FIGURE5.3 – Améliorations par rapport à un scénario sans information (1.000 voyageurs)
Les résultats sont reportés dans les Figures de 5.3 à 5.7. Les courbes représentent le taux d’amélioration des temps de parcours en comparaison avec la configuration de référence. Nous reportons l’ensemble des résultats pour chacune des cinq simulations tournées par configura-tion. L’objectif de cette multiplication des simulations avec les mêmes paramètres est de vérifier que la différence de résultats selon les scénarios ne provient pas simplement des choix des ori-gines et des destinations ou des perturbations injectées, qui sont stochastiques. Rappelons que le tirage des origines et destinations des voyageurs n’est pas tout à fait aléatoire, puisqu’il dé-pend des zones origines et destinations spécifiées par le modèle de déplacement. Dans chaque courbe, nous ajoutons une courbe de tendance polynomiale associée à la moyenne, afin de faci-liter l’interprétation. Nous donnons une synthèse des résultats sous la forme d’un tableau dans la table 5.3, où nous rappelons la moyenne calculée ainsi que les écarts-types observés. Ces
écarts sont très faibles et ne remettent pas en cause la tendance des courbes comme nous pou-vons l’observer visuellement dans les figures (les courbes sont croissantes jusqu’à un certain seuil puis décroissantes).
FIGURE5.4 – Améliorations par rapport à un scénario sans information (5.000 voyageurs)
Tous les scénarios améliorent les temps de parcours par rapport au scénario sans informa-tion, avec une amélioration minimale de 0, 45% pour le scénario à 1.000 voyageurs et 0% de voyageurs connectés et une amélioration maximale de 16, 3% pour le scénario à 10.000 voya-geurs et 80% de voyavoya-geurs connectés. Ils montrent donc d’abord que le scénario de référence sans information fournit le pire temps de parcours moyen. En effet, dans ce scénario, les passa-gers ont une information pour un retard ou une panne quand ils sont déjà bloqués dans un point du réseau. En recherchant une alternative, ils vont essayer d’utiliser l’infrastructure restante en concurrence et en ayant comme nouvelle information la seule perturbation dans laquelle ils sont engagés. Ils perdent donc un temps maximal en ne contournant pas la perturbation, mais peuvent également en perdre davantage s’ils se retrouvent pris dans une autre perturbation.
FIGURE5.5 – Améliorations par rapport à un scénario sans information (10.000 voyageurs)
Le scénario 2 (avec exclusivement de l’information locale) fournit de meilleurs résultats que le scénario de référence. L’impact positif de l’information locale est du au fait que le voyageur n’a pas à atteindre la perturbation pour être informé, il a l’information dès qu’il passe par un
arrêt avec de l’information locale. Cependant, il peut toujours se diriger vers une autre pertur-bation, puisque son itinéraire est fondé sur sa vision mentale du réseau, essentiellement statique hormis l’information reçue aux arrêts.
FIGURE5.6 – Améliorations par rapport à un scénario sans information (20.000 voyageurs)
FIGURE5.7 – Améliorations par rapport à un scénario sans information (30.000 voyageurs)
L’intégration d’un certain pourcentage de voyageurs connectés améliore les temps de par-cours moyens jusqu’à un pourcentage de 50% de voyageurs connectés pour les scénarios à 5.000, 20.000 et 30.000 voyageurs et jusqu’à 80% pour les scénarios à 1.000 et 10.000 voya-geurs. Cette fois, le parcours d’un voyageur est calculé en se fondant sur l’état réel du réseau, et les passagers évitent les zones perturbées très tôt. Le passager n’a pas à passer par un arrêt avec de l’information locale diffusée, il reçoit une notification et un nouveau plan immédiatement.
Cependant, cette amélioration plafonne au taux d’équipement de 50% pour certains scéna-rios et à 80% de voyageurs connectés pour d’autres, avant que les résultats deviennent unanime-ment moins bons dans le scénarios à 100% de voyageurs connectés. Dans les scénarios avec une grande majorité de voyageurs connectés, les voyageurs concernés par une perturbation reçoivent de nouveaux plans mis à jour générés simultanément. La conséquence est que les voyageurs, en appliquant leurs nouveaux plans, se retrouvent devant des contraintes de capacité des véhicules et voient leurs temps de parcours moyen augmenter.
1.000 voy 5.000 voy 10.000 voy 20.000 voy 30.000 voy 0% 0,45% (0,03%) 1,45% (0,1%) 7,56% (0,25%) 5,43% (0,52%) 3,44% (0,33%) 20% 3,56% (0,23%) 8,25% (0,57%) 7,97% (0,26%) 8,43% (0,8%) 10,57% (1%) 50% 5,15% (0,33%) 12,21% (0,84%) 15,64% (0,52%) 11,62% (1,1%) 14,40% (1,36%) 80% 8,99% (0,58%) 11,63% (0,8%) 16,3% (0,54%) 10,43% (0,99%) 12,35% (1,17%) 100% 4,95% (0,32%) 10,24% (0,71%) 12,99% (0,43%) 8,2% (0,79%) 8,82% (0,84%)
TABLE5.3 – Synthèse des temps de parcours
La provision d’information personnalisée en temps réel est supposée avoir un impact positif, en priorité pour les voyageurs connectés. Pour vérifier cet état de fait, nous reprenons les mêmes résultats que nous discriminons selon le type d’agent voyageur. Les résultats sont reportés dans les Figures de 5.8 à 5.12. Nous reportons ici les valeurs moyennes observées sans montrer les valeurs des simulations individuelles. En effet, la participation relative du type de voyageurs dans l’amélioration est par définition la même15.
FIGURE5.8 – Améliorations comparées des temps de parcours (voyageurs connectés vs. voya-geurs non connectés) avec 1.000 voyavoya-geurs
Chaque figure représente les améliorations de temps de parcours pour un nombre de voya-geurs concernés. La partie rouge des barres de chaque figure représente les améliorations pour les voyageurs non connectés et la partie bleue représente les améliorations pour les voyageurs connectés. Ainsi, pour les scénarios à 0% de voyageurs connectés, l’ensemble de l’améliora-tion est assurée par les voyageurs non connectés et pour les scénarios à 100% de voyageurs connectés, l’ensemble de l’amélioration est assurée par les voyageurs connectés.
15. Pour retrouver les valeurs d’amélioration moyenne des Figures 5.3 à 5.7, il suffit d’effectuer la somme des améliorations pondérée par la proportion du type de voyageurs concerné. Par exemple, le taux d’amélioration du scénario à 5.000 voyageurs, dont 20% connectés = 5, 7% ×4.0005.000 + 18, 3% ×1.0005.000 = 8, 25%
FIGURE 5.9 – Améliorations comparées des temps de parcours (voyageurs connectés vs. voya-geurs non connectés) avec 5.000 voyavoya-geurs
Les résultats montrent que l’amélioration de temps de parcours pour les voyageurs connectés suit la même tendance que les courbes dans les Figures 5.3 à 5.7, i.e. une amélioration croissante jusqu’à un seuil, puis décroissante.
Cependant, le maximum d’amélioration est atteint cette fois systématiquement à 50% de voyageurs connectés. L’excédent d’amélioration pour les scénarios à 1.000 et 10.000 voyageurs et 80% de voyageurs connectés est en fait apporté par les voyageurs non connectés.
Le taux d’amélioration pour les voyageurs non connectés est quant à lui assez stable entre les scénarios avec le même nombre de voyageurs. Ainsi, il est entre 0, 45% et 6, 8% pour 1.000 voyageurs, entre 1, 4% et 5, 7% pour 5.000 voyageurs, entre 5, 5% et 7, 6% pour 10.000 voya-geurs, entre 0, 1% et 5, 9% pour 20.000 voyavoya-geurs, et enfin entre 2, 2% et 8% pour 30.000 voyageurs. Leurs courbes ne suivent pas de tendance particulière, leur comportement n’étant pas impacté par l’augmentation du niveau d’information des autres agents.