Comparing Clustering Methods in Recognition of Temporal Travel Pattern of Public Transport

Les organismes de transport en commun doivent étudier les habitudes de déplacement afin d'élaborer des stratégies et des plans plus conformes aux habitudes d'utilisation de leur réseau. De nombreuses études ont été réalisées sur le comportement des passagers pour aider les autorités de transport à mieux comprendre leurs services. En facilitant la collecte des données, les systèmes de paiement par cartes à puce a rendu possible l'exploration de ces précieuses données sur les déplacements. Pour reconnaître les comportements de déplacement, des méthodes de clustering sont utilisées. En regroupant les passagers ayant le comportement le plus similaire dans un même cluster, nous pouvons alors adapter les stratégies de transport en fonction de ces groupes plutôt que les appliquer à tous les usagers . Les données des cartes à puce ayant des caractéristiques de séries temporelles, le développement de la méthode la plus appropriée pour traiter ces séquences permettra d'obtenir un processus de segmentation plus précis et pertinent. Le choix d'une mesure de distance appropriée, ainsi que de la méthode elle-même, est crucial dans les algorithmes de clustering de séries temporelles. Dans les études précédentes sur les données des cartes à puce, les distances euclidiennes et Manhattan sont le plus souvent utilisées avec les méthodes de clustering. Cependant, toutes deux ignorent les caractéristiques des séquences et les comparent dans leurs calculs comme des données statiques, sans tenir compte de leur ordre ou de leurs corrélations. Certains auteurs ont tenté de résoudre ce problème dans leurs recherches. En proposant une méthode de projection pour transférer les données de séries temporelles vers des espaces tridimensionnels et en appliquant ensuite des techniques de clustering (Ghaemi et al., 2017) ou en choisissant la distance de corrélation croisée (CCD) comme mesure de distance plus appropriée pour la comparaison de séries temporelles (He et al., 2018). Cependant, comme ils ont utilisé le clustering hiérarchique avec CCD, ils ont été obligés d'utiliser une stratégie d'échantillonnage en raison de la limitation du clustering hiérarchique avec de grands ensembles de données. La mesure de distance dynamic time warping (DTW) est une autre distance appropriée pour la comparaison de séries temporelles, mais elle souffre d'une complexité temporelle. L'objectif de cette étude est de combler cette lacune. Pour ce faire, un nouveau clustering k-shape avec une mesure de distance basée sur la forme (SBD) est testé et appliqué pour la première fois aux données des cartes à puce dans les transports publics. Cette méthode a été proposée par Paparrizos and Gravano (2017) pour le regroupement de séries temporelles. Elle est précise, efficace et rapide. Nous développons un cadre de comparaison entre les résultats de cette nouvelle méthode, le DTW et les mesures de Distances Euclidiennes (ED) sur le même ensemble de données afin d'explorer leurs avantages et leurs inconvénients. Ce faisant, nous utilisons le regroupement k-means ainsi que les distances DTW et ED pour avoir une comparaison significative entre les performances des mesures de distance. Nous appelons nos trois méthodes DTW, SBD et ED. Notre cadre de comparaison comporte trois critères, mais avant cela, nous avons utilisé le résultat de DTW comme vérité de base pour construire une comparaison plus structurée. Tout d'abord, DTW est comparé à SBD et ED sur la base de la distance moyenne entre les centroïdes des clusters. Celui dont la distance est la plus courte est donc considéré comme le plus compatible avec DTW. Deuxièmement, la comparaison est basée sur deux indices externes de validation des clusters : l'indice Rand ajusté (ARI) et l'indice de variation de l'information (VI). Plus l'ARI est élevé, plus les deux approches sont en accord. Un VI plus faible, en revanche, indique que les deux techniques sont plus identiques. Enfin, en plus des mesures statistiques, nous comparons les approches en fonction des modèles qu'elles ont identifiés et de la distribution de leurs clusters sur chaque jour, ainsi que de la distribution des produits tarifaires. En outre, comme le type de vecteurs, ainsi que la méthode, ont un impact significatif sur les résultats finaux, nous utilisons trois types de profils différents pour comparer les performances des méthodes. Les données d'entrée de nos trois approches sont des vecteurs carte-jour (utilisateur-jour), arrêt-jour et itinéraire-jour, et nous pouvons voir si la comparaison est restée la même lorsque les vecteurs ont changé. Ces vecteurs sont basés sur le temps d'embarquement, c'est-à-dire le moment où les passagers effectuent une transaction lorsqu'ils utilisent les transports publics au quotidien. Les données de cette étude proviennent du Réseau de transport de la Capitale (RTC), une agence de transport qui offre des services de transport en commun à Québec, et ont été recueillies sur le réseau d'autobus pendant un mois, en février 2019. Les résultats de cette recherche contribuent non seulement à la littérature croissante sur les données des cartes à puce, mais confirment également que la distance euclidienne, malgré sa popularité, ne fonctionne pas bien dans la reconnaissance de modèles bien définis lorsqu'il s'agit de données de séries temporelles. En outre, bien que le clustering k-means avec la distance DTW soit une approche appropriée pour la segmentation des séries temporelles, il souffre de sa complexité temporelle. Le clustering K-shape avec SBD est une méthode puissante de reconnaissance des formes, qui a été testée pour la première fois pour le clustering de données de cartes à puce. Cependant, elle ne prend pas en compte le décalage temporel, ce qui pourrait avoir pour conséquence de mettre des séries temporelles de même forme dans le même groupe alors qu'elles pourraient avoir un décalage temporel. Il a cependant produit des résultats compétitifs dans la création de clusters de routes lorsque le décalage temporel était moindre. Dans l'ensemble, cette constatation démontre qu'il n'existe pas de solution unique au problème du regroupement des séries chronologiques. Chaque méthode présente des avantages et des inconvénients qui doivent être examinés en fonction du type et du volume de données, du type de distorsions imposées aux données, de l'objectif de l'étude et de la durée d'application de la méthode. SBD est une nouvelle méthode de regroupement de séries temporelles qui a été introduite dans cette thèse et qui peut être utilisée pour une variété d'objectifs dans le domaine du transport, comme l'étude des fluctuations. Elle peut également être réglée pour être contrainte au décalage temporel ou même combinée avec d'autres méthodes.