Modélisation de la variabilité de l'utilisation d'un réseau de transport collectif

Des horaires bien développés et régulièrement entretenus garantissent une prestation de services adéquate en fonction de la demande, réduisant ainsi les temps d'attente des passagers et optimisant l'efficacité opérationnelle. Une planification efficace garantit également une utilisation optimale des véhicules, évitant ainsi les surcharges ou les périodes de sous-utilisation. Cet aspect est d'une importance capitale en termes de coûts opérationnels, notamment en ce qui concerne les dépenses de main d'œuvre sur le terrain, qui représentent une part importante des coûts d'exploitation des entreprises de transport. Historiquement, les sociétés de transport ont tendance à créer des horaires fixes pour les jours de la semaine, du lundi au vendredi. Cependant, cette approche est-elle toujours pertinente face aux bouleversements récents, tels que ceux apportés par la pandémie et autres changements sociétaux? Ces événements ont modifié les schémas de déplacement et les habitudes des usagers. Par exemple, avec l'adoption croissante du télétravail, les déplacements domicile-travail ont drastiquement diminué, entraînant une baisse de la demande de transport aux heures de pointe et une augmentation de la flexibilité des horaires de déplacement. Ce projet vise à appliquer des méthodes de segmentation des données pour évaluer si les horaires actuels du transport collectif à Orléans sont en adéquation avec la réalité des déplacements. En exploitant les données issues des cartes à puce des usagers (collectées grâce aux systèmes d'aide à l'exploitation et à l'information aux voyageurs (SAEIV), on peut ajuster les horaires pour qu'ils reflètent plus fidèlement la demande actuelle. Cela pourrait impliquer des modifications telles que l'introduction d'horaires spécifiques pour certains jours de la semaine, l'ajustement des fréquences en fonction des périodes de forte et de faible affluence, et la mise en place de services supplémentaires lors d'événements spéciaux. Un bon horaire, défini par sa capacité à répondre aux besoins des passagers tout en minimisant les coûts, est crucial pour le succès et la durabilité des services de transport en commun. En se basant sur les montées (nombre de validations) des passagers, l'algorithme des K-moyennes et la classification hiérarchique ont été appliqués directement sur divers objets du réseau d'Orléans. Ensuite, ces algorithmes ont été combinés à la méthode DTW et appliqués à dix transformations des données en utilisant quatre distances différentes. Enfin, par le biais d’indicateurs et étapes successives, un modèle final est retenu à la fin de chaque itération pour classer les données. Enfin, des statistiques finales sont calculées afin d’affiner les conclusions sur les groupes obtenus. Ces des statistiques finales sont calculées afin d’affiner les conclusions sur les groupes obtenus. Ces étapes ont permis de confirmer la robustesse de la classification la plus simple « type de jour »:jours de semaine, samedi, dimanche et jours fériés. Dans certains cas, le volume de transport de passagers selon les jours de la semaine de travail est suffisamment différent pour justifier l'établissement d'horaires pour plusieurs jours de la semaine afin de réaliser une économie d'horaire maximale. Ainsi, il peut y avoir un horaire pour le lundi uniquement, couplé à un autre horaire du mardi au vendredi, un autre pour le samedi et encore un autre pour le dimanche. Ce travail a permis aussi de démontrer que les transformations par quantile normal et uniforme sont des outils puissants pour améliorer la performance des algorithmes de classification : elles aident à normaliser les données en présence de distributions fortement asymétriques et réduisent las variances extrêmes et valeurs aberrantes. La méthode "statistique de l'écart K" suggère, indépendamment des méthodes de segmentation et des métriques de distance, plus de groupes notamment pour les situations où les groupes ne sont pas bien séparés. De plus, la méthode DTW en général, plus particulièrement combinée à la segmentation hiérarchique, en dépit de sa complexité computationnelle, fournit des résultats robustes même si les séries ne sont pas parfaitement alignées et fournit un dendrogramme qui peut être facilement interprété pour comprendre les relations entre les groupes. Enfin, l’application de ces méthodes à des objets démontrent aussi qu’il n’existe aucune méthode universelle i-e qu’il faut aller au cas par cas afin de capturer les similitudes et différences au sein d’un mode ou groupe de lignes. Une grande marge peut aussi être laissée au modélisateur qui peut progressivement adapter les outils (techniques de segmentation, métriques) selon l’objectif et la précision poursuivis (généralisation ou particularisation pour un ou plusieurs objets). En conclusion, en utilisant des algorithmes de segmentation pour analyser les données de cartes à puce, il est possible d'identifier des groupes distincts de jours avec des profils de demande en transport variés. Ces méthodes ont mis en lumière l'importance de personnaliser les horaires en fonction de ces tendances, plutôt que d'appliquer un modèle uniforme. En ajustant les horaires en conséquence, il est possible d'améliorer l'efficacité du réseau de transport collectif, l'expérience des usagers, réduire les coûts, soutenant ainsi les objectifs de durabilité urbaine.

Abstract

Well-developed and regularly maintained schedules ensure an adequate level of service based ondemand, thereby reducing passenger wait times and optimizing operational efficiency. Effective planning also guarantees optimal vehicle utilization, preventing overcrowding or periods of underutilization. This aspect is crucial in terms of operational costs, particularly concerning labor expenses, which constitute a significant portion of transport companies' operating costs. Historically, transport companies have tended to create fixed schedules for weekdays, from Monday to Friday. However, is this approach still relevant considering recent upheavals, such as those brought about by the pandemic and other societal changes? These events have altered travel patterns and user habits. For example, with the increasing adoption of telecommuting, home-towork travel has drastically decreased, leading to a decline in peak-hour transport demand and increased flexibility in travel schedules. This project aims to apply data segmentation methods to evaluate whether the current public transport schedules in Orléans align with actual travel patterns. By leveraging data from users' smart cards (collected through passenger information and operations support systems, PISA), schedules can be adjusted to more accurately reflect current demand. This might involve modifications such as introducing specific schedules for certain days of the week, adjusting frequencies according to periods of high and low demand, and implementing additional services during special events. A good schedule, defined by itsability to meet passengers' needs while minimizing costs, is crucial for the success and sustainability of public transport services. Based on passenger boardings (number of validations), the K-means algorithm and hierarchical classification, applied directly and combined with DTW on various network objects in Orléans, have been utilized. Ten transformations and four different distances were used. Through successive indicators and steps, a final model was selected at the end of each iteration to classify the data. Final statistics were then calculated to refine conclusions about the obtained groups. These steps confirmed the robustness of the simplest classification by "type of day": weekdays, Saturdays, Sundays, and holidays. In some cases, the volume of passengers varies sufficiently by day of the workweek to justify establishing schedules for several days to achieve maximum schedule economy. Thus, there may