collectées auprès de 70 lignes régulières de bus et 1 ligne de métro desservant Rennes Métropole sur une période de quinze mois (d’avril 2014 à juin 2015).

En moyenne, 250000 validations de passagers sont enregistrées par jour. Chaque validation contient un identifiant de passager anonyme (pour les validations effectuées avec des cartes à puce), l’horaire de validation (date et heure à la minute près) et le lieu (station de métro ou arrêt de bus) de la validation, la ligne d’embarquement et le type de tarif. Les destinations de déplacement ne sont pas enregistrées par le système de collecte billettiques (Automatic Fare Collection system en anglais, AFC) car les passagers se doivent de valider leur carte à puce uniquement au moment de l’embarquement.

En raison des règlements portant sur la protection de la vie privée, les renseignements personnels sur les titulaires de carte à puce ne sont pas disponibles et les identifiants passagers sont changés régulièrement. La Figure 4.1 représente une carte de la ville de Rennes ainsi que les 15 stations de métro et arrêt de bus les plus fréquentés. Nous pouvons observer que la ligne de métro est nettement plus fréquentée que le réseau de bus, à l’exception des arrêts de bus situés à proximité de l’Université de Rennes 2 (située au nord-ouest de la ville) et de la station République (située au centre) qui sont utilisés par un nombre plus important de lignes de bus que les autres arrêts et donc plus fréquentés que les autres arrêts.