Comme nous l’avons vu plus haut, la démarche de modélisation envisagée se construit à travers plusieurs modèles : le modèle conceptuel, le modèle de données et le modèle de simulation. L’objectif de cette section est d’offrir une représentation du trafic routier à partir des données issues des capteurs fixes dans une optique de simulation multi-agents. Cette section s’insère comme étant la première partie de la démarche de modélisation présentée au sein de la figure 2.1 (p. 128). Le modèle de données ainsi que le dispositif de quantification étant maintenant identifiés, le passage au modèle de simulation peut être envisagé. À travers le modèle SCAUP (Simulation multi-agents à partir de CApteurs Urbains pour la Pollution atmosphérique automobile) proposé dans cette thèse, nous proposons ici une démarche exploratoire autour d’un modèle de simulation multi-agents où les données de trafic sont directement issues des capteurs fixes (cf. Chapitre 3, p. 81).
Avant d’aborder frontalement la problématique de la simulation multi-agents du trafic routier à partir des comptages routiers, il est nécessaire d’identifier les différents éléments composant le système du trafic routier, autant au niveau de sa conceptualisation que de son fonctionnement. En suivant les trois grandes étapes de la démarche de modélisation (cf. section 4.1.1 p. 127), cette dernière section permettra de présenter les grandes lignes du modèle SCAUP mis en place dans le cadre de cette thèse.
Une conceptualisation spatio-temporelle du trafic routier : quelles entrées ?
5.3.1.
a. Quelle conceptualisation du trafic routier ?
Nous avons vu au cours de la partie 1.1.1 (p. 24) que l’approche prédominante pour la modélisation du trafic routier repose sur la formalisation de trois sous-systèmes urbains :
localisations ; pratiques et relations sociales ; transports et déplacements. Cette approche apparait adéquate à
mettre en œuvre lorsque l’on dispose de données permettant de relever les pratiques de mobilité quotidienne des individus, comme les EMD (Commenges, 2013). De surcroît, la mobilisation de ces données constitue un prérequis à la modélisation à quatre étapes. Néanmoins, dans notre cas, l’utilisation des données de capteurs réduit le système à étudier, dans le sens où ces données ne relèvent que les flux de trafic routier en différents points de l’espace (cf. Chapitre 3, p. 81). En effet, il n’est pas possible de rattacher aux données de capteurs des informations qualifiant les déplacements d’un ou plusieurs individus, de même qu’il n’est pas possible de rattacher les
comptages à une origine ou à une destination. Ainsi, il n’est pas nécessaire de reconstruire l’ensemble de ces sous-systèmes et la problématique du travail présentée s’insère plus spécifiquement au sein d’un seul sous-système. C’est pourquoi nous avons fait le choix de focaliser nos recherches sur le sous-système des déplacements et transports, en nous concentrant exclusivement sur le trafic routier. Cette approche réductionniste permet de conceptualiser ce travail autour de plusieurs objets élémentaires qui définissent le trafic routier (cf. figure 2.13, ci- dessous) : l’infrastructure de transport et les véhicules routiers qui définissent le trafic routier (cf. section 2.1.1, p. 56). Le dispositif de quantification du trafic routier a été présenté au sein du chapitre 3 (p. 81) au cours duquel nous avons pu convenir des objets mesurés par les capteurs fixes à travers la temporalité inhérente à ce système de mesure (les rythmes journaliers, hebdomadaires et annuels). En revanche, les véhicules routiers sont implicitement comptabilisés sous la forme d’un débit routier (nb de véhicules/quart d’heure).
Il faut alors convenir d’une génération des véhicules à partir du dispositif de quantification mis en place. On soulève, par ailleurs, un problème éminemment géographique, afin de passer d’une information ponctuelle à une information linéaire, ou en d’autres termes, d’une vision que l’on peut qualifier d’eulérienne à partir des comptages routiers à une vision lagrangienne des véhicules en déplacement sur le réseau routier. La formalisation du modèle conceptuel dans un contexte multi-agents permet de se focaliser sur les composants élémentaires du trafic routier comme illustré en figure 2.13, en vue d’affecter les comptages routiers sur le réseau routier. Il se conceptualise autour de deux objets :
Figure 2.13 : La conceptualisation du trafic routier sous le modèle SCAUP
Dans cette acception, les objets à identifier et à construire sont donc de deux natures. Conceptuellement, le premier objet est une composante spatio-temporelle du système et correspond aux véhicules en déplacement sur une infrastructure de transport. Les véhicules sont des objets éminemment spatio-temporels qui se formalisent discrètement au sein des comptages routiers sous la forme d’un débit de véhicules recensé à chaque quart horaire. Ce sont des objets
partir des données de comptage (cf. Chapitre 3, p. 81). Une fois l’emplacement des véhicules replacé dans leur contexte de comptage, ceux-ci correspondent aux agents à générer pour la construction du trafic routier. Le second objet est une composante spatiale et fixe (invariante) du système à construire, et correspond au réseau routier qui constitue l’environnement dans lequel le trafic routier s’inscrit.
Enfin le trafic routier se construit conceptuellement par l’interaction de ces deux objets élémentaires (cf. figure 2.13) : sans route et véhicules, il ne peut pas y avoir de trafic routier. Sous cet angle ils se qualifient autant dans l’espace et dans le temps par les véhicules en mouvement, que sur les infrastructures routières. Par conséquent, c’est par l’interfaçage de ces objets au sein du modèle SCAUP que le trafic routier pourra être produit. Le caractère génératif des SMA (Epstein, 1999) apparait ici essentiel en vue de produire un trafic routier par l’interaction entre, non seulement, les véhicules comptabilisés par les stations (les agents), mais aussi, le réseau routier (l’environnement). L’ensemble de ces éléments en interaction doit nous permettre ensuite d’observer les flux de trafic routier émergent sur l’ensemble du réseau routier d’une ville ou agglomération.
b. Inscrire les SMA dans la donnée : l’approche « deepening »
L’intérêt de l’approche initiée se situe dans la relation entre le dispositif de quantification et celui de modélisation, en vue de conserver le signal issu des comptages routiers, et donc de garder au maximum ce signal sans en déformer ses valeurs initiales. C’est aussi pour cela que nous privilégions une approche générative du trafic routier à partir des objets élémentaires du trafic routier identifiés plus haut. Les données à recueillir sont comme nous l’avons vu plus haut spatiales et temporelles. Par analogie, cette structuration est aussi reprise dans la figure 2.14 qui représente le système d’intégration des données de comptages routiers, au sein du modèle SCAUP, conçu avec la plate-forme de simulation multi-agents GAMA (cf. section 6.1.2, p. 187) :
Figure 2.14 : Schéma d’intégration des données au sein du modèle SCAUP
Sous cette seconde forme, deux modules peuvent être transposés au modèle conceptuel présenté en figure 2.13 (p. 166) :
- les agents, qui reflètent les véhicules à créer via les données de comptage et dont l’objectif vise à initialiser la dynamique du trafic routier à partir des stations de mesure - l’environnement du système multi-agents, qui permet de localiser le réseau routier ainsi
que les capteurs de trafic sur l’espace urbain.
Dans ce sens, en rapprochant le dispositif de quantification et le dispositif de production du trafic routier (cf. figure 2.10, p. 158), la relation entre données de comptage et simulation du trafic routier est mise en avant de la démarche proposée. L’approche de simulation envisagée dans SCAUP s’inscrit dans l’optique d’une approche dite de « deepening »96, qui « peut contribuer à obtenir
des résultats de simulation qui sont plus proches des observations et donc de l’objectif visé » (Hassan et al.,
2010b, p. 2) :
Figure 2.15 : Les différentes approches de modélisation en simulation multi-agents : de l’approche déductive à l’approche inductive (source : Hassan et al., 2010a, p. 7)
Cette approche se distingue de la simulation multi-agents classique, qui s’inscrit dans une « logique de
simulation pour l’expérimentation scientifique » (Hassan et al., 2010a, p. 2), illustrée au sein de la figure
2.15 (en noir). Le point de départ de la démarche de simulation repose sur une approche déductive fondée sur les données recueillies. Toutefois, ces dernières sont déconnectées du processus de conception et d’initialisation du modèle de simulation. En effet, celles-ci n’interviennent qu’à la fin du processus de simulation en vue de valider les données de simulation (cf. figure 2.15). Dans cette optique, la construction du modèle de données à mobiliser peut être réalisée après la simulation. Alors que dans le cas d’une approche « deepening » (illustrée en rouge) la place accordée aux données dans le processus de construction du modèle est plus importante et la collecte des données doit être réalisée au préalable de la construction du modèle de simulation. En effet, les données interviennent à chaque étape du processus de simulation, autant
96 Nous avons souhaité conserver l’anglicisme de « deepening, » car il apparait difficile de convenir d’une définition
pour sa conception et son initialisation, que pour sa validation. La mise en place du modèle de simulation est davantage pilotée par les données de terrain que dans une approche classique ou déductive (Hassan et al., 2009, 2010a, 2010b).
Dans cette optique, nous proposons la mise en place d’un modèle de SMA du trafic routier guidé par les comptages routiers, présenté par les zones vertes de la figure 2.15. Par nature, nous avons vu que la simulation multi-agents permet d’envisager une logique inductive radicalement centrée sur l’individu et sur les données. Sa formalisation, ainsi que son fonctionnement bottum-up, permettent d’être plus directement relié aux données d’entrée du modèle (Hassan et al., 2010a, 2010b). L’intérêt porté au modèle de données dans l’approche « deepening » permet aussi d’explorer les potentiels d’utilisation des outils de géosimulation pour la représentation des « données empiriques existantes, pouvant être massives, hétérogènes et bruitées » (Banos, 2013, p. 68). Néanmoins, avec cette approche, les questionnements autour de la validation du modèle de simulation se posent. En effet, les données servant autant à alimenter le modèle de simulation qu’à le valider, il faut être en mesure de fournir des données de contrôle n’ayant pas été utilisées lors de l’initialisation de la simulation. Les défis d’une approche « deepening » se situent aussi au niveau de l’exploration détaillée des éléments liés à l’évaluation et à la validation du modèle de SMA, que nous aborderons au cours du chapitre 7 (p. 223). Par ailleurs, nos réflexions s’inscrivent, dans un dernier temps, sur le formalisme des approches en SMA, et plus particulièrement en géographie, en se focalisant sur les formalismes des modèles de SMA : les approches KISS et KIDS.
c. L’approche expérimentale en SMA : du KISS au KIDS
Au sein de la communauté de la simulation multi-agents, deux grandes approches de modélisation se distinguent (Edmonds et Moss, 2004 ; Banos et Sanders, 2012 ; Bouquet et al., 2015 ; Delay, 2015) : la modélisation dite KISS (Keep It Simple Stupid), dont l’objectif est de présenter une vision simple et parcimonieuse d’un système à étudier, et la modélisation dite KIDS (Keep It Descriptive Stupid), qui vise quant à elle à apporter une vision descriptive et complexe d’un système à étudier. En d’autres termes, les modèles KISS sont des modèles de compréhension qui « visent à simplifier au maximum le modèle afin de construire un environnement contrôlé
intelligible et focalisé sur la dynamique étudiée du système », alors que les modèles KIDS sont des modèles
descriptifs qui « visent à décrire le système dans sa réalité la plus fine » (Bouquet et al., 2015, p. 33). Pourtant la réalité du cheminement d’exploration des modèles montre à plusieurs reprises que le cloisonnement entre KISS et KIDS n’est pas si hermétique : « aucun modèle n’est tout à fait KISS et
complétement KIDS. La propension des deux varie en fonction des situations modélisées et de la connaissance empirique qu’en ont les modélisateurs/observateurs » (Delay, 2015, p. 101). Bruce Edmonds et Scott
Moss (2004, p. 143) ajoutent que « ni l’approche KISS, ni l’approche KIDS n’est toujours la meilleure et
qu’un mélange complexe des deux approches sera souvent approprié ». Pour mieux appréhender ces
éléments en fonction de cette distinction (KISS-KIDS), Arnaud Banos et Lena Sanders (2012) proposent une grille de lecture pour comparer et replacer les différents modèles utilisés par les géographes. Cette grille de lecture nommée le « fer à cheval » se construit selon deux axes, en vue de distinguer les modèles, non seulement selon leur niveau d’abstraction, mais aussi, selon leur degré de parcimonie (cf. figure 2.16, p. 170) :
- Le premier axe illustre le niveau d’abstraction (stylisé-particulier), qui oppose « d’un côté les
modèles reposant sur des informations complètes et fines au niveau spatial [particulier], de l’autre les modèles dits "concepts driven" [stylisé], en général plus parcimonieux sur le plan des variables mobilisées » (Banos et Sanders, 2012, p. 53).
- Le second axe illustre le degré de parcimonie avec lequel le modèle est mis en place, en distinguant les plus parcimonieux (KISS) des plus descriptifs (KIDS).
En croisant ces deux composantes, les auteurs replacent quatre pratiques de modélisation (cf. figure 2.16) : des modèles les plus théoriques (A) aux modèles les plus descriptifs, où les données expérimentales prennent une place importante. Pour illustrer ces quatre pratiques, les auteurs reprennent la formalisation du modèle gravitaire : « si la "masse" d’une ville peut être approchée par sa
population par exemple, alors on doit pouvoir prédire les flux de population entre deux villes à partir de leur population respective et de la distance géographique les séparant. Cet énoncé, simple et stylisé, nous place dans le quadrant A du diagramme. L’ajustement statistique du modèle mathématique afférant aux données empiriques nous entraîne vers le quadrant D. En revanche, l’enrichissement de ce modèle « pauvre sur le plan théorique », par exemple par l’introduction « d’opportunités intermédiaires » ou « d’effets de barrières » relève du quadrant B, et l’ajustement empirique des modèles ainsi spécifiés amène un positionnement dans le quadrant C » (Banos et
Sanders, 2012, p. 54). À travers l’exemple du modèle gravitaire, on comprend que les approches ne s’opposent pas et sont plutôt d’ordre complémentaire (Mathian et Sanders, 2014). Ici, on comprend bien le rôle que les données prennent pour positionner les modèles sur l’axe d’abstraction, le passage aux données de terrain permettant de se positionner à différents niveaux du cadran :
Figure 2.16 : Le « fer à cheval » : une grille de lecture à deux entrées pour positionner les modèles de simulation multi-agents (source : Banos et Sanders, 2012, p. 54)
Il faut noter que notre parti pris, du point de vue de la modélisation et de sa formalisation s’insère exclusivement dans la catégorie des modèles KISS. Le glissement du positionnement KISS vers
KIDS s’opère plutôt du point de vue de la simulation par le passage progressive d’un environnement simple vers un environnement « réel ». En effet, comme nous l’avons abordé plus haut (cf. section 1.1.1, p. 24), aborder la modélisation du trafic routier dans une perspective KIDS nécessiterait de prendre en compte un plus grand nombre d’objets caractérisant l’espace urbain et le trafic routier. C’est pourquoi, pour l’expérimentation, notre parti pris KISS-KIDS se situe plutôt au cœur de la simulation. En effet, en intégrant tout d’abord, un ensemble restreint d’éléments pour la SMA du trafic routier, nous nous positionnons dans la catégorie des modèles KISS ; toutefois, en nous focalisant sur le réseau routier et les comptages routiers sur un espace urbain réel, nous nous positionnons au sein des modèles KIDS. C’est pourquoi la démarche de modélisation que nous proposons vise à nous entourer de deux types de modèles, en faisant glisser progressivement le plan d’expérimentation, illustré par la flèche au sein de la figure ci- dessus, du modèle de simulation de la première catégorie (A) à la quatrième (C), sans en modifier le fonctionnement interne, mais plutôt en y insérant la réalité géographique d’un espace urbain. Le premier modèle KISS permet de tester la dynamique du modèle SCAUP sur un réseau routier théorique auquel ont été associées des données de comptage « types » 97, permettant d’observer le
cycle journalier du trafic routier (matin, midi, soir), ainsi que les mêmes caractéristiques attributaires permettant de qualifier le réseau routier (hiérarchie, vitesse…). Cette construction simple, illustrée ci-dessous (à gauche de la figure 2.17), permet de tester et d’expérimenter la mise en place du modèle de simulation sur un nombre restreint de routes (48 tronçons) et de stations de comptage (15 capteurs), auxquelles sont associées les données moyennes journalières des comptages routiers réels.
Figure 2.17 : Du modèle KISS au modèle KIDS : application du cadre expérimental de SCAUP à la ville de Dijon
97 Nous avons fait le choix d’y insérer des valeurs de trafic caractérisant la courbe matin, midi et soir, en utilisant la
Une fois le modèle KISS exploré, le glissement du premier modèle au second s’opère par la prise en compte du contexte urbain au complet, en y insérant son réseau routier, ainsi que l’ensemble des données de comptage recueillies (cf. figure 2.17). En conséquence notre parti pris respecte les préconisations mises en avant par Bruce Edmonds et Scott Moss (2004, p. 142) : « le but de
simplifier les modèles [KISS] ne doit pas se faire dans l’objectif que le modèle complexe [KIDS] conserve l’ensemble des comportements, mais plutôt dans le but de n’en conserver que les comportements pertinents ». C’est
bien dans cette acception que nous avons choisi d’orienter notre processus de recherche expérimentale autour du fer à cheval.
La complexification du modèle mis en place sur un espace urbain plus vaste tient plutôt compte d’un environnement de simulation complet, en employant l’ensemble des capteurs et des données associées au sein du dispositif de quantification. Cette seconde phase expérimentale sera testée à travers la ville de Dijon en nous entourant des données issues des capteurs électromagnétiques présentées plus haut (cf. Chapitre 3, p. 81), et des bases de données géographiques issue des nomenclatures nationales (IGN) et internationales (OpenStreetMap). Notons tout de même que nous aurions pu sélectionner un autre espace test du moment que l’on dispose des données de comptages routiers de l’espace d’étude cible. Dans cette optique, le cadre expérimental envisagé sur la ville de Dijon peut être réalisé sur un tout autre espace urbain, dans la mesure où l’on dispose au préalable de données issues des comptages routiers. En effet, comme nous le verrons le modèle KISS et le modèle KIDS possèdent les mêmes caractéristiques de fonctionnement interne, leur différenciation s’opérant plutôt par l’intégration d’un environnement urbain au sein du système multi-agents.
Le fonctionnement du modèle SCAUP : le rôle structurant des
5.3.2.
infrastructures de transports pour le déplacement des véhicules
Nous nous arrêtons maintenant sur les hypothèses de fonctionnement établies en vue de produire un trafic routier émergent à partir des comptages routiers au sein du modèle SCAUP. Son fonctionnement tel que nous l’envisageons vise à régir le déplacement des véhicules routiers sur les infrastructures de transports. En reposant sur une approche générative et sur les comptages routiers, nous faisons l’hypothèse que le fonctionnement de SCAUP repose en partie sur une interaction hiérarchique majeure au sein de laquelle le réseau routier porte et supporte l’ensemble des caractéristiques pour appréhender les déplacements des véhicules en milieu urbain.
a. Une réinterprétation de l’affectation et l’écoulement des véhicules : une problématique spatio-temporelle
Comme nous l’avons vu précédemment, simuler le trafic routier nécessite de s’arrêter sur deux éléments qui définissent les modèles de simulation du trafic routier : l’affectation et
l’écoulement (cf. section 4.3, p. 141). Lorsque l’on aborde les problèmes de l’affectation, la
question centrale tourne autour des chemins et des itinéraires qui seront choisis et empruntés par les véhicules pour se déplacer (Henn, 2001). Alors que pour l’écoulement on s’intéresse plutôt à la manière dont les véhicules vont se déplacer sur la route (Bourrel, 2003). En d’autres termes, deux éléments ressortent (Buisson, 1996): l’affectation est une problématique spatiale qui permet de répartir un nombre de véhicules sur un plus grand ensemble d’infrastructures de transport ; alors que l’écoulement est, quant à lui, une problématique plutôt temporelle permettant de régir la
façon avec laquelle les véhicules arpentent les routes. Dans une approche classique de simulation du trafic routier, tous les logiciels de simulation se fondent sur ces deux modules, auxquels se