La ville de Marrakech est une ville avec des activités économiques qui prospèrent. Le développement durable doit être pour accompagner l’évolution économique de cette ville. La mobilité urbaine est un élément essentiel de la politique de la ville qui s’est beaucoup investi pour assurer la sécurité de la population ainsi que la protection de l’environnement. Dans ce chapitre, on évalue l’applicabilité de l’outil TraffGen en se basant sur les données issues de la ville de Marrakech. Une première étape est d’évaluer l’utilisabilité de cet outil dans les différents scénarios définissant des scénarios généraux et vérifier si les résultats sont cohérents avec les modèles probabilistes théoriques. Une étape de validation consiste à appliquer les modèles issus des résultats du chapitreVIIIet comparer les niveaux de trafic générés aux niveaux de trafics souhaités ainsi qu’une validation par test de K-S sur la distribution de TIV des données générées comparées aux modèles probabilistes appliqués.
Nous avons mis en place une expérience de simulation sur la plateforme GAMA intégrant la dynamique du trafic et son impact local sur la qualité de l’air au niveau de la ville. Ce projet intitulé "MarrakAir" est certainement le premier de son genre sur le continent africain, porté par l’Université Cadi Ayyad (UCA), l’Institut de Recherche pour le Développement (IRD) et le laboratoire ThéMA. Ce projet est inspiré du travail fait par Emery[111] en mettant en place la démarche SCAUP permettant le comptage de trafic sur l’ensemble des tronçons du réseau routier étudié dans un intervalle de temps uniforme afin de comptabiliser les émissions de gaz à effet de serre. A l’aide des données générées de trafic sur des intervalles uniformes, la simulation de trafic est mise en place à partir des modèles de trafic implémentés comme celui de Taillandier[169]. Ceci permet de comptabiliser les émissions locales du trafic et de donner une estimation sur l’effet de trafic sur la qualité de l’air au niveau de la ville en utilisant la méthodologie COPERT.
IX.1 Application de l’outil TraffGen sur les données de
Marra-kech
Dans cette partie, nous évaluons l’utilisation de l’outil de génération TraffGen implé-menté sur la plateforme GAMA selon différents niveaux de détails : (i) dépendance entre voies, (ii) dépendance entre types de véhicules, (iii) niveau de trafic. Ceci afin de tester l’outil et étudier s’il peut générer un trafic similaire à celui qui est visé. Ainsi que voir
l’effet des niveaux de détails précédemment définis sur la qualité des données reproduites. Ces différentes scénarios vont être testés pour le cas ou il y a une périodicité dans l’arrivée des véhicules. Comme dans le cas de nos routes, et dans le cas où les flots de trafic sans considérer la périodicité. Ceci, afin de tester si l’outil permet de reproduire des niveaux de trafic sur les deux cas en vérifiant si cela affecte la périodicité configurée dans le processus de génération. Chaque scénario aura été lancé pendant 20 heures de simulation.
IX.2 Scénarios sans périodicité
Dans ces scénarios, on considère des scénarios dans lesquels on ne prend pas en compte la périodicité.
IX.2.1 Preuve de concept
Type Modèles Niveau de trafic véh/h P-valeur de K-S Continu Exponentiel : taux = 0.25 934 0.6788 Pearson III : forme=2.359, échelle=1.071, décalage=0 1416 0.8137 Normal : moyenne=1.5, écart type=0.5 2371 0.7325 Discret
Poisson : taux=4
Exponentiel : taux= 0.25 490
Poisson=0.476 Exponentiel=0.8152 Uniforme : min=10, max=14
Pearson III : forme=2.359, échelle=1.071, décalage=0 937
Uniforme=0.0526 PearsonIII= 0.2602 Uniforme : min=15, max=30
Normal : moyenne=1.5, écart type=0.25 1759
Uniforme=0.3526 Normal= 0.3408
Table IX.1 Résultats de génération de trafic en utilisant TraffGen pour le cas continu et discret
Une première utilisation de l’outil pour une génération continue est discrète :
— Pour la génération continue, on utilise les modèles Exponentiel, Pearson III et Normal pour générer un niveau de trafic respectivement faible, intermédiaire et élevé comme définit par May[3].
— Pour la génération discrète, on utilise le processus de poisson qui est le plus utilisé. Pour un intervalle (30 secondes) défini, on génère le nombre de véhicules arrivant par le modèle de poisson avec un taux λ et en ayant défini le temps d’arrivée selon le modèle Exponentiel avec un taux λ1. On utilise aussi deux cas où le nombre de véhicules générés est issu d’une loi uniforme avec un nombre minimum et maximum de véhicules et les modèles de Pearson type III et Normal comme générateur de TIV.
Le tableau IX.1illustre les résultats des scénarios définis précédemment. On constate que dans le cas continu, la génération desTIVest globalement similaire au modèle utilisé par le test de K-S. On peut remarquer aussi que pour le modèle Exponentiel, on peut générer un trafic intermédiaire (934 véh/h). Dans le cas où l’on utilise le cas discret, on peut réussir à générer un trafic faible (490véh/h), mais la distribution desTIVest alors
IX.3 Scénarios avec périodicité 151 similaire au modèle défini. Ceci est dû au fait que l’algorithme vise à générer un nombre de véhicules qui ne dépasse pas une valeur limite n’assure pas la valeur de TIVdonnées à chaque véhicule, ce qui signifie que certains véhicules générés pendant la période i peuvent arriver dans une autre période i + j. Pour le modèle de Pearson III dans le cas continu, on a pu réussir à avoir des résultats cohérents au niveau de la distribution des TIV mais le nombre de véhicules horaire qui est entre 1200 et 1600 véh/h. A noter que cette distribution est issue d’un échantillon représentant un niveau de 10-14 véhicules/30 secondes. En utilisant l’approche discrète avec une distribution uniforme de véhicule entre 10 et 14, le nombre de véhicules horaire généré est inférieur à 1200 véh/h. Le processus discret dans ce cas induit une sous-estimation du niveau de trafic à générer.
Pour le modèle Normal, la distribution desTIVest conforme au modèle. Le nombre de véhicules est aussi conforme à l’intervalle possible de véhicules arrivant qui peut être entre 1800 et 3600 véh/h. On peut remarquer que dans le processus de génération discrète, le nombre de véhicules horaire généré dans ce scénario est dans l’intervalle souhaité (1759 véh/h), mais moins que celui généré si on utilise un processus continu (2371véh/h).
IX.2.2 Application sur différentes modalités
8 scénarios (4 en génération continue et 4 en génération discrète) ont été utilisés afin de tester les différentes modalités dans le cas où il n’y a pas de périodicité. La table IX.2 illustre les résultats de chaque modalité par le niveau moyen de trafic généré par heure et le test de K-S entre le modèle théorique utilisé et les données générées.
Pour les modalités voies indépendantes et voies dépendantes avec indépendance entre types de véhicules. On constate que l’outil permet de générer un niveau de trafic adéquat à celui renseigné dans les deux cas continu et discret. On remarque aussi que les distributions des TIVsont proches des modèles théoriques utilisés. Concernant les modalités avec des modèles spécifiques pour chaque type de véhicules, on constate que les distributions de TIV sont cohérentes aux modèles théoriques. Toutefois, le niveau moyen de trafic même s’il correspond aux modèles de transition de types de véhicules donnés, on arrive à une sous-estimation de niveau de trafic à générer. La même chose se confirme si on ajoute la dépendance entre voies, où la sous-estimation devient plus même importante. Ceci met en évidence que la transition entre modèles affecte davantage le niveau de trafic que les modèles de génération de TIV. Par conséquent, l’ajout de ce niveau de détails affecte la précision de la génération par rapport aux autres modalités citées précédemment.
IX.3 Scénarios avec périodicité
Dans cette partie on évalue les résultats de l’outil de génération au regard des scé-narios avec une arrivée de véhicules périodique. L’évaluation permettra de voir si : (i) la dépendance entre voies ou types de véhicules permet d’avoir des distributions de TIV compatibles à la loi demandée face au changement de niveau de trafic dans les cas continus et discrets, (ii) conservation de périodicité en cas de scénarios de périodicité dans les cas continus et discrets. Les scénarios vont combiner entre les modalités de dépendance entre voies et types de véhicules afin de voir l’effet de chaque niveau de détail sur la performance de l’outil de génération.
Modalité Modèles Niveau de trafic desirévéh/h Niveau moyen de trafic généré véh/h P-valeur K-S Continu Non continu Continu Non continu Voies indépendantes types indépendants Pareto IV : inégalité=0.5129527, échelle=2.313488, décalage=0.197999954, forme=0.5977091 150-300 312 196 0.4476 0.3515 Voies dépendantes types indépendants Pareto III :
inégalité=0.588, échelle=2.883, décalage=0 375-675 584 464 0.894 0.4016 Voies indépendantes
types dépendants tansition par pourcentage
2 roues : LogNormal
moyenne=0.966, écart type=1.049
4 roues : Pareto IV inégalité=0.32, échelle=1.923, décalage=-0.009, forme=0.684 2 roues : 375-675 4 roues : 750-1050 2 roues : 271 4 roues : 722 2 roues : 272 4 roues : 704 2 roues : 0.1134 4 roues : 0.8498 2 roues : 0.0813 4 roues : 0.703 Voies indépendantes types dépendants transition Matricielle 2 roues : LogNormal
moyenne=0.966, écart type=1.049
4 roues : Pareto IV inégalité=0.32, échelle=1.923, décalage=-0.009, forme=0.684 2 roues : 375-675 4 roues : 750-1050 2 roues :275 4 roues : 723 2 roues : 271 4 roues : 714 2 roues : 0.2673 4 roues : 0.9039 2 roues : 0.127 4 roues : 0.3509 Voies dépendantes types dépendants transition Matricielle 2 roues : Pearson V : forme=2.736, décalage=-0.723, échelle=6.24
4 roues : Pareto III :
inégalité=0.588, échelle=2.883, décalage=0 2 roues : 75-675 4 roues : 750-1050~ 2 roues : 269 4 roues : 656 2 roues : 251 4 roues : 637 2 roues : 0.3429 4 roues : 0.2929 2 roues : 0.8764 4 roues : 0.138
Table IX.2 Résultats des scénarios pour le cas continu et discret - Sans périodicité
IX.3.1 Voies indépendantes - types indépendants
Cinq scénarios ont été utilisés pour le cas continu et discret afin d’évaluer les résultats de l’outil TraffGen dans différents niveaux de trafic et pour une transition de type de véhicules à base de pourcentage et matrice de probabilité de transition. Ces scénarios sont issus des analyses faites dans la sectionVIII.2. Ceci pour avoir des scénarios concrets et tester la reproductibilité des résultats réels. Les modèles utilisés pour chaque scénario sont des modèles qui sont jugés meilleurs candidats pour représenter leTIVdans chaque scénario.
La tableIX.3représente les résultats des scénarios de différents niveaux de trafic entre 150 et 1425véh/hen utilisant un processus de génération continu et discret. On peut voir que dans les différents scénarios dans le cas continu, la distribution des TIV générés est non rejetée par le test de K-S par rapport au modèle théorique. Toutefois, on révèle une sur-estimation de nombre de véhicules à générer dans un trafic faible entre 150 et 300 véh/het entre 750 et 1050 véh/h. Cet effet est dû à la génération continue des véhicules qui ne limite pas le nombre de véhicules à générer dans un intervalle défini induisant la sur-estimation du trafic dépendant des valeurs aléatoires deTIV générées.
Pour le cas discret, cette sur-estimation de nombre de véhicules à générer est diminuée à l’intervalle de niveau de trafic souhaité (excepté le cas de trafic faible entre 150 et 300 véh/h) mais le résultat de test K-S sur la distribution de TIV engendre une p-valeur faible surtout pour un niveau de trafic faible (150-300 véh/h) ou un niveau élevé (1125-1425 véh/h). Ceci est dû au nombre limité de véhicules à générer qui fait apparaitre un biais sur les valeurs générées par la distribution.
On utilise les scénarios précédents pour construire des scénarios avec périodicité. On a ainsi ajouté deux scénarios avec deux phases de la même période issue de l’avenue