CHAPITRE V : SIMULATIONS ET RESULTATS DES APPROCHES PROPOSEES
V.5. L ES SCENARII DE SIMULATIONS
V.5.1. Scénario 1 : Perturbation touchant une seule ligne
• 1er exemple
Description de la perturbation
On considère une perturbation qui agit sur la ligne de bus numéro 43, sens 1 à l’instant 8h45. Le véhicule numéro 10 arrive à la station numéro 7 de cette ligne avec un retard de 5 minutes.
Le flux d’arrivée des passagers aux différentes stations de la ligne 43 dans le sens considéré est montré sur la figure V.13. Les exploitants peuvent par ailleurs disposer des courbes de charges théoriques moyennes des véhicules à l’arrivée à chaque arrêt. Elles servent dans le calcul des charges perturbées et régulées par ajustement selon les retards et les décisions.
190
Figure V. 12 : Flux de voyageurs de la ligne 43 sens 1
Détermination de la zone de régulation
Après qu’on ait entré ces données dans l’interface déclaration de notre système d’aide à la régulation, le résultat du calcul de l’horizon spatio-temporel de régulation est donc mentionné dans la sortie de l’application suivante :
Figure V. 13 : Horizon spatio-temporel de régulation
On peut aussi vérifier ces résultats qui s’affichent notammaent dans l’interface horizon pour aider le régulateur à choisir la manœuvre de régulation à tester.
191
Figure V. 14 : Affichage de l'horizon de régulation
La zone de régulation obtenue en utilisant l’algorithme de détermination de l’horizon spatiotemporel comprend six véhicules et sept stations qui appartiennent tous à la ligne 43 car aucune autre ligne n’est impliquée dans cette perturbation.
Afin de mettre en évidence l’importance de l’évaluation de l’impact d’une perturbation sur le trafic d’un réseau de transport avant toute prise de décision, nous donnons ci-après la dégradation constatée en fonction du retard causé par l’incident. Cette évaluation est faite par comparaison des valeurs théoriques et perturbées de chaque critère. Pour les kilomètres commerciaux et la qualité de service, ce sont les actions de régulation qui en modifient les valeurs et pour cela nous ne présentons ici que les trois autres critères.
192
Figure V. 15 : Dégradation des valeurs des critères avec l’évolution du retard
Génération et évaluation des décisions réalisables
En appelant la base de règles construite à partir des conditions requises pour la mise en œuvre de chaque classe de décision, nous pouvons déterminer l’ensemble de décisions réalisables pour résorber cette perturbation. Il nous faut juste bien identifier cette perturbation, en indiquant la ligne, le véhicule et la station concernés, l’heure, les conditions de circulation et les circonstances de la perturbation. Ainsi, le module de génération de décisions nous propose deux classes de décisions qui sont le haut le pied hors ligne et la régulation en ligne.
Le haut le pied sera appliqué entre la station courante et la station perturbée, c'est-à-dire la station 1 et la station 7 de la ligne perturbée.
Afin de trouver la meilleure action de type régulation en ligne, nous avons utilisé l’approche évolutionniste agrégative classique et l’approche Pareto basée sur le calcul dynamique des poids.
Nous supposons que le régulateur a exprimé ses préférences en attribuant les scores aux différents critères, le vecteur de poids est supposé le suivant :
193
Pour bien choisir les probabilités de mutation et de croisement, nous avons effectué plusieurs tests qui nous ont conduits à fixer la probabilité de croisement à 0.7 et la probabilité de mutation à 0.03. Nous avons travaillé avec une population de 30 individus et le critère d’arrêt utilisé est le nombre maximal de générations effectuées qui a été fixé à 1000.
La meilleure solution de type régulation en ligne obtenue est montrée dans le tableau ci-après, elle a été obtenue par l’approche agrégative classique. Nous montrons aussi la convergence en calculant la moyenne de la fonction coût à chaque génération :
Figure V. 16 : Evaluation des critères par l’approche agrégative classique
D’après le module d’évaluation, la régulation en ligne est mieux adaptée pour réagir à ce scénario de perturbation, car elle dégrade moins la qualité de service et les kilomètres commerciaux même si elle n’aide pas à retrouver des intervalles réguliers entre les passages de bus.
Figure V. 17 : Moyenne de la fonction coût
194 • Exemple 2
Description de la perturbation
Nous considérons ici la ligne 43 sens 2 qui est totalement indépendante du reste du réseau de transport simulé. En effet, le principal pôle d’échange de cette ligne est l’Hôtel de Ville qui est son terminus de départ dans le sens de circulation considéré. Nous supposons qu’à 10 :48, une congestion ait lieu au niveau de l’arrêt Mont _de_Terre causant un retard d’environ 8 minutes au véhicule n°5 au-delà de son temps de battement. La fréquence de la ligne considérée est de 1 bus toutes les 20 minutes. Le flux d’arrivée des passagers aux arrêts de la ligne 43 est représenté sur la figure suivante
Figure V. 18 : Flux de voyageurs aux arrêtes de la ligne 43 sens 2
Détermination de la zone de régulation
Le régulateur déclare cette perturbation et choisit la manœuvre régulation au terminus. Un choix logique vu que la perturbation a eu lieu au terminus. Le système d’aide à la décision présente la solution sous forme de retards à appliquer sur un certain nombre de véhicules qui suivent le bus perturbé afin de garder la régularité de passage par les stations du réseau. La figure suivante illustre la décision proposée par le système.
195
Figure V. 19 : Manœuvre régulation au terminus
L’agent évaluateur AE étudie l’impact de la perturbation sur le réseau par comparaison des valeurs théoriques et perturbées de chaque critère. Nous montrons par la figure suivante cette évaluation :
Figure V. 20 : Impact de la congestion sur les valeurs des critères
Génération et évaluation des décisions réalisables
De même que pour l’exemple précédent, le module de génération des décisions nous préconise de tester la régulation en ligne et le haut le pied hors ligne pour dissiper cette perturbation.
Le haut le pied hors ligne sera appliqué entre la station courante et la station perturbée de la ligne 43.
196
En ce qui concerne la régulation en ligne, nous avons utilisé les mêmes approches et le même vecteur de pondérations que pour l’exemple précédent vu la ressemblance entre les deux exemples. Nous avons constaté que l’algorithme évolutionniste intégré dans l’agent AO converge assez vite et qu’il arrive à trouver une solution optimisée. Cette solution présentée dans le tableau ci-dessous, montre bien le résultat de l’interaction entre l’agent AO et l’agent AE:
Figure V. 21 : Evaluation des critères par intégrale de Choquet
197