Analyse du recours aux correspondances dans un réseau de transport en commun à l'aide des données de cartes à puce

Les sociétés de transport proposent des réseaux de plus en plus vastes et connectés pour répondre efficacement à la diversification des couples origine–destination. Seulement, un itinéraire direct n'étant pas possible pour chaque déplacement, les usagers doivent dans certaines situations recourir à une ou plusieurs correspondances. La correspondance est définie comme le passage d'un véhicule à un autre au cours d'un déplacement. Elle entraîne à la fois un effort physique et mental, une perte de temps et du stress pour les usagers, occasionnant une discontinuité du déplacement et diminuant l'attractivité du transport en commun (TC) au profit d'autres alternatives, notamment l'automobile particulière. Si les sociétés de transport veulent améliorer leur offre de service, il est essentiel de trouver des solutions pour limiter l'impact des correspondances. Afin de proposer des solutions efficaces, il est nécessaire de comprendre comment les usagers ont recours aux correspondances. Historiquement, ces recherches sont réalisées à l'aide d'enquêtes auprès des voyageurs. Elles sont utilisées pour déterminer les attributs qui influencent les usagers dans leurs choix de faire une correspondance. Mais ces méthodes manquent de profondeur, car elles ne permettent pas d'observer les fluctuations de comportement des usagers. L'utilisation des données de cartes à puce apporte de nouvelles possibilités pour ces études, à la fois car l'échantillonnage obtenu est plus large que celui des enquêtes et car ce sont des données spatio-temporelles. Chaque fois qu'un voyageur valide sa carte à puce sur une borne de perception, la transaction est enregistrée avec des informations provenant de la carte et de la borne. Ce mémoire de maîtrise développe une méthodologie universelle d'analyse de l'utilisation des correspondances à l'aide des données de transactions par cartes à puce. Cette méthode est capable de gérer des données récoltées quotidiennement sur l'intégralité d'un réseau multimodal. Pour ses expérimentations, le projet utilise les données de 10 000 cartes à puce de la Société de transport de Montréal (STM), pendant toute l'année 2016. Les cartes ont un abonnement mensuel ou annuel et sont sélectionnées aléatoirement. L'échantillon, non nécessairement représentatif de l'utilisation du réseau de la STM, est constitué de 9 550 725 transactions. L'analyse est construite à travers quatre objectifs. En premier, un algorithme de transformation des transactions en déplacements est créé afin de détecter, comptabiliser et localiser l'ensemble des correspondances faites sur le réseau. Il permet de fournir les jeux de données nécessaires à la suite du projet. En particulier, l'algorithme traite 97,48 % des transactions,fournissant une table de données de 5 887 074 déplacements avec 4 983 278 correspondances. Pour enrichir les données, deux éléments méthodologiques sont utilisés. Premièrement, les déplacements sont catégorisés selon leur composition en correspondances. Une série de modes est attribuée à chaque enregistrement, permettant de décrire avec un seul attribut le nombre de correspondances qui composent le déplacement, ainsi que leurs types et l'ordre dans lequel elles sont réalisées. Ensuite, le réseau est décrit à l'aide d'une typologie des lignes de bus. Chaque ligne est caractérisée selon son niveau de service, sa localisation et ses possibles interactions avec les autres lignes du réseau. Le second objectif s'intéresse à la fluctuation quotidienne de l'utilisation des correspondances. Il est question d'expliquer comment les usagers de l'échantillon ont recours aux correspondances dans leurs déplacements quotidiens. Pour cela, la répartition des déplacements est d'abord étudiée. Elle met en évidence les variations d'utilisations du réseau entre tous les jours de la semaine. Les heures de pointe sont identifiées, montrant un écart entre les jours ouvrés et les jours de fins de semaine. Ensuite, l'analyse de la proportion des déplacements de chaque série de modes par heure montre que le bus et le métro sont autant utilisés (respectivement 33,04 % et 32,51 % des déplacements), mais que le métro est favorisé en pointe alors que le bus est favorisé hors pointe. De même, les usagers de l'échantillon ont tendance à faire plus de correspondances pendant leurs déplacements en pointe. Ensuite, une analyse de la symétrie des déplacements successifs est réalisée. Elle permet de décrire la répartition des activités générées par le TC et révèle que 61,11 % des passagers avec deux déplacements quo-tidiens font un aller-retour, dont 50,09 % avec la même combinaison de lignes dans les deux directions. Enfin, elle témoigne que l'utilisation du bus est plus variable que celle du métro. Pour poursuivre l'analyse de l'utilisation des correspondances, le troisième objectif est la caractérisation du comportement des usagers de l'échantillon. Une segmentation par la méthode des k-moyennes est réalisée sur un vecteur composé séquences de correspondances dans les déplacements quotidiens de chaque carte. Il en résulte sept groupes marqués par une utilisation différente des correspondances dans les déplacements. La variabilité intragroupe montre que les voyageurs favorisant des déplacements avec une correspondance sont moins stables que ceux favorisant des trajets directs (en moyenne respectivement ± 12,07 % contre ± 6,05 %de variation). De plus, une fluctuation plus élevée est observée chez les passagers favorisant le métro plutôt que le bus. Une matrice de probabilité de changement de groupe explique que les usagers favorisent en priorité un mode de transport plutôt qu'un type de correspondance. Ensuite, un regroupement des données en semaines et un diagramme de Sankey illustrent la régularité des passagers de l'échantillon. Ils sont stables pendant les jours ouvrés, mais ont un comportement variable la fin de semaine, où ils se déplacent moins et favorisent davantage bus. Enfin, l'analyse de l'utilisation des lignes permet de positionner géographiquement les groupes. Elle souligne que les voyageurs favorisant le bus sont répartis sur tout le terri-toire de l'Île de Montréal alors que ceux privilégiant le métro restent principalement dans les régions centrales. Enfin, le dernier objectif est la caractérisation de l'utilisation des lignes du réseau. Il s'agit de les étudier afin de détecter celles qui génèrent le plus de correspondances. Un indicateur d'autonomie est créé pour classer les lignes et des graphes sont développés pour représenter schématiquement leurs interactions. Cette étude montre que l'indicateur dépend à la fois du service et de la géolocalisation des lignes. Celles dont l'autonomie est grande sont caractérisées par un service spécifique, une large couverture spatiale ou par peu d'interactions avec le reste du réseau. En moyenne, avec l'échantillon étudié, les lignes de bus sont plus autonomes que les lignes de métro, respectivement 0,68 contre 0,55. De plus, une régression linéaire multiple prouve que l'indice d'autonomie d'une ligne peut être expliqué à l'aide des variables de sa typologie. Cela permet à la fois d'identifier les lignes à prioriser pour augmenter l'offre de service et d'estimer l'influence des futurs parcours proposés. Enfin, à l'aide des graphes il devient possible de localiser les principaux arrêts impliqués dans les correspondances bus – bus et de classer les stations selon leur taux de correspondances bus – métro, métro – bus et métro – métro. Cette visualisation met en évidence les lignes importantes et montre que les stations générant le plus de correspondances sont celles situées sur les grands boulevards et aux terminus. En conclusion, ce mémoire contribue à l'amélioration des méthodes d'analyses comportementales des usagers en incluant dans les modèles existants la prise en compte des correspondances effectuées. Il fournit une nouvelle méthodologie de traitement des données de cartes à puce apportant des connaissances sur l'impact des correspondances, à la fois sur le réseau et sur ses usagers. Toutefois, des limites techniques liées au manque d'informations disponibles dans les données brutes et au développement du modèle offrent de nouveaux défis à relever et des perspectives d'études élargies.