Navigation

Utiliser les traces électroniques pour améliorer les systèmes de transport

 

Les utilisateurs de smartphones engendrent quotidiennement un très grand volume de données de mouvement. Autant de données anonymisées dont les villes pourraient se servir en vue d’optmiser leurs systèmes de transport. Ce projet s’inscrit dans cette logique développant une approche de tarification de la mobilité.

​Portrait / description du projet (projet de recherche terminé​)

Grâce à une collaboration avec un opérateur réseau, le projet dispose de quatre jeux de données exceptionnellement détaillés:

  1. un jeu de données agrégées sur les voyages longue distance qui permet pour la première fois une estimation correcte des trajets supérieurs à 50 kilomètres;
  2. 50’000 jours-personnes anonymisées, pour développer de nouveaux algorithmes afin de cerner le modèle de comportement quotidien ;
  3. 10’000 semaines-personnes anonymisées, pour estimer des modèles détaillés de comportements en matière de transport ;
  4. demande horaire moyenne agrégée par mois de chaque commune suisse à chaque autre.

En accord avec la législation sur la protection des données, les travaux serviront à élaborer et calibrer la modélisation de la Suisse que nous réaliserons sur la base du logiciel individu-centré MATSim.

Contexte

Dans les villes, l’infrastructure de transport est engorgée aux heures de pointe, alors qu’elle n’est que faiblement utilisée le reste du temps. Les données issues des smartphones donnent une image complète de l’utilisation de la ville. Sur la base de données anonymisées provenant d’abonnés d’un opérateur réseau, ce projet vise à améliorer une modélisation individu-centrée de la Suisse et à développer une nouvelle approche tarifaire de la mobilité qui pourrait se révéler utile à la politique suisse des transports.

Objectif

A partir de jeux de données anonymisées de téléphones mobiles, nous allons développer de nouvelles méthodes d’évaluation. L’analyse de ces traces électroniques doit améliorer l’ancienne simulation individu-centrée ainsi qu’explorer et optimiser les possibilités, les coûts et les limites d’une tarification de la mobilité en Suisse.

Importance / Application

De gros volumes de données permettent d’élaborer plus rapidement des modèles de trafic et de mieux les calibrer en vue d’un pilotage plus efficace des systèmes de transport, contribuant ainsi à faire face aux pics de surcharge des infrastructures. Le modèle MATSim de la Suisse, optimisé grâce aux données du projet, et les résultats sur la tarification de la mobilité peuvent apporter une contribution importante à l’amélioration des systèmes de transport et ainsi augmenter le bien-être de tous.

Résultats

  1. La précision avec laquelle les déplacements de longue distance sont déclarés dans le microrecensement mobilité et transports (MRMT) a été étudiée en utilisant des données extraites de traces GSM, du fait que d’anciennes recherches ont révélé une sous-déclaration des déplacements dans les études basées sur des journaux de voyages. Une analyse n'a pas trouvé de preuve qui confirmait cela dans le contexte suisse; un résultat important étant donné l'importance du MRMT pour la recherche sur les transports en Suisse.
  2. L’étude menée sur le déraillement d’un train Eurocity en gare de Lucerne en mars 2017 a dû être interrompue en raison de la pandémie de Covid-19. Néanmoins, le package R mixl développé pour le «Choice Modelling» dans ce contexte (et un contexte plus large) a été mis à la disposition du public et appliqué dans une série de projets de modélisation en Suisse et à l'étranger.
  3. Une approche a été développée pour créer un scénario de simulation de trafic dépendant des mesures, basé sur des enregistrements de téléphonie mobile plutôt que sur des analyses de déplacements, puis appliquée pour créer un prototype pour la région métropolitaine de Zurich. Cette région est particulièrement adaptée car plusieurs scénarios MATSim ont déjà été créés pour cette région avec un niveau élevé en termes de validation des scénarios, ce qui permet d'effectuer des comparaisons entre scénarios. Dans le cadre de ce pack, l'opérateur mobile a fourni des matrices point de départ – destination basées sur la téléphonie mobile pour la Suisse.
  4. Les méthodes d'optimisation bayésienne (BO) développées par le groupe Learning & Adaptive Systems, dirigé par le professeur Andreas Krause de l'ETH Zurich, ont permis de progresser dans le calibrage de grands modèles de trafic. L'application des méthodes proposées a été largement étudiée sur MATSim ainsi que sur sa modification eqasim et couvre différentes échelles de scénarios de trafic.
  5. Avec l'évolution vers un paysage des transports plus diversifié, de meilleurs modèles de trafic sont plus importants que jamais pour comprendre comment les nouvelles évolutions technologiques, portées par la numérisation, affecteront nos vies à l'avenir. Les progrès réalisés dans le cadre de ce projet en matière de génération automatisée de scénarios et les outils d'analyse comportementale ont permis d'avancer vers cet objectif.
​​

Titre original

Big data transport models: The example of road pricing

Responsables du projet

  • Prof. Kay W. Axhausen, Institut für Verkehrsplanung und Transportsysteme, ETH Zürich
  • Prof. Andreas Krause, Departement Informatik, ETH Zürich
  • Prof. Martin Fellendorf, Institut für Strassen- und Verkehrswesen, Technische Universität Graz
  • Prof. Kai Nagel, Institut für Land- und Seeverkehr, Technische Universität Berlin

 

 

Plus d’informations sur ce contenu

 Contact

Prof. Kay W. Axhausen Institut für Verkehrsplanung und Transportsysteme
ETH Zürich
Gebäude HIL / F 31.3
Stefano-Franscini-Platz 5 8093 Zürich axhausen@ethz.ch

A ce sujet