Méthode générale pour le développement de cycles de conduite

Les cycles de conduite doivent être développés afin de représenter le plus précisément possible les habitudes de conduite au sein des différentes catégories de route qu’ils représentent. Le processus général du développement de cycles de conduite est divisé en cinq étapes : la collecte de données, la génération de micro-segments, la classification de micro-segments, la sélection des mesures d’évaluation de performance et le développement des cycles de conduite (Nouri, 2016). Il est possible de retrouver dans la littérature des processus comportant seulement trois ou quatre étapes, mais les tâches énumérées précédemment sont toujours présentes, elles sont seulement assemblées en un nombre différents d’étapes (Brady & O’Mahony, 2016), (Berzi et al., 2016), (Hung, Tong, Lee, Ha, & Pao, 2007). Puisque cette recherche est inspirée des travaux de Pegah Nouri (Nouri, 2016) et qu’il est possible de retrouver dans sa thèse une revue littéraire très élaborée sur les cycles de conduite, les étapes du développement des cycles de conduite sont présentées très sommairement dans le cadre de cette recherche. Or, la dernière partie de cette section portera sur la tendance actuelle en termes de développement ou d’études des cycles de conduite.

2.4.2.1 Les cinq étapes

La collecte de données, qui est la première étape pour le développement de cycles de conduite, est une étape cruciale. Les données peuvent être recueillies selon trois méthodes : à l’aide de la technique de la voiture suiveuse (chase car technique), à l’aide de systèmes embarqués à bord des véhicules ou en combinant les deux précédentes méthodes. Le principe de la voiture suiveuse est simple : une voiture, qui est équipée d’instruments de mesure, suit un véhicule choisi au hasard et imite les comportements de conduite du véhicule, tout en collectant les données de vitesses. De nombreuses études effectuées un peu partout sur la planète portant sur le développement de cycles de conduite pour les véhicules conventionnels sont basées sur des données recueillies à l’aide de la technique de la voiture suiveuse. Les cycles de conduite d’Édimbourg en Écosse (Esteves-Booth, Muneer, Kirby, Kubie, & Hunter, 2001), de Pune en Inde (Kamble, Mathew, & Sharma, 2009) et de Sydney, de Melbourne et de Perth en Australie (Hung et al., 2007) en sont quelques exemples. Le principal avantage de la technique de la voiture suiveuse est le caractère aléatoire du choix du véhicule et de la possibilité de récolter des données provenant d’un nombre élevé de véhicules (Nouri, 2016).

Avec l’arrivée de nouvelles technologies, la méthode de la voiture suiveuse a un peu été mise de côté pour laisser place à la collecte de données à l’aide de systèmes embarqués. Les véhicules étudiés peuvent être équipés d’instruments de mesure qui permettent de fournir des renseignements sur leur positionnement en temps réel, comme les GPS, à partir desquels il est possible de calculer la vitesse et l’accélération du véhicule. D’autres équipements, comme le BUS de données CAN (système de transmission de données très répandu) et le on-board diagnostic reader (OBD II), permettent de recueillir des données sur la vitesse du véhicule, la vitesse du moteur, la température ambiante dans le véhicule et le chargement du moteur. Ces appareils de collecte de données fournissent des données plus précises, mais sont plus dispendieux et moins accessibles. Cette méthode est fortement utilisée lors du développement de cycles de conduite pour les voitures électriques puisque les systèmes embarqués peuvent enregistrer les données d’état de chargement de la batterie, permettant ainsi d’étudier la consommation énergétique des véhicules électriques en temps réel. Plusieurs pays et/ou villes ont effectué des études sur la consommation énergétique des véhicules électriques qui sont basées sur des cycles de conduite développés à partir de données provenant de systèmes embarqués : à Bruxelles (De Cauwer, Van Mierlo, & Coosemans, 2015), en

Californie (Wu, Freese, Cabrera, & Kitch, 2015), en Irlande (Brady & O’Mahony, 2016) et à Florence (Berzi et al., 2016).

Il est préférable d’utiliser les systèmes embarqués pour la collecte de données puisque la méthode de la voiture suiveuse ne fournit pas de détails sur le déplacement total effectué et les systèmes embarqués permettent aussi de récolter des données en continu sur une très longue période de temps et de façon plus précise. Il y a par contre un désavantage avec cette méthode : les données recueillies peuvent être biaisées par un changement dans le comportement de conduite du chauffeur puisque ce dernier sait qu’il est étudié. Il est possible de trouver dans la littérature des cycles de conduite basés sur des données provenant des deux méthodes afin de tirer profit des différents avantages de chacune (Hung et al., 2007).

Une fois les données collectées, il faut les diviser en micro-segments (étape 2). La définition de base d’un micro-segment est la suivante (traduit de l’anglais) : une séquence d’un profil de vitesse entre deux arrêts successifs (Nouri & Morency, 2017). Les déplacements sont donc représentés par une succession de micro-segments. Lorsque la définition du micro-segment n’est pas spécifiée dans la littérature, la définition de base est considérée. Cependant, les micro-segments peuvent aussi représenter les séquences d’un profil de vitesse divisé en intervalles de temps ou de distance homogènes, entre deux intersections signalisées, entre des intervalles de vitesse fixes, etc. Pegah Nouri a comparé les six méthodes suivantes de génération des micro-segments dans le contexte montréalais, pour conclure que la division en intervalles fixes de 250 mètres est la méthode de segmentation qui présente les cycles de conduite les plus représentatifs (traduction de l’anglais) (Nouri, 2016):

1- La séquence entre deux arrêts : le micro-segment est la section du profil de vitesse entre deux arrêts. Il débute avec un temps d’arrêt, il est suivi par une période de conduite et il se termine dès qu’un autre arrêt est effectué.

2- Intervalles fixes de temps (trois durées différentes) : le temps fixé définit les micro- segments. Trois intervalles de temps ont été évalués : 20, 40 et 60 secondes.

3- Distance fixe (cinq distances différentes) : les données ont été divisées en micro-segments de 50, 100, 250, 500 et 1000 mètres.

4- Intersections : un nouveau micro-segment commence dès qu’un véhicule arrive à une intersection signalisée.

5- Intervalles fixes de vitesse : des gammes de vitesses fixes ont été identifiées. Chaque fois qu’une vitesse est hors des limites de la gamme dans laquelle elle se trouve, un nouveau micro-segment commence. Dans l’étude, les classes de gammes de vitesses sont 0, ]0, 20], ]20, 40], ]40, 60] and ]60 et plus, en km/h.

6- Segmentation basée sur les évènements d’accélération: les micro-segments sont définis en utilisant une méthode de segmentation sur l’accélération. Dans un premier temps, deux approches de segmentation ont été utilisés sur l’accélération instantanée : l’algorithme d’estimation de vraisemblance maximale et la méthode des K-moyennes.

Ensuite, il faut classifier les micro-segments en utilisant une méthode de segmentation basée sur la similarité entre différents facteurs, comme la vitesse moyenne, l’accélération moyenne ou la proportion du temps d’arrêt d’un déplacement complet (étape 3). Entre temps, il faut identifier quelques critères qui deviendront les critères de sélection (étape 4), afin de sélectionner le cycle de conduite le plus représentatif de la base de données utilisée (nombre d’accélérations, de décélérations, d’arrêts, etc.). Les étapes 3 et 4 sont interchangeables.

Finalement, le développement des cycles de conduite (étape 5) peut débuter à l’aide de l’une des deux méthodes suivantes : la méthode stochastique ou le processus des chaînes de Markov. Les cycles de conduite sont construits en ajoutant un à un les micro-segments jusqu’à ce que la durée préalablement déterminée soit atteinte. Un nombre de cycles de conduite égal au nombre de déplacements présents dans la base de données est généré et la comparaison des critères présélectionnés calculés pour chacun des cycles de conduite obtenus individuellement et ceux obtenus à partir de la base de données complète permet de sélectionner le meilleur cycle de conduite. Pour la méthode stochastique, les micro-segments sont ajoutés un à un de façon aléatoire à partir des classes obtenues lors de l’étape de classification. Le seul critère à respecter est l’égalité de la proportion des classes par rapport à la proportion des classes de la base de données initiale. Le processus des chaînes de Markov s’appuie plutôt sur la probabilité que certains évènements surviennent en succession. Une matrice de transition est ainsi construite et c’est à partir de cette matrice que les cycles de conduite sont développés.