Notre objectif vise à reproduire un trafic routier émergent à partir d’un dispositif de quantification issu des capteurs fixes placés en milieu urbain. La démarche que nous envisageons est exploratoire et se fonde sur une approche abductive en positionnant les données au premier plan de la démarche, sans partir de la théorie (cf. figure 1.7, p. 39), mais en s’entourant plutôt de la richesse du dispositif de quantification qui a été construit. Dans un chapitre d’ouvrage, Pierre Livet, 2006 (pp. 194–195) liste huit conditions qui justifient l’usage de la simulation multi-agents. Nous retiendrons plus particulièrement la septième condition qui correspond à notre positionnement, non seulement abductif mais aussi guidé par les données : « lorsque l’on n’a pas de
théorie du domaine, que l’on connait certaines des formes des phénomènes réels, mais pas toutes, et que par ailleurs, on a des scénarios typiques de comportement des éléments qui interagissent, et que l’on dispose de processus qui ont des similarités avec ces types de comportement ». Dans cette condition, l’usage des SMA pour notre travail
devrait permettre de retrouver les formes des phénomènes réels et observés (le trafic routier) par un aller-retour avec les données d’observation (les comptages routiers) pour alimenter, puis valider notre démarche.
La géosimulation : des approches de simulation de l’espace géographique
5.2.1.
Nous l’avons vu précédemment, la simulation se distingue du modèle dans le sens où elle utilise « des relations moins profondes et moins structurelles que le modèle, mais elle se rapproche plus de la réalité que
lui » (Lévy et Lussault, 2003, p. 926). De plus, Itzhak Benenson et Paul Torrens (2004), qui sont à
l’origine du terme de géosimulation, relèvent que celle-ci se distingue des autres approches de simulation en mettant l’accent sur les dimensions spatiale et géographique des objets. Sur son site internet, Paul Torrens91 met en avant quatre aspects faisant la spécificité des approches de
géosimulation vis-à-vis d’autres simulations :
- La représentation des unités spatiales à un niveau totalement désagrégé, mettant l’accent sur les entités élémentaires de l’espace comme par exemple les individus, les ménages, ou les véhicules. Dans ce sens, la géosimulation est une approche objet-
centrée, en se concentrant sur la représentation et le comportement des objets en
interaction avec les autres (Benenson et Torrens, 2004).
- La représentation des relations spatiales, en se concentrant sur les interactions entre les entités élémentaires du système étudié selon un principe bottom-up (partant du bas). Cette composante fait directement référence à la théorie de la complexité que nous avons abordée dans les grandes lignes précédemment (cf. section 1.1.1.b, p. 26).
- Le traitement du temps en géosimulation offre l’occasion de construire une simulation à des échelles de temps approchant un temps réel. À cet effet, elle ouvre la porte à une approche spatio-temporelle plus explicite que, par exemple, les outils de géovisualisation qui se fondent plutôt sur une représentation en snapshot ou que par l’intermédiaire d’une représentation composite (Klein, 2007 ; Thévenin, 2011).
- Les objectifs de la géosimulation, dont la portée n’est pas uniquement à vocation prédictive ; les approches de géosimulation ont tendance à être « des outils pour penser avec », plutôt conçus dans l’optique d’explorer différents scénarios des systèmes à étudier.
La géosimulation se définit comme une démarche de simulation du monde réel désignant « un
ensemble de concepts, méthodes et techniques, qui combinent les apports de l’intelligence artificielle et des sciences de
l’information géographique, pour simuler la dynamique des systèmes spatiaux »92. Plus généralement, on
pourrait alors situer la géosimulation à l’intersection de trois courants de pensée (Benenson et Torrens, 2004), que l’on peut relier aux éléments de la géocomputation présentés plus haut :
- la science de l’information géographique, par une prise en compte explicite de la dimension spatiale en vue d’initialiser, construire, calibrer et valider l’approche de géosimulation93.
- la science informatique, par l’intégration de mécanismes de mémorisation, d’apprentissage, et d’évolution permettant de faire ainsi évoluer une entité au sein d’un système numérique94.
- la théorie des systèmes complexes fournit un cadre de réflexion pour étudier les interactions qui se produisent à l’échelle locale. Les interactions sont d’ordre hiérarchique, organisant les entités les plus élémentaires en vue d’étudier et de comprendre les phénomènes émergeant à des échelles plus globales.
Enfin, les méthodes de géosimulation ont connu les développements les plus significatifs au sein de la recherche urbaine (Benenson et Torrens, 2004). Les auteurs défendent l’idée que la géosimulation constitue actuellement une nouvelle vague, voire un nouveau courant, pour l’étude des systèmes urbains. Il est vrai que les méthodes de géosimulation couvrent de multiples cadres d’études, que ce soit pour l’occupation du sol (Antoni, 2006), l’extension urbaine (Batty, 2007), les réseaux de villes (Pumain, 2014b), les mobilités quotidiennes (Banos et al., 2010) ou les mobilités résidentielles (Badariotti et Weber, 2002 ; Hirtzel, 2015)… Pour l’ensemble de ces travaux, l’approche spatio-temporelle constitue un prérequis important pour en étudier les dynamiques urbaines. Néanmoins, la dynamique inhérente aux approches de géosimulation ne constitue pas le seul avantage de la géosimulation. Paul Torrens (2000) identifie cinq atouts de la géosimulation pour l’étude des systèmes urbains par rapport aux approches classiques de modélisation urbaine. Ces cinq points expliquent en grande partie le succès de ses nombreuses applications sur le milieu urbain :
- Le niveau de détail : la géosimulation est désagrégée, permettant de simuler les interactions entre les individus et avec les éléments de l’espace urbain.
- La dynamique : la géosimulation est intrinsèquement dynamique, permettant d’établir des simulations en « temps réel ».
- La construction : les algorithmes mobilisés peuvent être obtenus directement à partir des idées théoriques, permettant de comprendre le fonctionnement urbain.
- La formalisation : si elle est toujours complexe dans sa construction, la formalisation des modèles apparait plus intuitive que la plupart des techniques traditionnelles.
- L’interface graphique : les environnements sont pour la plupart du temps visuels et interactifs permettant de faciliter l’interprétation du modèle.
92 Lena Sander : définition « Géosimulation » : http://www.hypergeo.eu/spip. php?article311.
93 Les bases de données issues des logiciels de SIG fournissent des informations sur les entités et les objets, qui, une
fois couplées à la géosimulation, offrent un cadre contextuel pour reproduire le monde virtuel.
94 Ces mécanismes reposent en partie sur les fonctionnalités des automates et/ou objets, ainsi que sur les
Du côté opérationnel, comme illustré au sein de la figure ci-dessous, deux approches de géosimulation sont mises en avant (Benenson et Torrens, 2004 ; Batty, 2007) : la simulation multi-agents (SMA) et les automates cellulaires (AC). Que ce soit pour les SMA ou les AC, la démarche de géosimulation est considérée comme générative (Epstein, 1999). Il est alors important de relever que ces deux approches présentent de nombreuses similitudes (Batty, 2007), comme le montre, par exemple, les travaux de Dominique Badariotti et de Christiane Weber (2002) sur la mobilité résidentielle à Bogota
Figure 2.11 : Processus d’organisation et d’observation de deux approches de géosimulation : le système multi-agents (à droite) et l’automate cellulaire (à gauche)
(d’après Daudé, 2004 et Torrens, 2010)
Comme illustré en figure 2.11, la géosimulation vise, à partir d’un processus ascendant (aux niveaux les plus fins), à identifier et analyser des situations à des échelles globales. À notre sens, l’hypothèse commune des deux approches se situe au niveau de cet aller-retour (Daudé, 2004, p. 5) : « en se situant au niveau des entités élémentaires […] on postule ainsi que la répétition de processus plus ou
moins élaborés au niveau individuel a une incidence sur le devenir de la diffusion à un niveau global, à la fois dans le taux de propagation, leur distribution spatiale et la vitesse de diffusion ». Elles se définissent comme des
modèles individu-centrés dont les particularités se fondent sur trois caractéristiques (Benenson et Torrens, 2004) : la représentation des objets ; le comportement des objets ; la durée
(temporalité) des objets.
Automate Cellulaire (AC) ou Simulation Multi-Agents (SMA) pour le trafic
5.2.2.
routier ?
Les AC traduisent le monde virtuel sous la forme d’une grille régulière, où les objets constituent les différentes cellules de cette grille. La prise en compte du temps se fait par l’intermédiaire de processus de changement et d’évolution d’état des cellules en fonction de l’état des autres cellules qui lui sont adjacentes. La dynamique est alors approchée par la transition de variations locales de proche en proche à l’issue de chaque cycle de simulation (Batty, 2007). Elle constitue aussi une des limites des AC en ne pouvant intégrer des objets mobiles à proprement dit. Nous illustrons ces propos à travers les modèles de trafic routier. En effet, comme illustré en figure 2.12, en
fonction de l’approche de géosimulation choisie, l’espace va être formalisé soit sous la forme d’un espace discontinu, soit sous la forme d’un espace continu (Krajzewicz et al., 2002) :
Figure 2.12 : La représentation d’une infrastructure routière sous la forme d’une espace discontinu (en haut) et d’un espace continu (en bas) pour le déplacement d’un véhicule
(Source : d’après Krajzewicz et al., 2002, p. 1)
Typiquement, l’approche par AC permet de formaliser l’infrastructure routière sous la forme d’un ensemble de cellules ; dans ce sens, les objets mobiles ne peuvent y être explicitement intégrés. En effet, au sein des AC, les véhicules se déplacent discrètement cellule après cellule, c’est pourquoi on parlera plutôt d’espace discontinu. Inversement, les SMA offrent l’avantage de se construire sous la forme d’un espace continu où le déplacement des véhicules et leur position évoluent tout au long de la route. Il faut noter que les deux formalismes présentent leurs avantages et inconvénients selon l’échelle de travail choisie. Ainsi, dans une perspective macroscopique ou mésoscopique, on privilégiera une représentation des véhicules dans un espace discontinu ; alors que dans une perspective microscopique, la représentation d’un espace continu apparait plus adéquate. Dans cette acception, la mise en place d’une approche par les SMA constitue, à notre sens, une bonne réponse pour reproduire la circulation routière en milieu urbain sous une forme continue. Les SMA présentent l’avantage de représenter le trafic routier sous sa forme la plus élémentaire : le véhicule en déplacement sur une infrastructure de transport. C’est pourquoi les SMA contribuent à combler les lacunes des AC pour la simulation du trafic routier à une échelle microscopique (cf. figure 2.12). Les modèles multi-agents ou simulations multi-agents (SMA) constituent le dernier développement des approches de simulation identifiées en sciences humaines (cf. figure 2.2, p. 131), et connaissent un véritable succès dans notre discipline (Amblard et Phan, 2006). Certains auteurs voient dans les SMA une véritable alternative à la modélisation (Benenson et Torrens, 2004 ; Ferber, 2006 ; Marilleau, 2006 ; Torrens, 2010 ; Bouquet et al., 2015 ; Torrens, 2015). Pour justifier ces propos, Jacques Ferber (2006) voit dans les SMA plus qu’une technique de modélisation (p. 27) : « l’utilisateur d’un SMA
réalise un modèle en deux temps : dans un premier temps il réalise un laboratoire virtuel qui reprend en miniature les caractéristiques du domaine empirique objet de la simulation, ou "système-cible" ; dans un deuxième temps, il pratique des expérimentations, déplaçant des individus, changeant leur comportement, modifiant les conditions environnementales. De ce fait, son modèle, sa vision du système cible, s’élabore au fur et à mesure. Elle n’est pas issue d’une abstraction d’un monde réel, mais d’une reconstruction, d’une recréation d’un monde artificiel. Il élabore des hypothèses et peut les tester in vitro en utilisant les mêmes types d’observation que dans le monde réel […] Ainsi, à la différence des approches classiques, une SMA n’est pas une boite noire, et la SMA ne se réduit pas à l’implémentation d’un modèle et à l’analyse de sa réponse en fonction de paramètres d’entrée, mais participe au
processus de recherche de modèles ». Par conséquent, s’inscrire dans ce courant et considérer les SMA
comme un outil de modélisation en géographie, c’est aussi s’inscrire dans un cadre de pensée, voire un « paradigme agent » qui est « avant tout plus une manière de penser qu’une technique d’implémentation
[…]. Il organise simplement notre réflexion par analogie avec le monde qui nous entoure » (Bouquet et al.,
2015, p. 18). Les SMA se fondent sur une structuration plus complexe que les AC en permettant de représenter différents types d’agents (ménages, individus, véhicules, piétons…) au sein d’un environnement réel ou virtuel. Michael Batty (2007, p. 209) définit l’agent comme étant « une
"cellule mobile" située par rapport aux cellules mais qui peut se déplacer entre les cellules ». Toutefois, cette
définition ne montre que la complémentarité des SMA avec les AC et apparait relativement restreinte. Nous retiendrons plutôt la définition apportée par Jacques Ferber (2006, p. 24) : « on
appelle "agent" une entité informatique (un processus) située dans un environnement, plongée dans une structure sociale, qui est capable de : 1. agir dans son environnement ; 2. percevoir et partiellement se représenter son environnement (et les autres) ; 3. communiquer directement ou indirectement avec d’autres agents ; 4. mue par des tendances internes (buts, recherche de satisfaction, drives, utilité) ; 6. se conserver et se reproduire ; et qui représente un comportement autonome qui est la conséquence de ses perceptions, de ses représentations et de ses communications ».
Un pas nécessaire vers la simulation multi-agents pour la mise en
5.2.3.
mouvement des dynamiques intraurbaines ?
La dynamique des SMA diffère de celle des AC en se fondant autant sur une interaction entre les agents (agents-agents) qu’avec l’environnement (agent-environnement). L’agent est un mobile capable de transformer sa position et son orientation au cours du temps sans en modifier sa forme sur la base de ces deux types d’interactions. Ainsi, les SMA apparaissent mieux répondre aux thématiques liées à la mobilité géographique et aux dynamiques intraurbaines (Marilleau, 2006, p. 33) : « Les systèmes multi-agents renferment toutes les qualités requises pour la simulation de la mobilité
géographique. Ils offrent la possibilité de décrire l'individu dans son unicité et de le mettre en compétition avec d'autres agents sur un même environnement représentatif d'un territoire réel. Ainsi, l'observation du comportement de chaque mobile, comme celui de la population toute entière est possible. Sur ce point, les approches agents surpassent allègrement les méthodes analytiques traditionnelles qui se limitent à une étude macroscopique de la mobilité ».
Bernard Moulin et Walid Ali (2008) présentent la SMA en géographie comme le couplage de deux technologies : 1. la simulation à base d’agents, permettant de représenter les entités au sein d’un environnement virtuel ; et 2. les SIG, permettant d’introduire les différentes caractéristiques des données au sein du simulateur multi-agents. Ce couplage met l’accent sur la notion d’agent
géographique, avant tout perçu comme un objet doté de différentes caractéristiques (Daudé et
Langlois, 2006) :
- une emprise spatiale, qui est l’identité de l’objet permettant d’en délimiter ses contours (extérieurs et intérieurs)
- une description matérielle, qui est soit une description élémentaire (taille, forme,…) si sa forme est finale ; soit une description « non-terminale » si l’objet est composé de sous- ensembles (groupes/individus)
- des liens avec son environnement, qui indiquent que l’agent est dépendant des objets qui lui sont proches spatialement (contraintes), ou de façon descriptive (même groupe
d’objets)
- un comportement, qui permet de décrire la capacité de l’objet à faire un choix parmi d’autres choix en fonction de son emprise spatiale, de sa description et de ses liens avec l’environnement.
La constitution d’une approche objet-centrée nécessite non seulement d’identifier les objets à simuler, mais aussi de constituer un corpus de données spatio-temporelles permettant d’alimenter le modèle de simulation. Deux éléments apparaissent déterminants pour la géosimulation multi- agents : d’une part, l’environnement géographique permettant de construire le monde virtuel, et d’autre part, les agents géographiques qui vont s’insérer au sein de cet environnement en fonction des données disponibles. L’environnement géographique correspond à « un support géométrique (donnant
à la fois sa forme, et sa localisation dans l’espace), auquel on associe une description matérielle et un identifiant »
(Langlois, 2006, p. 365). L’utilisation des SIG pour construire l’environnement géographique correspond à une formalisation numérique du territoire réel ou virtuel (la ville, les bâtiments, les routes, les lieux d’activités…). En mobilisant les outils de la géomatique, la constitution de l’environnement n’apparait pas complexe, d’autant plus qu’il existe un grand nombre de bases de données permettant de formaliser l’espace géométriquement. On peut, par exemple, citer les bases de données produites par l’IGN, comme la BD TOPO95 qui est une base de données de
référence pour les problématiques liées à l’aménagement, l’environnement ou l’urbanisme. Cette base de données 3D permet d’obtenir une photographie relativement fidèle du territoire sous une forme vectorielle et à une résolution spatiale très fine (de 50 à 500 mètres de résolution). Cette formalisation de l’environnement s’opère par des couches possédant chacune des propriétés particulières décrivant sa topologie, ainsi que ses caractéristiques (Langlois, 2006).
Construite à partir des SIG, la constitution de l’environnement géographique ne comporte aucune évolution (Langlois, 2006 ; Marilleau, 2006) : c’est un invariant du système multi-agents ; a
contrario, la dynamique est plutôt portée par l’agent géographique, qui est perçu comme une entité
génératrice (Epstein, 1999) de la dynamique. Il est donc nécessaire de construire des objets mobiles qui se déplacent selon différentes contraintes (Langlois, 2006), soit contenues par l’espace (une maille, un pixel, un élément du réseau), ou associées à la forme des objets (impact et/ou rencontre) ou alors liées à la description attributaire de l’environnement (vitesse de déplacement, accessibilité). Mobilisant aussi les SIG, la constitution de cette information en amont doit être individuelle ; or il apparait évident que les données ne sont que rarement exhaustives, de même qu’elles ne sont ni continues dans l’espace, ni dans le temps. Dans ce sens, la solution la plus habituellement utilisée est de faire appel aux populations synthétiques, permettant de créer une population d’individus virtuels (agents) qui se rapproche au plus près des caractéristiques des populations initiales (Balmer et al., 2004 ; Banos et al., 2010).
Si la géographie s’intéresse à la SMA depuis quelques années, c’est aussi parce qu’elles partagent un langage commun. La notion d’objet/agents que nous avons citée à plusieurs reprises dans les sections précédentes apparait être un concept central de l’approche de modélisation géographique (Daudé et Langlois, 2006). Par essence, l’intérêt porté aux approches spatiales, dont la géographie est partie prenante, s’allie de plus en plus avec le besoin de comprendre les mécanismes générateurs de l’espace géographique. Ainsi, le temps est aussi un domaine d’exploration, dont le
géographe peut aujourd’hui se saisir plus aisément pour l’étude des dynamiques intraurbaines par l’intermédiaire des différents outils de la géocomputation.
Les approches agents en géographie se fondent sur trois dimensions (Torrens, 2015) : les deux premières concernent l’espace (x,y) alors que la troisième complexifie la structuration du modèle de simulation pour prendre en compte le temps. Pour Paul Torrens (2015), l’intérêt à porter à cette troisième dimension nécessite de se focaliser sur la qualification des objets, sur les informations géographiques disponibles, ainsi que sur le sens donné aux lieux et à l’espace. Cette troisième dimension implique aussi de s’arrêter sur les interactions entre les différents éléments du système mis en place (cf. section 6.2.2, p. 196).