Représentativité des flux

Une autre question d’importance face à ce type d’étude se pose: la représentativité des données extraites de ces types d’analyse.

Dans le cas de l’étude Part-Dieu, il est intéressant de savoir quel est le type de population enquêtée. Aujourd’hui en France, 46% de la population âgée de 12 ans et plus possèdent un smartphone et 80% de ceux-ci l’utilisent pour naviguer sur internet selon R. Bigot et al (2014). Cela représente donc 37% de la population totale qui utilise le wifi de son téléphone. Ce sont donc en majorité des personnes jeunes (12 à 39 ans).

Le facteur niveau d’étude semble également influer sur la possession d’un smartphone. Alors que seul 16% des non diplômés en possède un, 62% des personnes ayant un diplôme supérieur sont dans ce cas.

Figure 27: Taux d'équipement en smartphone en fonction de l'âge et du diplôme; Source: la diffusion des TIC dans la société française (2014)

Cet échantillon n’est pas représentatif de la population totale d’une gare. Un rapport sur la fréquentation des gares d’Ile de France (Omnil, 2015) indique que l’âge moyen sur le réseau TER, TAGV et IC est de 41 ans et qu’un tiers des personnes fréquentant ce réseau sont des cadres. En supposant que la fréquentation de ce réseau en IDF est proche de celle de RA, on peut en déduire que la population utilisant du wifi depuis un smartphone n’est pas représentative de la population utilisant la gare en particulier en ce qui concerne l’âge.

Par ailleurs, pour qu’une personne soit comptabilisée dans l’enquête, il ne suffit pas que la personne utilise internet sur son smart phone. En effet, il faut qu’elle laisse activé son wifi (ou son Bluetooth) en gare.

Ce type de chiffre n’est pas connu pour la gare de Lyon Part-Dieu mais la littérature permet d’avoir quelques données de référence pour des pays européens assez proches de la France.

Le cas du Bluetooth

Le Bluetooth étant apparu avant le wifi sur les téléphones portables, de nombreuses études se sont penchées sur la question et donne un taux de présence dans la population compris entre 5 et 10% : 7-8% pour O’Neill (2006), 5-7% pour R. Jose et al (2008), 8-9 % pour F. Naini et al (2011), 5-10% pour Voskamp (2012) et 11% pour Versichele et al (2012). Ce taux a tendance à augmenter au fil des années, ce qui peut être dû au développement d’appareils connectés par Bluetooth comme les

oreillettes ou des casques. On remarque que, dans l’étude de Voskamp qui est réalisée dans une gare, le taux est plus bas que dans l’étude de Versichele et al qui a été effectuée dans un festival. Dans ce deuxième cas, la population étant plus jeune, le taux d’appareil émettant du wifi sera logiquement plus haut.

Le cas du wifi

Les études sur le wifi sont moins nombreuses mais présentent souvent une représentativité plus importante de la population. Dans l’étude de Ton (2014) évoquée précédemment, on apprend que dans la gare d’Utrecht (Pays-Bas), l’utilisation des technologies wifi et Bluetooth est très inégale : 91,5% pour le wifi contre 8,5% pour le Bluetooth. Par cette méthode d’enquête, la représentativité dans cette gare est estimée à 26%. Lors de l’étude, des capteurs infrarouges étaient situés à l’entrée de la gare et comptaient toutes les entrées dans la gare. En connaissant le nombre de départ par jour, il était possible de déterminer le taux de personnes qui quittaient la gare par train. Ce taux était aussi calculé par le biais des capteurs.

Sur le graphe ci-dessous sont représentés les pourcentages de personnes quittant la gare par train selon la méthode de comptage. En bleu clair, les pourcentages sont ceux obtenus à l’aide de comptages infrarouges à l’entrée de la gare et en bleu foncé, ceux obtenus avec les capteurs.

Figure 28: Représentation du pourcentage de personnes quittant la gare selon la méthode de comptage; Source: Ton (2014) Les valeurs absolues sont bien sûr très différentes. Mais le test de Kolmogorov-Smirnov a été utilisé afin de savoir si la répartition des départs sur la journée comptabilisée par les capteurs était comparable à celle observée sur l’ensemble de la population. Le résultat obtenu est significatif pour un intervalle de confiance de 95%. La représentativité de la population en terme de départ est donc atteinte dans cette étude.

Une représentativité dépendante des objectifs et de la population enquêtée

Finalement, la représentativité d’une étude menée par le biais d’objets connectés est dépendante avant tout de son objectif et souvent de la population enquêtée ainsi que de son utilisation des NTIC. L’utilisation de ces données doit donc être faite de manière prudente.

Dans le cas de la gare Part-Dieu où le but de l’étude est d’estimer le temps d’évacuation des quais, la représentativité du flux a assez peu d’importance. Au contraire, la population plus âgée sera moins enquêtée mais risque par ailleurs de mettre un temps plus important que la moyenne à évacuer un

quai du fait de sa condition physique et non du fait de l’organisation de la gare. La surreprésentation de population jeune ne sera donc pas un problème dans ce cas précis.

L’entreprise espère pouvoir développer ses capteurs dans des centres commerciaux. Le type d’information attendue par ce type de structure est le temps passé par les clients dans les magasins ou sur les espaces de détente. La répartition sociologique de la population risque plus fortement d’influer sur ces résultats et d’être un facteur intéressant à étudier. Il sera donc important de prévoir une analyse plus poussée en terme de représentativité des flux.

Dans le cadre de l’utilisation de données communiquées directement par l’utilisateur comme c’est le cas dans le projet Mobi-lise présenté dans la partie précédente, la question de la représentativité est également à réfléchir. L’argument mis en avant pour attirer des utilisateurs est la conscience citoyenne, la volonté d’aider la ville à mieux comprendre les problématiques de déplacements. Il est donc probable que cette application n’intéresse pas tout le monde et que la représentativité ne soit donc pas optimale.

Conclusion

De nombreuses technologies se développent actuellement pour faciliter l’accès aux données de déplacements des piétons. Le développement rapide des smartphones et des objets connectés permet d’envisager des enquêtes de grande envergure à l’aide des données émises par ces objets. Ceux-ci permettent en effet d’attribuer un identifiant unique à chaque piéton, ce qui était jusque-là impossible.

L’exemple de la gare Part-Dieu présenté dans ce document permet d’envisager les différents freins techniques auxquels la technologie peut se heurter. D’une part, faire l’assimilation entre un signal reçu par un capteur et sa position (qui serait celle du capteur) n’est possible que sur les études à l’échelle minimale d’un quartier (plusieurs rues). D’autre part, un environnement changeant tel qu’une gare rend difficile l’étude des signaux émis par les téléphones et cela nécessite encore quelques recherches.

Au travers des différentes techniques expérimentées actuellement dans le monde, il est possible de préciser quelles sont les possibilités de cette technologie et quels sont les environnements qui se prêtent à ce type d’étude. Les lieux concentrant des flux piétons importants comme les infrastructures de transport, les festivals ou les centres commerciaux sont les premières cibles. Ces flux étant difficile à étudier d’une autre manière, de nombreuses expériences ont été menées dans ces lieux. Les résultats semblent encourageants et ont permis d’estimer de façon satisfaisante la population présente dans un festival ou dans une gare.

Certaines limites sont à garder à l’esprit. Tout d’abord, l’utilisation des données émises par des téléphones personnels est très règlementée en France et doit s’accompagner de certaines précautions. D’autre part, selon les publics visés par ces enquêtes, la représentativité des données est à étudier plus ou moins finement. Il existe en effet une surreprésentation de certaines classes d’âges et de certains niveaux d’étude. Selon le but de l’enquête et le public enquêté, cela peut avoir de l’importance ou non : lors d’un festival à destination des jeunes adultes, le pourcentage de possesseurs de smartphone sera très élevé, la représentativité des résultats sera donc meilleure que pour un public plus diversifié.

Avec les évolutions technologiques très rapides dans le domaine, il est difficile de prévoir ce qui se passera dans les prochaines années. Cette technique d’enquête semble prometteuse et va sans doute se développer en France. D’autres applications sont à envisager au-delà des enquêtes de déplacement piéton. Une mise en place dans le cadre d’enquête Origine-Destination a déjà été réalisée dès 2008 par Kostakos sur un réseau de bus et a permis d’obtenir des résultats intéressants. C’est une piste à envisager pour permettre aux exploitants une bonne connaissance de leur réseau et ce à toute époque de l’année, ce qui sera impossible à réaliser par le biais d’enquêtes classiques.

Bibliographie

P. Alvarez & A. Leeson (2015), « Big data helps pedestrian planning take a big step forward », Transportation Professional April, 26-27.

R. Bigot, P. Croutte, E. Daudey (2013); « La diffusion des technologies de l’information et de la communication dans la société française » ; Crédoc.

R. Bigot, P. Croutte (2014); « La diffusion des technologies de l’information et de la communication dans la société française » ; Crédoc.

S. Çolak, L. Alexander, B. Alvim, S. Mehndiretta, M. González (2014), « Analyzing cell phone location data for urban travel: current methods, limitations and opportunities », Massachusetts Institute of Technology.

W. Daamen, J. van den Heuvel, D. Ton et S. Hoogendoorn (2015), « Using Bluetooth and WiFi to unravel real-world slow mode activity travel behaviour », TU Delft.

A. Danalet, B. Farooq, M. Bierlaire (2013), « Towards an activity-based model for pedestrian facilities », EPFL.

R. Jose, N. Otero, S. Izadi, and R. Harper, « Instant places: Using bluetooth for situated interaction in public displays » Pervasive Computing, IEEE, vol. 7, no. 4, pp. 52–57, 2008.

V. Kostakos (2008), « Using Bluetooth to capture passenger trips on public transport buses », University of Madeira

F. Naini, O. Dousse, P. Thiran et _{Martin Vetterli (2011), « Population Size Estimation Using a Few}

Individuals as Agents », EPFL.

E. O'neill, V. Kostakos, T. Kindberg, A. Fatah, A. Penn, D. Fraser, et al. (2006). «Instrumenting the city: developing methods for observing and understanding the digital cityscape». Bartlett School.

A. Sevtsuk, S. Huang, F. Calabrese and C. Ratti (2009); « Mapping the MIT Campus in Real Time Using WiFi »; Massachusetts Institute of Technology, USA.

D. Ton (2014), « Navistation. A study into the route and activity location choice behavior of departing pedestrians in train stations. », Master's thesis, Delft University of Technology.

M. Versichele, T. Neutens, M. Delafontaine & N. Van de Weghe (2012), « The use of Bluetooth for analysing spatiotemporal dynamics of human movement at mass events: A case study of the Ghent Festivities », Applied Geography 32(2), 208--220.

A. Voskamp (2012), «Measuring the influence of congested bottlenecks on route choice behavior of pedestrians at Utrecht Centraal», Master's thesis, Delft University of Technology.

Sources électroniques:

Adresse MAC [en ligne]; https://fr.wikipedia.org/wiki/Adresse_MAC; consulté le 10 août 2015 Adresse MAC [en ligne], http://assiste.com.free.fr/p/abc/a/mac_address_adresse_mac.html, consulté le 20 août 2015.

Capture-Marquage-Recapture [en ligne], https://fr.wikipedia.org/wiki/Capture-marquage-recapture, consulté le 15 août 2015.

Equation des télécommunications [en ligne],

https://fr.wikipedia.org/wiki/%C3%89quation_des_t%C3%A9l%C3%A9communications, consulté le 7

août.

Free-space Path Loss [en ligne], https://en.wikipedia.org/wiki/Free-space_path_loss, consulté le 6 août 2015.

Google collecte vos données WiFi ? C’est votre faute ! [en ligne],

http://www.panoptinet.com/cybersecurite-decryptee/google-collecte-vos-donnees-wifi-cest-votre-

faute/, consulté le 19 août 2015.

iBeacon : tout savoir sur le fonctionnement des Beacons [en ligne],

https://www.aruco.com/2014/08/ibeacon-infographie/, consulté le 19 août 2015.

Infos sur le GPS [en ligne], http://eu.mio.com/fr_fr/systeme-positionnement-global_4991.htm, consulté le 6 août 2015.

Internet et wi-fi en libre accès : contrôles de la CNIL [en ligne],

http://www.cil.cnrs.fr/CIL/spip.php?article2625, consulté le 19 août 2015.

La Cnil encadre le traçage des clients en magasin [en ligne], http://bfmbusiness.bfmtv.com/01-

business-forum/la-cnil-encadre-le-tracage-des-clients-en-magasin-625322.html, consulté le 20 août

2015.

Le projet de recherche Mobil-lise [en ligne], http://www.champagne- ardenne.ademe.fr/sites/default/files/files/Mediatheque/Publications/pcet-

mobi_lise_cretes_preardennaises.pdf, consulté le 18 août 2015.

Le projet Mobil-lise [en ligne], http://www.reimsmetropole.fr/les-missions/cadre-de-vie-

environnement/developpement-durable/le-projet-mobi-lise--4871.htm#c17826, consulté le 18 août

2015.

Les indicateurs clé de la performance d’un point de vente [en ligne], http://commerce.life/les-

indicateurs-cle-de-la-performance-dun-point-de-vente/, consulté le 17 août 2015.

Omnil (2015), La fréquentation des grandes gares franciliennes [en ligne],

http://www.omnil.fr/IMG/pdf/gares_connexions_web.pdf, consulté le 15 août 2015.

Orange Business Services : fuite de données, 9 500 clients concernés [en ligne],

http://www.nextinpact.com/news/93681-orange-business-services-fuite-donnees-9-500-clients-

concernes.htm, consulté le 19 août 2015.

Radius [en ligne], http://www.commentcamarche.net/contents/91-radius, consulté le 05 août 2015. Piraté, France Télévisions a été victime d'une importante fuite de données [en ligne],

http://www.lemonde.fr/pixels/article/2015/04/15/pirate-france-televisions-a-ete-victime-d-une-

Pourquoi iOS 8 masque l'adresse MAC de l'iPhone en WiFi [en ligne],

http://www.numerama.com/magazine/29621-pourquoi-ios-8-masque-l-adresse-mac-de-l-iphone-

en-wifi.html , consulté le 19 août 2015.

TamTamTop [en ligne] ; http://tamtamtop.com, consulté le 18 août 2015.

TC Group initie le comptage du trafic piéton pour les centres commerciaux [en ligne],

http://www.retail-intelligence.fr/2015/06/tc-group-initie-le-comptage-du-trafic-pieton-pour-les-

Liste des illustrations

Figure 1: Principe de fonctionnement des capteurs; Source: Explain... 7

Figure 2: Schéma de la première version du capteur; Source: Explain ... 8

Figure 3: Dernière version du capteur (juin 2015); Source: Explain... 9

Figure 4: Deux capteurs en place sur la voie CD lors de l'arrivée d'un train; Source: Explain ... 12

Figure 5: Présentation du type de donnée conservée à la suite du filtrage; Source: Explain ... 13

Figure 6: Résultat du filtrage des données sur une après-midi; Source: Explain ... 14

Figure 7: Représentation des données reçues et des trains présents à quai; Source: Explain ... 14

Figure 8: Temps de présence sur le quai des objets pour une après-midi; Source: Explain ... 15

Figure 9: Test de portée des capteurs sur le terrain (1); Source: Explain ... 16

Figure 10: Test de portée des capteurs sur le terrain (2); Source: Explain ... 17

Figure 11: Exemple e trilatération par une GPS; Source: http://eu.mio.com ... 18

Figure 12: Atténuation selon le matériau de l'obstacle, Source: http://www.liveport.com/wifi-signal- attenuation ... 19

Figure 13: Illustration d'une trajectoire construite à partir des données des enquêtes de mai; Source: Explain ... 20

Figure 14: Plan de mise en place des capteurs pour la deuxième série d'expérience; Source: Explain 21 Figure 15: Capteurs mis en place lors de la deuxième série d'enquête; Source: Explain ... 22

Figure 16: Plage de fonctionnement des capteurs sur la première semaine d'enquête; Source: Explain ... 22

Figure 17: Plage de fonctionnement des capteurs sur la troisième semaine d'enquête; Source: Explain ... 23

Figure 18: Représentation d’une trajectoire vu de dessus ... 27

Figure 19: Courbe d'atténuation du signal en fonction de la ... 28

Figure 20: Courbe d'atténuation du signal en fonction de la ... 28

Figure 21: Carte représentant le nombre d'utilisateurs du réseau du campus du MIT à différentes heures de la journée; Source: Svetsuk et al (2009) ... 32

Figure 22: Carte du réseau piéton sur le campus de l’EPFL et de la trajectoire estimée d'un piéton ; Source : Danelet et al (2013) ... 33

Figure 23: Nombre d'objets connectés détectés par chaque agent (bleu) en comparaison du temps de présence de l'agent (rose) ; Source : Naini et al (2011) ... 34

Figure 24: Logo du projet Mobi-lise; Source: http://www.reimsmetropole.fr ... 35

Figure 25: Communication sur le réseau social de Mobi-lise; Source: http://tamtamtop.com ... 35

Figure 26: Embouteillage dans la gare Part-Dieu à la suite de nombreux retards, juillet 2015; Source: http://www.focusur.fr ... 37

Figure 27: Taux d'équipement en smartphone en fonction de l'âge et du diplôme; Source: la diffusion des TIC dans la société française (2014) ... 42

Figure 28: Représentation du pourcentage de personnes quittant la gare selon la méthode de comptage; Source: Ton (2014) ... 43

Liste des tableaux

Tableau 1: Durée de fonctionnement des capteurs pendant la première semaine d'enquête; Source: Explain ... 23 Tableau 2: Durée de fonctionnement des capteurs sur la troisième semaine d'enquête; Source: Explain ... 24 Tableau 3: Nombre d'enregistrements avant et après filtrage; Source: Explain ... 25 Tableau 4: Exemple de donnée après agrégation à la seconde; Source: Explain ... 26