Le modèle VISEM utilise, comme la méthode de génération par micro-simulation, l’exploitation des chaînes de déplacements. Cependant, il y a des différences de traitement des chaînes entre les 2 méthodes et des simplifications différentes des chaînes sont opérées. La simplification des chaînes opérée dans l’étape de génération par micro-simulation pour le modèle de Montpellier se fait en convertissant les boucles complexes en aller-retours pour le motif principal, puis en supprimant les déplacements non liés ni au domicile, ni au motif principal de la chaîne. Par exemple, pour une chaîne Domicile-Achats-Travail- Accompagnement-Visite-Domicile, le motif principal est le motif travail. La boucle a donc deux points fixes, liés au motif domicile et au motif travail. On ne garde alors que les déplacements liés, au départ, aux points fixes qui ne sont pas déjà dans l’aller-retour. Ici les déplacements conservés sont alors Domicile-Achats et Travail-Accompagnement. Le déplacement pour motif visite est alors supprimé.
Cette méthode permet de limiter le nombre de déplacements supprimés et de n’enlever que les déplacements plutôt secondaires. Différents critères sont utilisés pour juger sur la simplification, afin que celle-ci ne soit pas trop importante et ne supprime pas trop de déplacements : la longueur des chaînes, le nombre de déplacements intra et inter-zonaux (zones fines d’échantillonnage de l’EDGT), nombre de modes de déplacements par chaîne … Tous ces indicateurs ne doivent pas varier de beaucoup (8-10%) avant et après simplification. Si la simplification est trop importante, des contraintes de simplification peuvent être intégrées telle qu’une non simplification des chaînes avec peu de déplacements (limite du nombre de déplacements à définir).
Lors des calculs avec VISEM, les temps de calculs augmentent considérablement avec la longueur des chaînes. Il est donc aussi nécessaire de les raccourcir. Pour ce faire un programme annexe, développé par PTV est utilisé, le programme Akku. Le programme détermine pour chaque groupe de mobilité, les longueurs maximales de chaînes et les fréquences minimales d’occurrence. Les chaînes dont la longueur est supérieure à la longueur maximale ou dont la fréquence d’occurrence est inférieure au seuil, sont décomposées. Les chaînes concernées sont décomposées en transitions d’activités (exemple : la chaîne Domicile-Travail-Accompagnement-Visites-Domicile est décomposée en DT TA AV VD). Il y a alors une distinction entre les motifs origine et destination. Les chaînes sont alors réassemblées pour former des chaînes déjà présentes dans les chaînes complètes retenues de l’enquête ménages déplacements. Les déplacements enlevés des chaînes trop longues ne sont pas supprimés mais rajoutés à des chaînes plus courtes et plus fréquentes. Ces modifications portent sur les chaînes les moins fréquentes mais l’enchainement des activités est modifié et des informations, notamment liées aux corrélations entre choix de mode et de destination, sont perdues. De plus, un coefficient correctif est appliqué lorsque le nombre de déplacements enlevés est important pour un groupe de mobilité.
Le raccourcissement des chaînes d’activité induit également une augmentation du nombre de retour au domicile et un autre coefficient correctif est introduit pour compenser cet effet.
L’introduction de coefficients correctifs interroge sur la validité de représentation de la réalité des chaînes de déplacements effectuées.
Enfin, VISEM ne prend pas en compte l’analyse du nombre de chaînes effectuées par jour par les individus. Ainsi, dans ce modèle il n’y a pas de différence en termes de comportement de mobilité entre une personne effectuant 1 ou une personne effectuant 3 boucles de déplacements par jour.
En conclusion, d’un point de vue méthodologique, le premier point fort de la génération par micro-simulation est le traitement des chaînes de déplacements en entier. Cela garantit une meilleure précision dans la génération du nombre de déplacements par motif et la compréhension de l’articulation et de la corrélation des déplacements d’un individu sur une journée.
La méthode se rapproche de celle utilisée par le logiciel VISEM en termes de traitement des chaînes de déplacements et de construction de groupes de mobilité. Les principaux avantages de la méthode par micro-simulation concernent la simplification des boucles de déplacements et la prise en compte d’un grand nombre de profils de mobilité différents observés dans l’EDGT (et notamment le nombre de boucles effectuées par les individus dans une journée). Ainsi, en termes de simplification de chaînes, la méthode par micro-simulation permet de ne pas modifier les informations, et limite l’utilisation de coefficients pour redresser les résultats. Cependant, une simplification est quand même nécessaire et entraîne une perte d’informations dans les chaînes de déplacements attribuées aux individus de la population synthétique.
Cette méthode de génération par micro-simulation apporte donc des avantages non négligeables à son utilisation. Cependant, une appréciation de ses limites et également à effectuer afin de connaître le cadre d’interprétation des données obtenues.
Dans la partie suivante, la segmentation par arbre sera étudiée de manière plus approfondie afin de mettre en avant les avantages et inconvénients de cette méthode et ce qu’elle induit sur les résultats. En effet, la segmentation permet de construire les groupes de mobilité, qui sont à la base de l’étape de génération par micro-simulation. Le choix d’une segmentation unique doit donc être basée sur des critères qui permettent d’apprécier la qualité des regroupements. Pour rappel, les objectifs sont de créer des groupes de mobilité les plus distincts possible entre eux en termes de comportements de mobilité, et les plus homogènes possible au sein d’un même groupe.
TFE E. LOUBOUTIN Août 2017
Page 36
4
Analyse des impacts de la constitution des groupes de
mobilité par arbre de segmentation sur le processus de
génération par micro-simulation
Il a été vu que les arbres de segmentation et donc les groupes de mobilité créés dépendent de caractéristiques d’entrée de l’algorithme CHAID. Ces données d’entrée peuvent donner des résultats de classification très différents selon leurs valeurs. L’étude de certaines limites de la génération par micro-simulation sera donc basée sur l’analyse de la technique de segmentation employée pour cette méthode.