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.»