Méthodologie pour l'étude de l'évolution des comportements des voyageurs de transport collectif urbain

Démocratisé depuis déjà plusieurs années les systèmes tarifaires automatisés, relatifs à l'accès aux transports en commun, génèrent des masses de données encore trop peu exploitées. Ces données issues de cartes à puce sont devenues si volumineuses que leur analyse représente un véritable défi pour l'homme, mais également un immense potentiel pour la planification en transport en commun. Ce mémoire s'inscrit dans le cadre de la valorisation de volumétries importantes de données quotidiennes. Ouvrant un projet commun avec des exploitants de transports, il s'agit de s'intéresser à l'analyse de la demande. L'ensemble des méthodes seront développées à partir de trois ans de données de transaction issues de l'utilisation du transport par bus à Gatineau. L'objectif principal de la recherche est de présenter une méthodologie simple et complète, relative à l'étude longitudinale des comportements d'usage des cartes à puces sur long terme en utilisant différentes techniques d'exploration de données. À terme, cette méthode d'analyse fournit des résultats aidant le travail d'un planificateur de réseau. Les sous-objectifs de l'étude sont les suivants : - Développer un algorithme permettant une analyse comportementale des usagers. - Développer un algorithme expérimental améliorant la méthode précédente, afin que l'analyste puisse suivre l'évolution des comportements des usagers à travers le temps. - Proposer une méthode de prévision des évolutions, enrichissant ainsi les connaissances apportées à la planification. Ce mémoire débute par une revue de littérature présentant l'intérêt de l'utilisation des cartes à puces en analyse. Il s'agit de s'intéresser aux diverses études réalisées, notamment dans le cadre d'analyses comportementales. Une partie de la littérature s'intéresse aux techniques d'exploration de données, particulièrement dans le cas de segmentations et de prévisions. La section méthodologie présente les raisonnements répondant aux trois sous-objectifs, et la dernière partie les résultats des diverses expérimentations effectuées sur les données fournies par la STO. Les contributions apportées par ce mémoire sont : - La présentation d'une méthode classique d'analyse comportementale des cartes à puce à partir de leurs utilisations. Un travail de segmentation est effectué sur l'ensemble des déplacements hebdomadaires en transports en commun afin de repérer les similarités entre comportements. - La conception et la critique d'une méthode expérimentale basée sur une segmentation hebdomadaire visant à montrer l'évolution des comportements des cartes à travers le temps. - Différents indicateurs de qualité et de stabilité de segmentation sont proposés afin de comparer les diverses méthodes engagées, et de caractériser la population de cartes étudiée. - Jouant sur une possible évolution comportementale des cartes, une critique sur la fiabilité de l'utilisation de méthodes de prévision est réalisée. Les prévisions sont appliquées sur l'évolution comportementale des groupes ainsi que l'évolution de la taille de leur population. En conclusion, ce projet présente une méthode classique, fonctionnelle et applicable en industrie permettant l'analyse comportementale des usagers. Prenant comme entrée un jeu de données de cartes à puce, la méthode exporte les résultats de segmentation liés à l'utilisation des transports en commun. Par cela, elle définit 6 groupes d'identifiants aux comportements similaires dont les caractéristiques propres permettent l'aide à la décision en planification des transports. Il s'agit de trois groupes dont les déplacements récurrents en semaine ressemblent à ceux de travailleurs à temps plein et à mi-temps. Deux groupes représentent les comportements de déplacements occasionnels et le dernier contient l'ensemble des cartes qui produisent le plus de déplacement. Le tout est réalisé en un temps relativement long : 11 minutes pour la segmentation de 10 millions de déplacements. La méthode expérimentale, quant à elle, se concentre sur l'évolution comportementale possible des cartes. Sans pour autant être parfaite, elle admet un potentiel énorme. En effet, elle permet une analyse des comportements des 6 groupes de cartes en un temps de calcul très court (38 secondes pour une qualité similaire). Il s'agit de groupes dont les caractéristiques sont très proches de ceux issus de la méthode classique, mais le principe incrémental de la segmentation rend possible l'étude de l'évolution comportementale, jugée fixe dans la méthode classique.

Abstract

For several years automated fare systems related to public transport access are generating an, not enough, exploited massive volume of data. These smart card data became so voluminous they represent a challenge for humans and a huge potential to public transport planning too. This work aims to value massive volumes of daily data. Opening a common project with transit services, the analysis is based on studying demand. All methods were developed thanks to the three years of transactions from the usage of Gatineau's bus network. Presenting a simple and a complete methodology to apply a longitudinal analysis on smart card usage behavior using different data mining techniques, represent the main purpose of the research. At the end, the analysis methodology gives the results helping to do the transit planners job. The sub-objectives are the following ones: - Develop an algorithm allowing users' behavior analysis - Develop an improved algorithm (experimental), allowing to follow the users' behavior evolution through time. - Propose an evolution prevision methodology, enhancing transit planning knowledge. This works starts with a literature review presenting smart card data usage in analysis, particularly through different studies done in behavior analysis. The second part of the literature review is about data mining techniques like clustering and forecasting. The methodology section describes the three sub-objectives, and the final section presents the different applications on STO's data. The main achievements of this project are: - The presentation of a classical methodology allowing to analyze smart cards' behavior through their activities. A clustering technique is applied on all weekly usage of public transit to find similarity between behaviors. - The conception and critic of an experimental method based on week-to-week clustering aiming to show the users' behavior evolution through time. - Different quality and stability indicators are proposed to compare the methods applied and to characterize the population. Knowing that users' behavior can evolve, a critic on prevision technique viability is applied. Forecasts methods are used on clusters' behavior evolution and their population size evolution. Finally, this project presents an industrially applicable methodology on transit users' behavior. Taking smart card data as input, the algorithm exports the transit usage clustering results. This way it defines 6 groups of IDs with similar behavior which the proper characteristics help the transit planner to take decisions. There are three groups which the trips patterns look like full time and part-time workers trip patterns. Two of the groups represent occasional trip behavior and the last one holds the cards with the most trips. The computation time is relatively high: 11 minutes for the clustering of 10 million transactions. The experimental method focuses on the possible smart cards' behavior evolution. Without being perfect, it shows a huge potential. Indeed, the method allows a behavior analysis of 6 groups with a shorter computation time (only 38 seconds for a similar quality). These groups present the same characteristics as those from the traditional method, but the way the algorithm works makes the behavior evolution analysis possible in this case.