Caractérisation des déplacements des usagers de l'autopartage à partir de traces GPS

L'autopartage gagne en visibilité dans la société, de plus en plus de gens sont au courant de ce que ce mode de transport représente, de son fonctionnement. Au même moment, les technologies relatives aux appareils de positionnement GPS ne cessent de progresser, rendant les nouveaux appareils de plus en plus précis tout en étant moins encombrants et moins coûteux. Cette recherche aborde l'union de ces deux sujets dans le but de caractériser les déplacements des usagers de l'autopartage à partir de traces GPS automatiquement enregistrées. Pour ce faire, une revue des travaux effectués sur ces sujets s'impose. En ce qui concerne l'autopartage, un portrait représentant l'évolution de ce mode de transport alternatif est dressé par (Shaheen, Cohen, & Chung, 2009). De plus, des travaux de recherche ont été effectués afin de mieux comprendre l'utilisation des véhicules d'autopartage par les usagers. Une méthode basée sur des principes de datamining, en utilisant les données transactionnelles, a été réalisée par (Morency, Trépanier, & Agard, 2011) dans le but d'établir des groupes d'usagers type. Des sondages ont également été réalisés, entre autres par (Cervero & Tsai, 2004), dans le but de comprendre les motifs des activités lors de l'utilisation de véhicules en autopartage. Pour l'analyse des traces GPS, une meilleure compréhension du fonctionnement des appareils est présentée d'après les études de (Mintsis, Basbas, Papaioannou, Taxiltaris, & Tziavos, 2004) et (Lu, Chen, Shen, Lam, & Liu, 2007). Dans les dernières années, plusieurs auteurs ont développé des méthodes, des algorithmes, afin d'être en mesure d'identifier des arrêts effectués par un usager en se basant sur des traces GPS, parmi ces auteurs l'on trouve (Du & Aultman-Hall, 2007) et (Stopher, FitzGerald, & Zhang, 2008). En plus d'être en mesure d'identifier correctement les arrêts, (Gong, Chen, Bialostozky, & Lawson, 2012) et (Bohte & Maat, 2009) ont développé des algorithmes pouvant identifier, avec un certain succès, les modes de transport utilisés pour effectuer les déplacements. Grâce à un partenariat avec l'entreprise Communauto, un des leaders nord-américains de l'autopartage, l'identification de chaînes et de déplacements à partir des données de positionnement GPS de leurs véhicules a pu être réalisée. Un système d'information sur mesure a été développé afin d'être en mesure de traiter les données de positionnement GPS fournies par Communauto et de les utiliser afin d'identifier des déplacements. Ce système permet également de constituer des chaînes de déplacements qui seront associées à des transactions effectuées par les usagers, les liens entre ces informations n'étant pas disponibles pour l'analyse par souci de confidentialité. Un critère de détermination d'arrêt a été déterminé en considérant la spécificité de la précision temporelle et spatiale des données GPS. Ce critère se traduit par un véhicule immobile dans un rayon de 20 mètres pendant un minimum de 5 minutes pour qu'un arrêt soit comptabilisé. L'échantillonnage pour l'analyse effectuée dans ce rapport représente une période de trois mois durant lesquels 123 490 déplacements regroupés en 27 615 chaînes ont été identifiés. Ces chaînes de déplacements ont été associées à des transactions effectuées par des usagers; par conséquent, les caractéristiques des chaînes se sont liées aux attributs des usagers ayant effectué ces déplacements. Cette étape permet donc de réaliser des analyses sur les résultats des chaînes et des déplacements, en plus de considérer les lieux d'arrêts. L'étendue de l'analyse regroupe des caractéristiques techniques des chaînes et des déplacements; durées totales, durées à l'arrêt, distances parcourues, nombre de déplacements par chaîne, déplacements urbains ou interurbains, le jour de la semaine où la chaîne est effectuée, et bien d'autres. Une partie de l'analyse repose également sur les attributs des usagers afin d'y croiser des résultats techniques, ainsi les facteurs suivants sont considérés : l'âge de l'usager, le sexe, le lieu de résidence. Ces analyses permettent d'obtenir des résultats jusqu'alors inconnus, il n'était en effet pas possible de les obtenir uniquement depuis les données transactionnelles sur lesquelles des travaux avaient précédemment été effectués, pas plus qu'il n'était possible d'obtenir ces résultats à partir de sondages menés sporadiquement auprès des utilisateurs. Ce travail prend fin avec une ouverture vers des travaux futurs et des perspectives d'utilisation et d'amélioration du système réalisé. En effet, des applications tant au niveau du positionnement de l'autopartage à travers l'ensemble des modes de déplacements en comparant les résultats avec des enquêtes d'origine-destination où autres résultats représentatifs. En plus de la création d'outils étant en mesure d'utiliser les données obtenues sur les déplacements en temps réel sont des avenues de développement intéressantes.»

Abstract

Carsharing is gaining in visibility throughout society, with more people now being aware of what this mode of transportation is about and how it works. At the same time, GPS technology has been in continuous development, with recent devices being more and more accurate while being less expensive and a lot smaller, making it easily accessible to everyone. This study is about combining these two subjects in the aim of characterizing the trip segments of carsharing users from their automatically generated GPS data. In that perspective, a brief literature review of both carsharing and GPS tracking analysis is required. First, a general overview of the beginning and evolution over the years of the new alternative mode of transportation that is carsharing is presented by (Shaheen et al., 2009). Studies were also conducted in the aim of gaining a deeper understanding of carsharing usage. A method based on datamining techniques applied to carsharing transactional data was developed by (Morency et al., 2011) to determine distinct groups of carsharing users, each with their own specific characteristics. In addition to these user characterization studies, some work was done by researchers such as (Cervero & Tsai, 2004) who conducted surveys with the goal of understanding the purpose of carsharing usage. Second, as regards the GPS tracking analysis, a global explanation of how the GPS system functions and its key characteristics is presented by (Mintsis et al., 2004) and (Lu et al., 2007). Over the last couple of years, a number of authors developed methods and algorithms that were able to successfully identify trip segments completed by an individual using the GPS tracking data, (Du & Aultman-Hall, 2007) and (Stopher et al., 2008) are only one example of the researchers that have worked on the subject. In addition to being able to successfully identify trip segments, (Gong et al., 2012) and (Bohte & Maat, 2009) developed algorithms capable of determining, with reasonable accuracy, the travel mode used by an individual, relying on the GPS tracking data and a contextualized GIS. Through a partnership with Communauto, a leading North American carsharing company, the identification of trips and trip segments using GPS tracking data from their vehicle fleet has been achieved. The development of a customized information system was needed in order to be able to process GPS tracking data shared by Communauto into identifying trip segments. This system also allows the formation of trip chains that are to be associated with the transactions made by the carsharing user. Since the link between these two databases was unavailable for this analysis due confidentiality issues, an algorithm was to be developed in order to bypass that problem. In order to be able to identify trip segments, a set of rules was determined by considering the specificity of the temporal and spatial accuracy of the GPS tracking data. These two basic rules resulted in the following data indicating the end of a trip segment: a stationary vehicle within a 20-meter radius for a minimum duration of 5 minutes. The sample used for the analysis conducted in this report represents a three month period for which 123,490 trip segments grouped in 27,615 trip chains were identified. These trip chains were associated with transactions conducted by the users. The characteristics of the trips were therefore linked to the attributes of the users who made them. This step makes it possible to perform an analysis of the results of the trip chains data, while considering the activity nodes. The scope of the analysis includes technical characteristics of the trip chains and the trip segments: total time, periods where the vehicle is stopped, distance traveled, the number of trip segments per trip chain, whether the trip is made around town or over a longer distance, on which day of the week the trip chains were made, as well as many others. A second part of the analysis is based on the user's attributes in order to cross-reference them with technical characteristics. The following attributes are considered: the user's age, sex and place of residence. These various analyses on the trip segments and their chains yielded results which were until then unknown. It was not possible to obtain this kind of analysis based only on transactional data about which previous studies had been undertaken, nor was it possible to obtain these results from surveys conducted sporadically with the carsharing users. This paper ends with an opening to future studies and perspectives for improving the system developed to process the GPS tracking data. Indeed, applications for the positioning of carsharing across all modes of transportation would be possible by comparing the results with origin-destination surveys of representative data. The development of automated tools in order to use live GPS tracking data to produce reporting is also one of the few interesting avenues to be pursued in the future.