Importation et manipulation des données

Les données d’entrée doivent être sous un format CSV, puisqu’il s’agit d’un format de données économe en mémoire. Le logiciel utilisé tout au long de l’étude est R, un logiciel gratuit et un langage de programmation destiné aux statistiques et à la science des données. Grâce à son impressionnante communauté de contributeurs, le logiciel profite d’un très grand nombre de paquetages permettant l’introduction de méthodes aussi bien statistique que de visualisation. Il est nécessaire dans un premier temps d’importer les données brutes puis de les transformer en tableaux utilisables par l’algorithme de segmentation. Ici, le choix se porte sur la création de tableaux retraçant le nombre de déplacements par jour des identifiants-semaine.

Les données brutes proviennent généralement des transactions des usagers. En effet, à chaque passage de cartes à puce aux bornes, une ligne est créée dans la base de données. Cette ligne comporte un grand nombre d’informations comme : le numéro d’identifiant, le type de carte, le jour, l’heure de montée, le numéro de service et de ligne, la direction… La fraude sera supposée nulle et donc, aucune modification ne sera apportée à la base de données brute.

Pour le bon déroulement de la méthode, on décide de ne conserver que le numéro d’identifiant, le type de carte et le jour de passage de la carte. Les autres informations pourraient permettre de pousser l’étude descriptive ou même de partir sur d’autres axes de recherche sur le comportement des usagers. Par exemple, on pourrait s’interroger sur la fidélité de l’usager ou sur la régularité temporelle de ses déplacements (Trépanier et Morency, 2010).

3.2.1 Choix du traitement des données : le déplacement

Les données brutes fournies par l’entreprise sont sous la forme de transactions, or un individu peut effectuer plusieurs transactions sur le même déplacement, on dit qu’il effectue des correspondances. En ne payant qu’une seule fois, l’usager pourrait donc utiliser plusieurs bus ou métros sur un même trajet. De manière générale, en mobilité urbaine, on dit qu’un déplacement est l’action pour se rendre d’un point de départ à un point d’arrivée, par l’utilisation d’un ou plusieurs modes de transport (Orfeuil, 2001).

Pour comprendre le comportement de l’usager, il ne faudrait donc s’intéresser qu’à ses déplacements et non à ses transactions. Pour cela, il existe certaines règles, variables selon la ville

en question, qui définissent un déplacement. Par exemple, pour Montréal comme le définit le site de la STM, les différentes règles sont : 120 minutes pour compléter le trajet, un aller-retour compte comme deux déplacements, prendre deux fois la même ligne de bus compte comme deux déplacements et finalement une réutilisation du métro après sortie de station compte comme un second déplacement.

D’un point de vue méthodologique, pour transformer l’ensemble des transactions en déplacements, la méthode classique proposée consiste à développer un algorithme qui filtre les données selon les différentes règles de la ville en question afin de distinguer les déplacements des transactions. Cette méthode, plus fiable est cependant plus contraignante à mettre en place.

Certains auteurs ont traité le problème différemment. Au lieu de s’intéresser à la logique tarifaire mise en place par la ville, ils se sont concentrés sur une logique de mobilité, d’activités. En effet, Ma et al. (2013) estiment que 94% des voyageurs à Beijing réalisent leur déplacement en moins de 60 min et donc considèrent que deux validations séparées de moins de 60 min ne forment qu’un seul et même trajet. Tandis que Kieu et al. (2014) définissent un logigramme de génération de déplacements éliminant le bruit, récupérant les informations spatiales et séparant les déplacements d’une logique de 60 min également. Quant à eux, Seaborn, Attanucci, et Wilson (2009) définissent un temps de transfert maximal différent s’il s’agit d’une correspondance bus - bus, métro - bus ou métro - métro. Même si l’approche est différente, l’indicateur principal de la génération de déplacement, reste le temps.

3.2.2 Choix de la population étudiée : adultes réguliers

Dans l’optique de mieux faire ressortir les résultats de la segmentation, on décide de ne sélectionner que les usagers ayant pour type de carte : adultes réguliers. Ce choix fait office d’une première segmentation arbitraire de la population. Il est justifié par le fait que ce type de carte représente une très grande partie de la population et qui est, au niveau du comportement, beaucoup plus stable qu’une carte de type 10 trajets. De plus, ce choix permet d’éliminer de la population un grand nombre de déplacements qui pourraient être considérés comme du bruit.

3.2.3 Création des identifiants-semaines

Le but est de transformer cette masse de données en des tableaux ciblés sur la carte afin de mieux comprendre son comportement. On vient pour cela compter le nombre de déplacements effectués par jour puis trier par semaine, et ce, pour chaque identifiant à l’aide d’un tableau de contingence. Chaque tableau est associé à un identifiant, Figure 3-3. Le nombre de lignes est égal au nombre de semaines étudiées et chaque ligne correspond à un vecteur de 7 composantes témoignant du nombre de déplacements effectués chaque jour. On l’appelle par la suite le vecteur comportement, puisqu’il témoigne du comportement d’une carte sur une semaine.

Figure 3-3 : Exemple de tableau identifiant-semaine lié à l’usage d’une carte à puce sur un an À partir de ce moment, un filtre est appliqué pour supprimer les comportements aberrants. En effet, si sur un jour, un utilisateur a effectué plus de 10 déplacements, le vecteur comportement associé est supprimé et apparaît comme une semaine vide.

Il s’agit ici de générer volontairement des vecteurs comportements simples, afin de comprendre et montrer le potentiel des deux mécanismes d’études comportementale en jeu. La génération de ces vecteurs peut être sujette à divers changements suivant le niveau de détail attendu en analyse de résultats.

3.2.4 Création des tableaux semaines

Le but est de créer les listes de vecteurs utilisables par l’algorithme de segmentation. Pour cela, il suffit de regrouper l’ensemble des vecteurs comportement et de les trier par numéro de semaine. Ainsi sur la Figure 3-3, il s’agit de récupérer uniquement les vecteurs en vert et de les regrouper en tableaux par semaine comme sur la Figure 3-4. Il existe un tableau de cette sorte pour chacune des semaines de l’étude, comportant les vecteurs comportements associés. Ainsi, chaque identifiant ayant effectué au moins un déplacement dans une semaine 𝑠 , voit apparaître son vecteur comportement dans le tableau de la semaine 𝑠 . On l’appelle dans l’algorithme le tableau « semaine ».

Figure 3-4 : Exemple d'un tableau semaine pour la semaine 4

La colonne « total_semaine » ci-dessus est un outil de statistique descriptive très pratique permettant, d’une part, de témoigner du nombre de déplacements par semaine les diverses cartes et d’autre part, de conserver uniquement les semaines non vides, indispensables au reste de l’étude.