TRACES NUMÉRIQUES DE MOBILITÉ : COMMENT SUIVRE LA PISTE ?

Présentation au sujet: "TRACES NUMÉRIQUES DE MOBILITÉ : COMMENT SUIVRE LA PISTE ?"— Transcription de la présentation:

1 TRACES NUMÉRIQUES DE MOBILITÉ : COMMENT SUIVRE LA PISTE ?

2 TRACES NUMÉRIQUES DE MOBILITÉ : COMMENT SUIVRE LA PISTE ?
La problématique : Les traces numériques sont de plus en plus nombreuses Elles sont générées en particulier lors de nos déplacements ce qui les rend pertinentes pour l’étude des mobilité Ce type d’étude permet une complémentarité/substitution aux enquêtes « classiques »

3 TRACES NUMÉRIQUES DE MOBILITÉ
UN EXEMPLE AVEC LE VÉLIB Une étude menée sur : Des données d’occupation des stations (captation depuis juillet 2013) Des données des trajets effectués sur 5 mois de 2011 (Mairie de Paris et JC. Decaux) Des données temporelles : dates et heures de départ et d’arrivée Des données spatiales : stations de départ et d’arrivée Elles prennent également en compte le type d’abonnement (longue ou courte durée)

4 TRACES NUMÉRIQUES DE MOBILITÉ
UN EXEMPLE AVEC LE VÉLIB Quels sont les objectifs opérationnels attendus ? Eviter le problème d’une station vide au départ et pleine au retour : optimiser les politiques de redéploiements des vélos Concevoir de nouveaux systèmes ou étendre un système existant : positionner et dimensionner des stations en fonction des données socio-économiques et géographiques... Le traitement de ces données permettent de : Rechercher des motifs d’usage récurrents du Vélib’, modèles spatio-temporels Construire des modèles de prédiction d’usage, estimation de la demande Lire la ville et son rythme au travers de données de mobilité

5 TRACES NUMÉRIQUES DE MOBILITÉ QUELLE MÉTHODOLOGIE ADOPTER ?
Objectif : laisser parler les données en : Utilisant des algorithmes de clustering (regroupement automatique) pour trouver des formes d’usage type du Vélib’ Croisant les groupes ou clusters trouvés avec des données géographiques et socio-économiques de la ville Deux pistes de travail : Grouper les stations avec des profils d’usage similaires (Clustering de stations ou de couples O/D) Segmenter / Résumer la dynamique temporelle du système

6 TRACES NUMÉRIQUES DE MOBILITÉ CLUSTERING DE STATIONS AVEC DES PROFILS D’USAGES SIMILAIRES
Objectifs du regroupement de stations à partir de leur profils d’usage temporels : Stations décrites par les dynamiques de flux entrants et sortants Prise en compte des jours de semaine / week-end Modèle pour données de comptage Croiser les résultats avec d’autres variables explicatives : population, emplois, loisirs... Analyse réalisée avec 8 groupes (bon compromis : interprétations / attache aux données)

7 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
PÔLES MULTIMODAUX

8 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
PARCS

9 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
SORTIES NOCTURNES

10 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
SORTIES NOCTURNES ET WEEK-END

11 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
LOGEMENTS

12 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
EMPLOIS

13 REGROUPEMENT DE STATIONS À PARTIR DE LEUR PROFILS D’USAGE TEMPORELS
USAGE MIXTE

14 CROISEMENT DES DONNÉES POPULATION-EMPLOI-SERVICES
Comparaison des moyennes de densités de population, d’emplois, de services et de commerces pour les différentes groupes de stations.

15 TRACES NUMÉRIQUES DE MOBILITÉ CLUSTERING DE STATIONS AVEC DES PROFILS D’USAGES SIMILAIRES
Conclusions sur le clustering de stations : Des stations bien différenciées en termes d’usage Interprétation aisée des groupes de stations Densités de population, d’emplois et d’équipements explicatives des groupes de stations Profils temporels des clusters interprétables et informatifs

16 TRACES NUMÉRIQUES DE MOBILITÉ CLUSTERING DE MATRICES O-D DYNAMIQUES
Objectifs : Recherche de stationnarités et de points de changement dans la dynamique des matrice OD (Origine/Destination) Résultats : Segmentation temporelle et cycles Distribution spatiale des flux (OD de référence) / segment : permet de caractériser le déséquilibre du réseau / segment Représentation synthétique de la dynamique du réseau

17 TRACES NUMÉRIQUES DE MOBILITÉ INTERPRÉTATION TEMPORELLE
La cyclostationnarité est clairement visible Faible mélange entre les différentes activités latentes Interprétation temporelle des 5 "activités" obtenues : 1 : Domicile - Travail 2 : Déjeuner 3 : Travail - Domicile 4 : Loisirs nocturnes 5 : Loisirs

18 TRACES NUMÉRIQUES DE MOBILITÉ ANALYSE SPATIALE
Quelles stations génèrent des départs durant une activité ? Quelles stations génèrent des arrivées durant une activité ? Comment les stocks évoluent (vélos arrivant - vélos partant) durant chacune des activités ?

19 TRACES NUMÉRIQUES DE MOBILITÉ ANALYSE SPATIALE
« Domicile-Travail », stations avec un fort flux entrant (spécificité entrante/stations) « Loisirs », stations avec un fort flux sortant (spécificité entrante/stations)

20 TRACES NUMÉRIQUES DE MOBILITÉ ANALYSE SPATIALE
Interprétation spatiale : déséquilibre du réseau Activité latente « Domicile-> Travail », déséquilibre du réseau pour Ndep = « Travail -> Domicile » Activité latente « Travail-Domicile », déséquilibre du réseau pour Ndep =

21 TRACES NUMÉRIQUES DE MOBILITÉ ANALYSE SPATIALE
Déjeuner Activité latente « Déjeuner », déséquilibre du réseau pour Ndep = Loisirs nocturnes Activité latente « Loisirs nocturnes », déséquilibre du réseau pour Ndep = Loisirs Activité latente « Loisirs », déséquilibre du réseau pour Ndep =

22 TRACES NUMÉRIQUES DE MOBILITÉ ANALYSE SPATIALE
Résultats Meilleure compréhension de la dynamique du réseau Modèle synthétique de la dynamique Mise en évidence des cycles Appliqué aussi à des données Bluetooth (TRB) Limites Prise en compte uniquement de la demande satisfaite Pas de liens explicites avec les données socio-économiques et géographiques

23 TRACES NUMÉRIQUES DE MOBILITÉ : COMMENT SUIVRE LA PISTE ?
Pour en savoir plus, consultez l’étude complète