Apprentissage profond de la mobilité des personnes

HAL Id: tel-02506519

https://tel.archives-ouvertes.fr/tel-02506519

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci-entific research documents, whether they are

pub-L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non,

Apprentissage profond de la mobilité des personnes

Mehdi Katranji

To cite this version:

Mehdi Katranji. Apprentissage profond de la mobilité des personnes. Autre. Université Bourgogne Franche-Comté, 2019. Français. �NNT : 2019UBFCA024�. �tel-02506519�

HE E DE DOC O A DE L ETABLISSEMENT UNIVERSITE BOURGOGNE FRANCHE-COMTE PREPAREE A L'UTBM

Ecole doctorale n°37

SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques

Doctorat d'informatique

Par

Mr. Mehdi Katranji

Apprentissage profond de la mobilité des personnes

Thèse présentée et soutenue à MobiLAB Versailles, le 16 décembre 2019

Composition du Jury :

Mme, OUKHELLOU, Latifa - Directrice de Recherche IFSTTAR - Présidente et Rapportrice M., BARTHELEMY, Marc - Directeur de Recherche CEA - Rapporteur

M., PRECIOSO, Frédéric - Professeur des Universités UNICE - Examinateur

M., CAMINADA, Alexandre - Professeur des Universités UNICE - Directeur de thèse M., HADJ SELEM, Fouad - Chargé de Recherche VEDECOM - Codirecteur de thèse

Mémoire de thèse

Apprentissage profond de la mobilité des personnes

par

Mehdi Katranji

Document nécessaire à la validation d’une thèse en

informatique à l’

R�����

La connaissance de la mobilité est un enjeu majeur pour les autorités organisatrices de mobilité et l’aménagement urbain. En raison du manque de dé�nition formelle de la mobilité humaine, l’expression "mobilité des personnes" sera utilisée dans cet ouvrage. Ce sujet sera introduit par une description de l’écosystème en considérant ces acteurs et ces applications.

La création d’un modèle d’apprentissage a des prérequis : la compréhension des typologies des ensembles de données disponibles, leurs forces et leurs faiblesses. Cet état de l’art de la connaissance de la mobilité passe par le modèle à quatre étapes existe et est utilisé depuis ���� pour �nir sur le renouvellement des méthodologies de ces dernières années.

Nos modélisations de la mobilité des personnes sont ensuite présentées. Leur point commun est la mise en avant de l’individu contrairement aux approches classiques qui prennent comme référence la localité. Les modèles que nous proposons s’appuient sur le fait que la prise de décision des individus se fait selon leur perception de l’environnement.

Cet ouvrage �ni sur l’étude des méthodes d’apprentissage profond des machines de Boltzmann restreintes. Après un état de l’art de cette famille de modèles, nous recherchons des stratégies pour rendre ces modèles viables dans le monde applicatif. Ce dernier chapitre est notre contribution théorique principale, par l’amélioration de la robustesse et de la performance de ces modèles.

Je suis reconnaissant à l’égard de mes collègues et camarades pour nos interactions lors de mes trois années de thèse. Elles m’ont apporté la remise en question nécessaire à l’objectivité scienti-�que.

En premier lieu, je remercie M. Fouad Hadj Selem, mon encadrant scienti�que à VEDECOM, pour son soutien, sa con�ance et son aide. M. Guilhem Sanmarty a été primordial à la réussite de ces recherches avec sa disponibilité, son savoir et sa sociabilité. Je remercie aussi M. Sami Kraiem pour sa justesse et sa promptitude à me rappeler que la recherche n’est pas seulement des réponses mais aussi des questions.

Je tiens à remercier M. Alexandre Caminada, le directeur de ce mémoire, pour m’avoir guidé scienti�quement et avoir su contrôler la dissipation énergétique dont j’aurais pu faire preuve et M. Laurent Moalic pour son accompagnement, ses ré�exions et son écoute lors de nos tête-à-tête scienti�ques. Je remercie aussi M. Etienne Thuilier pour son exemple, ses travaux, ses conseils notamment sur la manière de présenter une problèmatique et ses résultats.

Mob.�� a été l’équipe d’accueil au sein de VEDECOM, la collaboration et l’entraide ont été au premier plan durant nos trois ans. Des échanges ont aussi existé avec les collègues doctorants ou non dans une moindre mesure.

Je remercie les membres et professeurs de HEC Challenge Plus pour m’avoir fait découvrir des aventures humaines scienti�ques, techniques et artistiques et particulièrement M. Frédéric Isselin pour compléter ma re�exion sur la subjectivité et l’objectivité.

Pour �nir, je remercie mes amis, ma famille, mes parents pour leur soutien, leur intéret et leur écoute tout au long de mes recherches synthétisées dans ce mémoire.

T���� ��� ��������

I����������� �

�.� Étude de la position dans le temps. . . �

�.� Expertise du territoire . . . �

�.� Identi�cation des applications. . . �

�.� Introduction des chapitres . . . ��

�.� Contribution principale. . . ��

� É��� �� �’A�� ��

�.� Les données décrivant la mobilité . . . ��

�.�.� Les enquêtes de mobilité . . . ��

�.�.� Les comptages . . . ��

�.�.� Les traces de déplacements . . . ��

�.� Modèle de transport pour la mobilité des personnes. . . ��

�.�.� Modèle à quatre étapes . . . ��

�.�.� Modèle sur le motif de déplacement . . . ��

�.�.� Modèle individuel . . . ��

�.� Apprentissage automatique . . . ��

�.�.� Dé�nir l’apprentissage automatique . . . ��

�.�.� Modèle génératif à données structurées. . . ��

�.�.� Modèle génératif . . . ��

�.� Synthèse du chapitre . . . ��

� M������ �� �������� ��� ��������� ��

�.� Mobilité professionnelle et scolaire . . . ��

�.�.� Travaux connexes . . . ��

�.�.� Ensembles de données . . . ��

�.�.� Méthodologie. . . ��

�.�.� Résultats . . . ��

�.�.� Synthèse . . . ��

�.� Machines de Boltzmann et mobilité des actifs . . . ��

�.�.� Travaux connexes . . . ��

�.�.� Ensembles de données . . . ��

�.�.� Méthodologie. . . ��

�.�.� Résultats . . . ��

�.�.� Synthèse . . . ��

�.� Séquence de mobilité individuelle . . . ��

�.�.� Ensembles de données . . . ��

�.�.� Méthodologie. . . ��

�.�.� Résultats . . . ��

�.�.� Synthèse . . . ��

� M������� �� B�������� ��

�.� Plus loin avec les machines de Boltzmann . . . ��

�.�.� Binaire, catégoriel et réel . . . ��

�.�.� Machines de Boltzmann restreintes discriminatives et hybrides . . . ��

�.�.� Machines de Boltzmann restreintes ordonnées et in�nies. . . ��

�.� Encore une machine de Boltzmann restreinte . . . ��

�.�.� Initialisation des machines de Boltzmann restreintes . . . ��

�.�.� Hybride génératif et entropie croisée . . . ��

�.�.� Création d’une bibliothèque . . . ��

�.� Expérimentation . . . ��

�.�.� Permutation des positions . . . ��

�.�.� Évaluation de la capacité générative . . . ��

�.�.� Évaluation de la capacité discriminative. . . ��

�.� Synthèse du chapitre . . . ��

C���������� �� ������������ ���

B������������ ���

A��������� ���

I�����������

Nous pouvons dé�nir la mobilité par la capacité à se mouvoir, à se déplacer. L’expansion des zones urbaines et la rurbanisation sont responsables de l’éloignement des lieux d’habitation, de travail et d’agrément. Ainsi, les déplacements de population, pendulaires en semaine vers les lieux de travail et de �n de semaine pour l’agrément, ont fortement augmenté depuis cinquante ans avec l’étalement urbain. Pour pouvoir proposer des solutions de déplacement e�caces, les déci-deurs politiques, territoriaux ou entrepreneuriaux de l’organisation des transports en commun doivent pouvoir comptabiliser les déplacements des individus de façon à pouvoir organiser les ar-chitectures des réseaux routiers ou des transports en commun. La donnée de mobilité est devenue une denrée précieuse dans la société moderne. En e�et, celui qui sait comment et où les masses se déplacent dispose de l’information qui pourra lui donner un avantage économique, stratégique, ou organisationnel.

Dans ce travail de recherche, d’analyse et de mise en forme, l’objectif sera de porter de l’inté-rêt aux acteurs de référence dans leur domaine d’activités propres. Il ne s’agit pas de recenser de manière littéralement exhaustive tous les acteurs qui mesurent et analysent la mobilité, mais au contraire de montrer comment procèdent les meilleurs d’entre eux et quels méthodes ou outils permettent de s’a�rmer comme références de l’écosystème de la mobilité. Nous nous interroge-rons sur les acteurs qui mesurent et analysent la mobilité, sur les outils qu’ils utilisent, sur la fré-quence de leurs mesures, mais également sur les usages qui sont faits de ces mesures de mobilité. En�n, après avoir vu le fonctionnement français, nous observerons les méthodes de mesure et d’analyse de la mobilité ailleurs dans le monde.

��� ���� �� �� �������� ���� �� �����

Dé�nir mobilité, mobilité humaine, mobilité des personnes est subjectif. Cependant, il est né-cessaire de se comprendre lorsque l’on parle de mobilité. Commençons par la dé�nition du trans-port selon le glossaire des chi�res clés du transtrans-port ���� du commissariat général au développe-ment durable en France :

Par convention, est appelée « transport » l’activité qui consiste à déplacer un bien physique ou une personne d’un point à un autre, avec un but autre que le déplacement lui-même. Le transport d’électricité notamment est ex-clu de ce champ.

Un trajet domicile-travail constitue du transport puisqu’il a pour �nalité de rendre disponible une personne sur son lieu de travail. En revanche, un déplacement à vélo avec retour au point de départ n’est pas du transport, car son motif premier est le loisir procuré par cette activité.

Pour assurer un transport, il est généralement nécessaire d’utiliser un véhi-cule et des infrastructures de transport, réseaux de transport, gares, ports, infrastructures de triage par exemple. Ces éléments permettent de dé�nir des modes de transport : routier, ferroviaire, �uvial, maritime et aérien. Le transport rassemble toutes les activités qui contribuent directement au déplacement ainsi que les activités auxiliaires de transport, telles que l’entre-posage et le stockage, la gestion des infrastructures, la manutention liée au transport, l’organisation et la logistique de transport. Sont exclus du trans-port la production de véhicules, la construction des infrastructures (tra-vaux publics), le ra�nage et la production d’énergie destinés au transport.

Il faut opposer cette dé�nition humaine du transport à la dé�nition physique de la mobilité. Un mobile est un corps au sens physique qui change de position dans le temps selon un référentiel. Sa première dé�nition dont on a les écrits provient d’Aristote dans son ouvrage sur la physique. Le lieu et le temps sont dé�nis selon une conception philosophique.

« Sans doute, l’antériorité et la postériorité se rapportent primitivement au lieu; et, dans le lieu, elles se distinguent par la situation. Mais comme dans la grandeur, il y a également antériorité et postériorité, il faut qu’il y ait aussi l’une et l’autre dans le mouvement, d’une manière analogue à ce qu’elles sont dans la grandeur. Or, dans le temps aussi, il y a antérieur et postérieur, parce que le temps et le mouvement se suivent toujours et sont corrélatifs entr’eux. » Aristote, Physique, Livre IV, §� (traduction de Barthélémy Saint-Hilaire)

Par la suite, pour Newton, l’espace et le temps sont les coordonnées permettant de représen-ter les phénomènes naturels et nécessaires pour décrire la science de la nature, le référentiel est absolu. Newton propose une ré�exion philosophique combinée à l’étude théorique et empirique des corps. Aujourd’hui, la vision admise par la communauté scienti�que est celle d’Einstein qui lie espace et temps et où il n’y a pas de référentiel privilégié. Par ailleurs, la modélisation de Newton utilisant un référentiel associé à la Terre est su�sante pour les vitesses humaines.

Cependant, ces approches su�sent pour la physique du corps inanimé. Un être vivant peut par ses choix décider de se déplacer selon le contexte social ou environnemental en lien avec son « lieu naturel ». La mobilité des personnes dépend des caractéristiques de l’individu et de l’envi-ronnement. La prise de décision est alors un problème complexe selon les besoins et les ressources disponibles.

�.� Expertise du territoire 1000000 2000000 3000000 4000000 5000000 6000000

F����� �.� – Évolution du peuplement humain mondial en zone rurale ou urbaine [ONU - World Urbanization Prospects ����]

L’observation de la mobilité des personnes est la représentation des déplacements d’individus sur un territoire. D’une part, cette observation peut être directe, un individu identi�é a une ori-gine et se déplace vers sa destination. D’autre part indirecte, l’observation du déplacement d’une voiture identi�ée implique aujourd’hui le déplacement d’un individu. Ainsi les taxis, les véhicules, les téléphones intelligents sont utilisés en tant qu’intermédiaire comme source d’information de la mobilité des personnes.

Parce que la question est ouverte, les dé�nitions de la mobilité des personnes sont peu satis-faisantes. Alors, la suite de cette introduction sera la présentation des acteurs du domaine et des applications. La question des sources de données sera traitée dans le prochain chapitre. Commen-çons par présenter l’utilisation actuelle des données.

��� E�������� �� ����������

Le monde du transport et de la mobilité de manière plus globale regroupe une multitude d’ac-teurs qui peuvent être des acd’ac-teurs directs de l’écosystème, mais également des acd’ac-teurs indirects venant d’autres domaines de compétences qui sont tout de même présents dans cet écosystème.

Nous pouvons en identi�er deux types d’acteurs. De manière introductive, on peut dire qu’il y a, premièrement, ceux qui construisent les données et réalisent les études, les enquêtes, les comp-tages. Ceux-là mesurent la mobilité. Deuxièmement, il y a les acteurs qui utilisent les données mesurées pour les transformer et les analyser. Voyons dans un premier temps les acteurs respon-sables de la mesure de la mobilité.

Ces acteurs doivent répondre à l’enjeu de l’urbanisation croissante française et mondiale. L’Or-ganisation des Nation Unis (ONU) prévoit un doublement des populations urbaines d’ici ���� là où les populations rurales garderaient la même proportion, voir �gure�.�. Cette augmentation peut s’exprimer de deux façons, ou bien la densité de la population augmente, ou alors la super-�cie des zones urbaines augmente. Chacune de ces options apporte des contraintes de transport plus importantes soit par la densité de personnes soit par la distance à parcourir. Par le passé, la combinaison des deux a été observée, par exemple avec la région de Tokyo, l’agence de statistique

japonaise présente entre ���� et ���� une augmentation de la super�cie habitable de �.�% et la densité de population de ��.�%.

L�� ������������� �� �������

La donnée de mobilité est précieuse. Le rôle des acteurs chargés de mesurer la mobilité est pri-mordial tant il est important de disposer d’un recueil de données quantitativement et qualitative-ment intéressant. Nous avons choisi de séparer dans une distinction en trois temps les acteurs qui construisent la donnée.

L�� ����������� �’������ �’�������

Les entreprises de sondages d’opinion, appelées à tort « instituts », ont un positionnement glo-bal. Les entreprises leaders du marché des études d’opinion en France ne sont pas spécialisées dans le transport ou la mobilité. Elles possèdent des collaborateurs qui traitent de tous les écosystèmes de la consommation (alimentation, biens d’équipement durables, beauté/cosmétiques, boissons, produits d’entretien, distribution/commerce, santé...). Parmi tous ces écosystèmes qui nécessitent d’être évalués et mesurés, le secteur du transport représente �% du chi�re d’a�aire de la totalité des études d’opinion réalisées par ces entreprises.

Les entreprises de sondages et d’études, depuis leur apparition dans les années ��, ont réussi à s’imposer dans une situation de domination de la mesure de la mobilité. Ces entreprises ont su évoluer en intégrant les nouvelles technologies telles qu’Internet sans pour autant abandonner les études et sondages en face à face ou par téléphone. Le développement du transport et des dépla-cements a entrainé l’apparition d’acteurs spécialisés.

L�� �������� �’������ ����������� ���� �� ��������

L’étalement urbain a éloigné les lieux d’habitation des lieux de travail. Les déplacements ont augmenté en conséquence. Le phénomène de la mobilité spatiale est donc devenu primordial. Comme pour tout thème ou écosystème, des spécialistes se sont positionnés sur le sujet. Ainsi la France a vu apparaitre les bureaux ou les cabinets d’études spécialisés dans la mobilité. Ces entre-prises ont su développer une expertise propre au sujet pour proposer aux commanditaires d’études des informations précises permettant de caractériser un territoire.

Contrairement aux entreprises de sondage, les cabinets d’études spécialisés dans la mobilité ont développé des compétences poussées dans la mesure et l’analyse de la mobilité. Les typologies d’ac-tions des cabinets spécialisés sont larges. Comme le BIPE (Bureau d’Informad’ac-tions et de Prévisions Économiques : Société de conseil en stratégie; � millions de CA en ����), certains cabinets ont une approche orientée vers la stratégie économique face à la problématique des transports et de la mobilité. Ainsi leur stratégie de conseil sera forcément conduite par cette spécialisation. À l’in-verse, d’autres cabinets spécialisés dans la mobilité ont un positionnement plus axé sur les rapports à l’urbanisme, la mobilité individuelle et les nouvelles solutions qui l’accompagnent. Les bureaux d’études spécialisés dans la mobilité ont su proposer des alternatives aux questionnaires et son-dages traditionnels.

En e�et, ils ont imposé de nouveaux outils technologiques qui ont permis de caractériser la mobilité d’une nouvelle façon. Ils ne sont plus seulement déclaratifs, comme lorsque l’on répond

�.� Expertise du territoire

à un sondage, mais ils deviennent physiques, en permettant d’e�ectuer des comptages sur tous les modes de déplacements, des enquêtes sur les origines et les destinations, en isolant les façons de se déplacer.

Pour pouvoir e�ectuer les enquêtes ou les sondages commandés par les maitres d’ouvrage, les entreprises de mesure et d’analyse de la mobilité utilisent des logiciels créés à cet e�et.

L�� ���������� �� ���������� �’������ ���� �� ������ �� �’�������

Les entreprises créatrices de logiciels sont à la base du recueil des données de mobilité. Sans elles, pas de sondage, pas de questionnaire, pas d’enquête. Ces sociétés fournissent notamment des échantillons de populations représentatives. Elles peuvent également acheter des sondages ou des questionnaires déjà créés sur un thème précis. En�n, il est parfois possible d’acheter la plate-forme nécessaire pour la création et l’exploitation d’un sondage d’opinion. Nous pouvons citer pour exemple le Service des Transports en commun de l’Agglomération Rennaise, organisé par Rennes Métropole et exploité par Keolis Rennes, qui a mis en place sur son site Internet la pos-sibilité de s’inscrire à un panel mobilité et de remplir régulièrement des enquêtes sur des thèmes relatifs aux transports concernant Rennes ou la France de manière plus générale. Pour ce faire, l’entreprise de transport utilise le logiciel QuickSurveys de l’entreprise française Toluna, spéciali-sée dans la création de logiciels d’enquête et d’échantillons représentatifs. Cette société créée en ���� à Levallois-Perret se positionne comme une entreprise de première importance sur le mar-ché des fournisseurs de terrains et de solutions d’enquêtes en ligne. Le groupe Toluna possède une communauté de � millions de panélistes répartis dans �� pays dans le monde, ce qui en fait la première communauté de panélistes au monde.

Les entreprises de technologie comme Toluna, bien qu’elles ne soient pas spécialisées dans les transports, o�rent des solutions technologiques inédites pour obtenir des informations nouvelles sur les individus. Ainsi des outils comme des questionnaires construits pour les tablettes et les smartphones sont novateurs dans le sens où ils s’adaptent à l’utilisation des nouvelles technologies de la part des Français, et ne sont plus simplement cantonnés au support limitant qu’est l’ordina-teur.

L�� ����������� �� �������

Nous venons de voir les acteurs qui interviennent de di�érentes manières dans la mesure de la mobilité. Pour la grande majorité, ils ne sont responsables que du recueil des données concer-nant les déplacements. Le travail d’analyse et d’interprétation est lui con�é à des acteurs aux statuts di�érents. On peut retrouver les acteurs qui interviennent directement dans les transports et les déplacements, mais également ceux qui paraissent, à première vue, un peu plus éloignés du do-maine des transports.

L�� ������� �� �� ��������

Les acteurs de la mobilité ne sont pas ceux qui la mesurent. On l’a vu, la responsabilité de la me-sure est con�ée à des acteurs qui en possèdent les compétences et les ressources organisationnelles. Les grands acteurs du transport et de la mobilité sont eux dans une posture d’analyse des données

recueillies. Ils disposent de services d’études qui sauront utiliser les données brutes recueillies pour pouvoir comprendre le fonctionnement des déplacements d’un territoire.

Le rôle des acteurs de la mobilité est d’abord organisationnel. L’action de ces acteurs doit entrai-ner une amélioration de l’articulation des transports. Mesurer les déplacements servira, aux entre-prises, aux fédérations, aux territoires à pouvoir prescrire de nouvelles solutions pour les popula-tions des territoires mesurés. Si certains ont plus d’in�uences que d’autres (territoires par rapport aux fédérations par exemple) et si certains sont dans une logique concurrentielle (les entreprises de transport), elles visent toutes, pour des raisons diverses, à améliorer le quotidien des usagers des transports et également à augmenter la part des non-utilisateurs à basculer vers l’usage des trans-ports en commun à travers un report modal.

L�� ������� ��� �����������

Nous avons vu que les commanditaires des mesures de la mobilité étaient de manière générale les di�érents acteurs du transport et de la mobilité, quel que soit leur type. Voyons maintenant que d’autres types d’acteurs font également partie de l’écosystème des commanditaires.

Comme nous l’avons souligné, la donnée est devenue une denrée précieuse. Celui qui sait com-ment se déplacent les individus possède de l’avance sur les autres. Si les acteurs du transport uti-lisent les données de mobilité dans une optique d’amélioration du réseau, des fréquences, des �ottes, les acteurs privés hors transport sont eux dans une logique commerciale. Connaitre la ma-nière dont les individus se déplacent en France ou sur un territoire plus local permet, après analyse, de proposer des produits ou des services en relation avec la mobilité. Ainsi des acteurs comme Axa prévention ou l’Observatoire Cetelem se sont spécialisés dans l’analyse de la mobilité et plus parti-culièrement des risques liés aux façons de se mouvoir. Chaque année, le baromètre Axa prévention donne un éclairage sur la façon de conduire des conducteurs français. Les résultats du sondage réa-lisé par TNS Sofres sont repris dans tous les médias d’information principaux tous les ans. Ainsi c’est un organisme issu du premier assureur mondial (en CA) qui est celui qui permet à tous les individus de savoir de quelle façon se déplacent les automobilistes. Dans le même registre, l’Obser-vatoire Cetelem, est issu de l’entreprise de crédit à la consommation Cetelem, �liale de la banque BNP Paribas. Cet observatoire possède deux axes de recherches, un premier sur l’étude des biens de consommation et la façon dont les Français consomment et un second axé sur les pratiques liées à l’automobile. À l’image de ce que fait Axa prévention, l’Observatoire Cetelem publie également de manière annuelle un baromètre des pratiques des automobilistes, là encore réalisé par la société TNS Sofres.

��� I������������� ��� ������������

Ceux qui font la mobilité ne sont pas ceux qui la mesurent. Ils ont d’abord un rôle organisa-tionnel. Comprendre comment les individus se déplacent donne un avantage commercial majeur, car les acteurs privés hors du domaine du transport sont eux aussi dans une logique commerciale vis-à-vis des données de mobilité.

�.� Identi�cation des applications

Produit Transforme Utilise

G e D ec e E ime O ga i e P di e E e D e b e E e O a e de a Ob e a i e A i l cale

F����� �.� – Écosystème de la connaissance de la mobilité de personnes

A����������� �� ����������� ������

D�������� �� ��������� ���� �� ������ �������

L’analyse des �ux de mobilité des personnes permet de détecter les liaisons qui sont à l’origine d’un gaspillage important de temps et d’énergie. Ceci peut être dû à une mauvaise conception ou à une évolution démographique importante qui rend la liaison inadaptée aux besoins des utilisa-teurs. Détecter une telle liaison qui n’est pas adaptée aux besoins e�ectifs fournit en soi une infor-mation pour alimenter un outil d’aide à la décision permettant de rationaliser les investissements routiers.

Naturellement, nous avons besoin des trajectoires complètes et des vitesses des véhicules dans le réseau routier considéré. Ces données permettent de construire les matrices origines/destinations dynamiques complétées par les matrices des vitesses moyennes. La granularité utilisée peut être construite par l’intersection des routes principales du réseau, ou bien la partition administrative de la zone considérée. A ce stade, la première di�culté est la granularité temporelle des matrices OD obtenues. En e�et, en agrégeant les �ux à une durée importante (une journée par exemple), nous ne serons plus en mesure de distinguer clairement les saturations. D’autre part, garder tous les �ux enregistrés (un �ux par �� minutes en moyenne) rend la sélection des liaisons plus di�cile puisque, pour maintes raisons, un grand nombre d’entre elles pourrait être accidentellement saturé à travers la journée. À l’aide d’un apprentissage non supervisé, nous pouvons nous ramener à quelques matrices OD modélisant de façon correcte les variations les plus importantes dans une journée. Ceci permet en outre d’éviter de prendre en compte les saturations dues à des accidents de la route. Un algorithme de sélection particulier « skyline »[���]permet de sélectionner les liaisons dont un certain rapport des trois caractéristiques est critique par rapport au reste du réseau routier. Ainsi, un sous-graphe est obtenu pour chaque journée. Une étude statistique à travers l’ensemble des journées permet en�n une classi�cation robuste des sous-graphes présentant une saturation stable évitant les cas trop particuliers (accidents de la route[��],conditions météorologiques...).

O���������� �’��� �������� ������������ �’����������� �� ���� �’�� ����������

Lorsqu’une décision doit être prise, en matière de création d’infrastructures ou de localisation de services, elle ne peut pas se baser uniquement sur un niveau de performance des solutions. En e�et, la prise en compte des réalités du terrain, des orientations politiques visées, et de l’expertise du décideur, sont autant de facteurs agissant sur la décision dé�nitive. Par exemple, une meilleure prise en compte des déplacements des habitants d’un territoire doit permettre :

— de déployer des o�res de transports en commun de meilleure qualité — d’aménager des voiries dédiées aux cyclistes

— de construire des stations de vélos ou de voitures partagées

— de déterminer les meilleurs emplacements pour des arrêts de bus et de �xer les fréquences de passage des bus

— de déterminer les meilleurs emplacements des centres commerciaux, des parkings, des écoles, des zones administratives...

De plus, à l’heure où les véhicules électriques de toute nature (automobile, scooter, cyclomo-teur, trottinette, etc.) constituent une nouvelle façon de se déplacer, de grands investissements en matière d’infrastructures de recharges sont à prévoir. Pour accompagner toutes ces évolutions et tous ces besoins en infrastructures très coûteuses, construites dans le cadre de projets à long terme, il apparait indispensable de construire des outils d’aide à la décision en sus de la connaissance de la mobilité des personnes.

Ces outils d’aide à la décision peuvent être employés dans des contextes plus généraux comme, entre autres, la réponse à un appel d’o�res et la gestion des risques naturels.

En général, tous ces problèmes se ramènent �nalement à un système mathématique à résoudre pour optimiser une estimation (régression), une probabilité d’appartenir à une classe (classi�ca-tion), ou une fonction coût générale à dé�nir dans chaque cas (combinatoire).

Pour la clarté de cette introduction, nous avons choisi de détailler un problème typique qui permettra facilement de comprendre la démarche permettant de résoudre ce genre de problèmes. Nous considérons le problème de la localisation de stations d’autopartage dans une ville donnée. Pour un ensemble de choix disponibles, nous essayons d’en sélectionner un ensemble optimal par rapport à plusieurs critères prédé�nis. Le décideur pourrait ensuite en choisir un en fonction du coût (par exemple). Pour ce faire, on commence par dé�nir qu’est-ce qu’un service d’autopartage qui fonctionne bien. A�n de rendre compte des divers facteurs traduisant le "bon" fonctionne-ment du service, nous pouvons, par exemple, simultanéfonctionne-ment :

— Maximiser les �ux de déplacement[��] :les stations doivent être positionnées de façon à être à l’origine et à la destination d’un maximum de besoins en termes de déplacement. Il ne s’agit donc pas simplement de mettre les stations dans les zones attractives comportant le plus de personnes, mais de façon à satisfaire un maximum d’échanges origine/destination. — Maximiser l’équilibre des stations[��] :ce deuxième objectif vise à réduire les situations de

saturation. On cherche ici à éviter qu’une station soit sans voiture ou au contraire sans place disponible pour y déposer une voiture ce qui entraine une perte de con�ance dans le service.

�.� Identi�cation des applications

— Ensuite, à l’aide d’une estimation des matrices de �ux OD sur les zones en question, il est possible de dé�nir deux fonctions mathématiques modélisant ces deux critères en fonction de toutes les combinaisons de �ux. Par exemple, il su�t d’estimer le cumul du maximum du �ux (entrant et sortant) tout au long de la journée, sous contrainte que sa dispersion à travers la journée reste maximale, en moyenne durant la semaine. Ainsi, il su�t de résoudre un problème d’optimisation sous contrainte pour sélectionner les meilleures combinaisons de choix possibles.

A����������� ���� �� ������� ��� ����������

La congestion routière coûte des milliards de dollars chaque année (��� milliards de dollars en ���� selon INRIX pour les États-Unis, l’Allemagne et l’Angleterre) en raison de la perte de temps, du gaspillage de carburant, de la pollution de l’air et de la baisse de productivité. Le retard annuel moyen par personne était de �� heures en ����, ce qui équivaut à une augmentation de ��� % par rapport à celui de ����.

Diagnostiquer la congestion routière est considéré comme l’étape principale pour mettre en place des solutions adaptées. En e�et, même si on est en mesure d’identi�er les anomalies dans l’infrastructure des réseaux routiers, la congestion routière même diminuée, reste fréquente, car fruit de mouvements de mobilité particuliers et aléatoires. Ainsi aucune infrastructure n’est com-plètement à l’abri de ce phénomène.

En e�et les activités de transport comportent des facteurs humains qui sont di�ciles à repré-senter. Ainsi, pouvoir prédire su�samment tôt la saturation d’un axe routier, permettrait par exemple, d’informer en temps réel les utilisateurs qui peuvent encore l’éviter en changeant d’iti-néraire. La di�culté résulte dans le fait que le volume du tra�c en un point et temps donnés, ne résulte pas seulement du nombre de voitures arrivant sur cette liaison à ce temps, mais plutôt d’un mouvement particulier sur tout le réseau routier et qui commence beaucoup plus tôt. Ainsi, il faut utiliser des techniques d’apprentissage profond qui détectent les formes particulières implicites avant de prédire la variable explicite. L’apprentissage profond est performant quand la variable à prédire est résultat d’une longue chaîne de communications synaptiques qui représentent plu-sieurs couches de traitement. Deux articles intéressants en ���� ont relevé ce problème : pour la classi�cation de l’état de circulation[��]et pour l’estimation du volume de tra�c[���].

Dans ce contexte, nous pouvons suivre les pistes suivantes à court et à moyen terme :

— Proposer des modèles d’apprentissage profonds combinés avec des contraintes de structure permettant de modéliser le fait que les variables (volume de tra�c) sont structurées selon un graphe (le réseau routier). De plus, on doit se rappeler que les deux papiers cités ne consi-dèrent qu’un cas uni source. Par exemple, les données sur les points d’intérêt (POI) n’ont pas été exploitées dans les modèles de réseaux de neurones proposés alors qu’il s’agit d’un facteur très important dans les phénomènes de saturations.

— Utiliser les résultats de prédiction du tra�c pour optimiser les trajets multimodaux. En ef-fet, l’estimation des �ux de mobilité est utile pour les équipes travaillant sur les méthodes d’optimisation d’itinéraires multimodaux.

— Explorer l’intelligence humaine pour trouver le chemin le plus court pour une destination donnée. En e�et, dans[���,���]les auteurs exploitent les trajectoires des taxis pour en dé-duire les itinéraires permettant d’éviter les bouchons habituels. En France, le service taxi n’a

pas la même importance qu’en Chine ou aux États-Unis. Néanmoins, un service similaire est proposé par l’application Uber. Nous pouvons essayer de récupérer leurs données pour le même objectif.

— Explorer la possibilité de mettre en place des services de mobilité partagée ou de stationne-ment intelligent. En e�et, étant en mesure de décrire avec précision les �ux de mobilité des personnes, il nous est possible d’étudier la mise en place d’outils d’aide à la décision pour plani�er un système de véhicule ou vélo partagé. D’autre part, l’optimisation des services de stationnement (choix d’une place et d’un itinéraire pour se garer) est directement liée à l’estimation des déplacements et des �ux décrite précédemment.

A����������� ���� ��� ���������� �� ������

La première étape consiste à analyser les besoins. Il s’agit de construire une base de données issues de plusieurs sources de mobilité, notamment les données de billetterie, et qui décrivent les �ux de déplacements sur le réseau des transports en commun. Les techniques présentées per-mettent de reconstruire des trajectoires (les plus probables) à partir de quelques points de passage. D’autre part, partant d’une estimation partielle, il est possible de prédire plusieurs �ux en suivant les mêmes étapes que détaillé précédemment. En e�et, il su�t de fusionner des sources de don-nées corrélées logiquement avec le déplacement à estimer; par exemple, les POI, densité de popu-lation, etc. Ainsi, il est possible de reconstruire une bonne estimation des di�érents �ux. Ensuite, des outils statistiques de détection de formes particulières (analyse en composante principale par exemple...) permettent d’identi�er les déplacements fréquents, réguliers, d’identi�er les grands détours, les heures de saturation, etc. Ensuite, la mise en place de solutions pourrait être optimi-sée en utilisant les techniques d’optimisation.

A����������� ���� �’���������� �� �� ������� �� �’���

L’estimation de la qualité de l’air est d’une grande importance pour la protection de la santé humaine et pour le contrôle de la pollution. Beaucoup de villes mesurent en continu les densités de quelques gaz comme le PM�� et le CO� par des stations �xes ou portables. Cependant, il y a seulement un nombre limité de stations de mesure dans une ville en raison du coût élevé de la construction et la maintenance. Malheureusement, la qualité de l’air varie de façon non linéaire et dépend de plusieurs facteurs. L’objectif est de l’estimer en temps réel et de la prédire avec une précision spatio-temporelle su�samment �ne. L’approche Machine Learning consiste à utiliser un échantillon d’apprentissage pour apprendre la dépendance de la qualité de l’air en fonction des autres facteurs. Ensuite, après avoir validé le modèle par des techniques de validation croisée, il serait possible de l’utiliser pour estimer la qualité de l’air sur des données et villes di�érentes. Les éléments déterminants sont les conditions météorologiques, le tra�c routier, les points d’intérêt et les réseaux routiers. Le point principal dans l’approche proposée est que la qualité de l’air varie en fonction de l’espace et du temps. Elle dépend à la fois de la qualité du site considéré et de celle des sites proches (par exemple, la densité des points d’intérêt et la présence des autoroutes, l’état du tra�c...). Ainsi, la dépendance temporelle et spatiale formule deux vues distinctes. L’outil mis en place en Chine[���]utilise un estimateur à vue multiple : « Co training » qui est composé de deux classi�eurs. L’un est un classi�cateur spatial basé sur un réseau neuronal arti�ciel (ANN), l’autre

�.� Identi�cation des applications

est un classi�cateur temporel basé sur un modèle de type champ aléatoire. En itérant avec les deux outils, on converge vers une estimation qui prend en compte les deux facteurs. Cela permet de conseiller les habitants d’éviter des comportements qui les exposent à des dangers. Nous pouvons appliquer le même algorithme ou procéder par une approche di�érente de type Deep Learning pour mettre en place un outil d’estimation de la qualité de l’air en France basé sur les mêmes jeux de données et qui seront, entre autres, obtenus par les di�érentes méthodes décrites précédemment (par exemple les estimations du tra�c).

A����� �������� �’������������

C���������� ����������������

Nous pouvons utiliser des méthodes d’optimisation combinatoire pour inciter les salariés à la pratique des services de covoiturage interentreprises. Mettre en place un service intelligent revient à optimiser un compromis entre les besoins des conducteurs et ceux des autres utilisateurs. Les co-voitureurs préfèrent ne pas devenir dépendants des horaires d’arrivée et de départ du chau�eur. Le propriétaire de la voiture préfère éviter de partir avec des places vides alors qu’il est normalement engagé avec des salariés qui eventuellement annulent leurs voyages. Ainsi, une solution convenable est de réserver des horaires et des stations de passages pour les destinations fréquentes identi�ées par une analyse de besoins auprès des salariés. Ainsi, les chau�eurs peuvent récupérer des voya-geurs à tout moment sans rendez-vous. A�n d’optimiser les chances de réussite d’un tel système, il faut adapter la localisation de ces stations et les horaires de passages en fonction des di�érents �ux de départ et arrivée. En e�et, un choix non optimal entrainera une faible utilisation. Une approche par optimisation combinatoire permettrait d’aider à une telle plani�cation réduisant les situations où un salarié ne trouve pas de covoiturage et celui d’un chau�eur qui ne trouve pas de covoitu-reurs lors de son passage par une station. Une approche par optimisation combinatoire basée sur les estimations des origines et destinations des salariés permettrait d’estimer un tel équilibre. D�������� ��� ���������� �’��� �����

Les frontières régionales dé�nies par les gouvernements peuvent ne pas être respectées par les mouvements et les échanges des habitants. L’estimation par apprentissage non structuré des fron-tières des régions selon l’interaction entre les gens peut aider à suggérer des fronfron-tières administra-tives (et donc des services administratifs) optimales pour une ville.

R������� ������������ �� �� ������� ����������

L’approche détaillée dans les paragraphes précédents pourrait être appliquée pour aider à la pla-ni�cation des stations de recharge a�n de minimiser le risque que des voitures soient en limite d’autonomie au cours des voyages. Dans le même contexte, il est possible d’estimer en temps réel si une voiture électrique est su�samment chargée pour atteindre la station la plus proche. Un tel système doit prendre en compte l’état actuel du tra�c. De plus, il faut avertir le conducteur su�samment tôt que l’autonomie de sa voiture commence à devenir critique par rapport aux dif-férentes stations disponibles. De plus, le plus court chemin (dans un sens multicritère) pourrait être estimé par une optimisation numérique.

��� I����������� ��� ���������

Ce document se décompose en trois chapitres. Le premier chapitre est l’état de l’art de la mobi-lité des personnes. Les sources de données et les méthodologies de captation sont analysées pour comprendre les utilisations possibles. Les enquêtes, les traces de positions et comptages sont les formats spéci�ques à l’étude de la mobilité. Cet état de l’art comprend aussi une présentation des familles de modèle adaptées à notre sujet pour �nir sur une présentation générale des modèles d’apprentissage profond.

Les modélisations proposées durant la thèse sont présentées dans le second chapitre. Notre pre-mière approche se concentre sur les motifs de déplacements les plus communs qui sont le travail et l’étude par rapport au domicile. Dans une seconde approche, la généralisation à tous les motifs de déplacements est possible à l’aide d’un modèle récurrent. Ces approches sont étudiées et évaluées sur des zones inconnues du modèle lors de la formation. Elles ont l’avantage d’être compatibles avec les données individuelles de recensement, ainsi l’inférence est possible sur tout le territoire recensé français.

Nous �nissons ce mémoire par l’étude théorique des machines de Boltzmann restreintes et plus particulièrement les méthodes permettant une génération automatisée des structures de couches cachées. La version utilisant seulement des données binaires est généralisée pour autoriser un mix de variables binaires, catégorielles et réelles. De plus, la version discriminative est implémentée pour permettre la formation des modèles par une approche supervisée et semi-supervisée. Une analyse complète des résultats obtenue est e�ectuée sur deux bases de données publiques pour une comparaison avec les modèles de l’état de l’art de cette famille de l’apprentissage profond.

��� C����������� ����������

[�] Mehdi Katranji, Sami Kraiem, Laurent Moalic, Guilhem Sanmarty, Alexandre Caminada, and Fouad Hadj Selem. Multi-task learning of daily work and study round-trips from survey data.arXiv preprint arXiv :����.�����, ����.

[�] Mehdi Katranji, Laurent Moalic, Guilhem Sanmarty, Sami Kraiem, Alexandre Caminada, and Fouad Hadj Selem. Mixed-variate restricted boltzmann machines for the inference of origin–destination matrices. InTRB (Transportation Research Board) Annual Meeting ����. TRB, ����.

[�] Mehdi Katranji, Guilhem Sanmarty, Laurent Moalic, Sami Kraiem, Alexandre Caminada, and Fouad Hadj Selem. Rnn encoder-decoder for the inference of regular human mobility patterns. In���� International Joint Conference on Neural Networks (IJCNN), pages �–�.

IEEE, ����.

[�] Mehdi Katranji, Etienne Thuillier, Sami Kraiem, Laurent Moalic, and Fouad Hadj Selem. Mobility data disaggregation : A transfer learning approach. InIntelligent Transporta-tion Systems (ITSC), ���� IEEE ��th InternaTransporta-tional Conference on, pages ����–����. IEEE,

����.

[�] Ghazaleh Khodabandelou, Mehdi Katranji, Walid Kheriji, Hadj Selem Fouad Estimation of time delay caused by point geometry in public transport. InIntelligent Transportation Systems (ITSC), ���� IEEE ��th International Conference on. IEEE, ����.

�.� Contribution principale

[�] Muhammad Naeem, Mehdi Katranji, Guilhem Sanmarty, Sami Kraiem, Hamza Mahdi Zargayouna, and Fouad Hadj Selem. Estimation of time delay caused by point geometry in public transport.arXiv preprint arXiv :����.�����, ����.

�

É��� �� �’A��

Les connaissances préalablement nécessaires à la recherche de méthode de prédiction des déplace-ments humains au sein d’un territoire sont les sujets de ce premier chapitre. Tout d’abord, il s’agit de comprendre la nature des données de mobilité que nous découpons en trois catégories : les en-quêtes qui sont le retour d’expérience des individus, les comptages du nombre de passage à un lieu donné et les traces discrètes (séquence de localisation). Ensuite, nous étudions les modélisations existantes, dont le modèle individuel qui se révelera être le plus adapté aux méthodes d’apprentis-sage automatique. Pour �nir, nous nous intéresserons à une analyse de la notion d’apprentisd’apprentis-sage en mathématique et plus particulièrement son application aux modèles d’apprentissage profond de réseaux neuronaux arti�ciels.

Sommaire

�.� Les données décrivant la mobilité . . . ��

�.� Modèle de transport pour la mobilité des personnes . . . ��

�.� Apprentissage automatique . . . ��

O ? Q and ? Comment ? Po rq oi ? Q i ?

F����� �.� – Structure générale d’une enquête de mobilité

��� L�� ������� ��������� �� ��������

Nous avons vu le rôle que peuvent tenir les acteurs qui gravitent dans l’écosystème de la mobi-lité. Il est di�érent par leur statut et les missions qu’ils gèrent au quotidien. Mais ils ont tous un objectif commun : connaitre la façon dont les gens se déplacent pour obtenir un avantage straté-gique ou compétitif. Voyons désormais quels outils et méthodes sont utilisés pour quanti�er et analyser les �ux de personnes.

����� L�� �������� �� ��������

Les enquêtes sont une des bases les plus anciennes de la mesure de la mobilité. Dans leur ma-jorité, elles ont pour point commun un contact direct avec un individu, en face à face ou au télé-phone. Les autres reposent sur des enquêtes dématérialisées a�n de remplacer le travail physique de l’enquêteur.

Les données ainsi recueillies permettent de mesurer une grande quantité de déplacements sur le territoire, à propos du mode de transport, du motif de déplacement, des heures de départ et d’ar-rivée. Cependant, des biais existent car les individus sont interrogés sur les déplacements réalisés sur une journée précise la plupart du temps :

— Biais de non-voyage : l’individu peut ne s’être pas ou peu déplacé durant la journée exa-minée.

— Sous déclaration : le mode de passation est majoritairement le téléphone pour réaliser les enquêtes. Le mode étant contraignant, certains répondants peuvent omettre certains dé-placements qu’ils jugent peu importants pour achever plus rapidement la passation. — L’e�et de mémoire : le répondant peut omettre certains déplacements réalisés, soit par

manque de mémoire, soit volontairement et ainsi fausser les réponses.

— Approximations spatiales et temporelles : lié à l’e�et de mémoire, le répondant peut se rappeler s’être déplacé, mais décrire ses déplacements de manière approximative.

�.� Les données décrivant la mobilité

L�� EMD� EDVM �� EDGT

Une Enquête Ménages-Déplacements (EMD) est une photographie des déplacements des ré-sidents d’un territoire dé�ni (commune, communauté d’agglomération, agglomération, départe-ment, région). La méthode d’enquête est normée par le CEREMA. Elle dispose de règles strictes qui permettront l’interopérabilité des résultats entre chaque enquête. L’étude d’un périmètre géo-graphique cohérent, dé�ni avec l’aide des collectivités locales qui ont ce territoire en gouvernance, permet d’analyser les pratiques de mobilité des habitants du territoire.

— Pour réaliser une EMD il est recommandé de disposer d’un échantillon d’au moins ���� ménages sur l’ensemble de l’aire d’études et ��� personnes dans chacun des secteurs de ré-sidence choisis comme unité de tirage de l’échantillon, sans jamais descendre sous les �� ménages.

— Toutes les EMD sont réalisées au domicile des personnes enquêtées. L’enquêteur interroge toute personne du ménage âgée de � ans et plus. En plus des caractéristiques sociodémogra-phiques des enquêtés, l’EMD permet de relever de manière précise, sur une base déclarative, l’intégralité des déplacements e�ectués par la personne interrogée, le jour précédant la pas-sation du questionnaire.

Deuxième type d’enquête standardisée par le CEREMA, l’enquête déplacements ville moyenne ou EDVM. Crée en ����, ce nouveau type d’enquête s’utilise pour les pôles urbains ne dépassant pas les ��� ��� habitants. Cependant pour une enquête sur un large territoire, l’aire urbaine d’en-quête peut dépasser ce chi�re de ��� ��� habitants. Les EDVM se déroulent par téléphone. Une ou deux personnes du ménage tirées au sort, âgées de �� ans et plus, sont interrogées. Par rapport aux EMD, les questionnaires des EDVM sont allégés pour rendre la passation moins lourde vis-à-vis de l’usage contraignant du téléphone. Comparativement à une EMD encore, les informations recueillies par une EDVM sont moins nombreuses.

En�n, le troisième et dernier type d’enquête standardisé par le CEREMA, l’enquête déplace-ments grand territoire ou EDGT. Cette méthode d’enquête est une adaptation de l’EMD de base dans le sens où l’EDGT permet de caractériser les déplacements de populations sur des territoires à la fois urbains et ruraux puisqu’il combine l’action d’une EMD classique sur le territoire urbain dé�ni et une enquête téléphonique sur les territoires ruraux à faible densité de population et loin des centres des agglomérations.

Il faut noter que les enquêtes de déplacements sont de plus en plus nombreuses. Ainsi depuis la mise en place des standards CEREMA relatifs aux enquêtes de mobilité, ce sont ��� enquêtes réalisées dans �� territoires couvrants les deux tiers de la population française. ��% des �� ��� communes françaises ont été concernées par au moins une enquête de déplacements.

L’EMD est actuellement l’outil indispensable pour pouvoir caractériser les déplacements d’un territoire, quelle que soit sa taille, de la manière la plus précise possible. Cependant, il fonctionne de manière déclarative, tant pour les passations en face à face ou par téléphone. Il existe donc un potentiel, assez faible toutefois, d’erreurs sur les déplacements e�ectués.

L�� �������� ������� ��������

Plusieurs méthodes permettent de mesurer les déplacements par enquêtes et l’une d’entre elles est l’enquête OD cordon routier. C’est une enquête descriptive dont le principal objectif est de

révéler les caractéristiques des déplacements e�ectués en véhicule particulier. Elle est e�ectuée en mettant en place un cordon autour d’une collectivité. Cette méthode d’enquête peut s’e�ectuer de deux façons distinctes. La première est la plus technologique des deux puisqu’elle utilise la tech-nologie RPM (ou relevé de plaques minéralogiques). Par caméra vidéo disposée aux points stra-tégiques du cordon, le logiciel de reconnaissance des plaques minéralogiques permet de relever l’origine et la destination des véhicules entrés dans le cordon. L’avantage principal de cette techno-logie est qu’il n’y a aucune intervention en pleine voie ni aucun ralentissement du tra�c routier.

La seconde solution pour e�ectuer une enquête cordon Origine / Destination est de procé-der à des entretiens. Tous les véhicules sur tous les axes dé�nis dans le cordon sont arrêtés et les conducteurs questionnés sur leur origine et leur destination. La passation de cette méthode est assez lourde et relativement longue puisqu’en plus des informations relatives à la conduite (motif et fréquence), des données sociodémographiques de cadrage sont également recueillies.

L�� �������� ����� �� �������� �T�P�

Autre type d’enquête, les enquêtes temps de parcours permettent de caractériser des di�érences temporelles entre les déplacements en comparant pour un même trajet le temps moyen de dépla-cement suivant les di�érentes heures de la journée selon le mode de dépladépla-cement (VL, TC, vélo, piétons). L’enquête TdP peut prendre également la forme d’itinéraires comparés pour des origines et destinations identiques et ainsi savoir quels sont les accès les plus rapides ou les moins énergi-vores pour se rendre à une destination donnée. L’enquête TdP peut également comparer, toujours pour une OD identique, l’usage des di�érents modes de transport pour se rendre à la destination et ainsi établir un rapport entre le temps et le coût du transport. En�n les enquêtes TdP peuvent servir à établir des serpents de vitesse. Ce type d’enquête permet de modéliser sur un tracé les dif-férentes vitesses d’un véhicule sur un parcours dé�ni. La réalisation de cette mesure permet de mettre en lumière les points de circulation di�cile ou congestionnés.

L�� �������� �� �������������

Caractériser la mobilité c’est aussi parfois mesurer l’absence de mobilité. Se focaliser sur le sta-tionnement permet de connaitre le taux d’occupation des places, le taux de rotation des places ou le respect de l’acquittement des droits de stationnement. Les enquêtes stationnement caractérisent également le type de mobilier urbain disponible, si les lieux de stationnements sont adaptés à tous les modes de transports et pas uniquement aux VL personnels. En�n la partie la plus intéressante de l’enquête de stationnement concerne les enquêtes qui mesurent le temps de recherche d’une place disponible. Elles se réalisent de deux façons, soit par l’observation d’un enquêteur qui mesure de manière manuelle de temps de recherche, soit par l’observation de vidéos enregistrées in situ. Ces enquêtes sont primordiales pour pouvoir prescrire par la suite les solutions pour améliorer certaines situations de congestion. En e�et, le CEREMA et la Fédération Nationale des Métiers du Stationnement (FNMS) estiment à �� millions, le nombre d’heures perdues chaque année à la recherche d’une place de stationnement pour un coût estimé à ��� millions d’euros en France.

�.� Les données décrivant la mobilité

- Temps dynamique

- Position fixe selon référentiel - Sens de la direction

- Type d'abonnement / véhicule

Gare Route Piste cyclable Trottoir Se L g e de c age

F����� �.� – Les di�érentes sources de comptages

L�� �������� ���������� �� ������

Les enquêtes relatives aux transports en commun comprennent plusieurs types d’actions. Dans un premier temps, et pour les réseaux non équipés de comptage automatique, les sociétés spécia-lisées dans la mobilité mettent en place des comptages dans les transports en commun. Les comp-tages s’e�ectuent de façon manuelle par l’observation des montées dans le moyen de transport, quels qu’ils soient. Ces comptages s’e�ectuent majoritairement pour les bus et autocars, mais éga-lement pour les TGV, les TER ou les Transilien en Île-de-France. Les comptages peuvent égale-ment caractériser les descentes de manière plus rare.

L’autre partie importante des enquêtes dans les transports en commun concerne les enquêtes en face à face. Le rôle de l’enquêteur est alors primordial puisqu’il doit e�ectuer la passation du questionnaire d’enquête dans des conditions qui sont parfois di�ciles. En e�et, si les enquêtes peuvent être réalisées in situ, à quai, aux accès des gares ou à un arrêt de bus, elles peuvent aussi se faire de manière embarquée. Ainsi il n’est pas rare d’observer des enquêteurs, debout dans un bus qui tangue, devoir réussir la passation de leur questionnaire jusqu’au bout et avant que l’individu enquêté ne parvienne à son arrêt de descente. La qualité et la précision des réponses peuvent alors être parfois mises en cause tant la méthode de passation est contraignante pour l’enquêteur et l’enquêté.

����� L�� ���������

En plus des enquêtes de terrain, il apparait comme nécessaire de pouvoir comptabiliser de façon individuelle les véhicules et les personnes, quels que soient les modes de transport. Pour faire cela, les entreprises spécialisées dans la mesure de la mobilité procèdent à des comptages routiers et des comptages des modes doux.

L�� ��������� ��������

Depuis les années ����, et pour faire face à l’augmentation du tra�c routier, le comptage de vé-hicules s’e�ectue de manière automatisée. Fini le temps de l’observateur avec son compteur à main sur le bord de la route. L’augmentation des véhicules individuels en France a poussé les spécialistes

à trouver de nouvelles méthodes. Dans cette étude des outils de mesure et d’analyse, nous avons isolé quatre dispositifs importants.

La première méthode est le comptage par usage de tubes pneumatiques �xés sur la chaussée. Les capteurs à tubes pneumatiques sont faiblement intrusifs. Ils sont utilisés exclusivement dans le cadre de recueils de données de tra�c temporaires. Pour le principe de fonctionnement, les tuyaux transmettent des variations de pression d’air, provoquées lors du passage des essieux des véhicules vers des détecteurs pneumatiques qui transforment des variations de pression en signaux élec-triques. Le boitier situé sur le bas-côté reçoit les signaux et a pour rôle de les �ltrer, les dater et les comptabiliser. La présence de deux tubes au sol permet de caractériser le nombre de véhicules, la vitesse et la distinction VL/PL. Tous les véhicules qui présentent un écart inter essieux de plus de �.�� m seront enregistrés en poids lourd. Il est important de noter que les tubes pneumatiques sont sensibles à l’arrachage et se détériorent assez rapidement.

La deuxième solution, qui est plus lourde dans son installation, mais plus précise dans sa dis-tinction, est les capteurs à boucles inductives (ou électromagnétiques). Cette solution de comp-tage est intrusive dans le sens où elle s’insère directement dans la chaussée. Des rectangles très �ns sont creusés dans la chaussée et on y insère à � cm de profondeur un câble de cuivre protégé de pvc isolant. Les sillons creusés sont recouverts pour pouvoir protéger les câbles insérés. Cette me-sure est encadrée par le standard SIREDO (Système Informatique de REcueil de DOnnées). Un boitier de contrôle applique un signal électrique sinusoïdal sur les bornes de la boucle électroma-gnétique. Cette tension induit un champ magnétique rayonnant autour de la boucle et au-dessus de la chaussée.

Lorsqu’un véhicule passe au-dessus de la boucle, la masse métallique du véhicule perturbe le champ magnétique rayonnant. Cette perturbation modi�e le courant induit dans la boucle et donc la fréquence du signal électrique émis. Ce décalage de fréquence est converti en tension qui permet, de manière très technique, d’interpréter le débit de la route, la vitesse de chaque véhicule, sa longueur, le temps de présence sur la chaussée lors d’un ralentissement, le taux d’occupation, le temps et la distance entre véhicules. Des boucles électromagnétiques plus étroites permettent de déduire la silhouette de chaque véhicule en détectant leurs essieux.

La troisième solution fonctionne également sur le principe de l’électromagnétisme. La plaque électromagnétique est un compteur de tra�c routier autonome. Il détecte la variation du champ magnétique terrestre due au passage des véhicules. Il peut mesurer la vitesse et la longueur des véhicules sur une chaussée. La plaque �xée au sol e�ectue un comptage unidirectionnel.

La quatrième solution, l’utilisation des ondes radars permet de comptabiliser le tra�c routier. Le système de mesure par onde radar est un système non intrusif installé en accotement de chaussée, généralement sur un mât. Un train d’ondes électromagnétiques est émis par une antenne radar en direction du véhicule. À son contact, l’onde est ré�échie et renvoyée modi�ée vers le capteur. L’onde renvoyée par le véhicule permet de calculer la vitesse à partir du décalage de fréquence entre le signal émis et reçu. La forme et l’amplitude du signal reçu sont directement liées à la silhouette du véhicule et de fait à sa surface de ré�exion. La valeur de surface exprimée en m� permet de distinguer la silhouette des véhicules (VL ou PL). Le capteur radar peut aussi estimer la longueur du véhicule. Les boitiers de mesure par onde radar existent avec un ou deux faisceaux d’ondes. Les boitiers utilisant deux faisceaux sont capables de déterminer le sens et la voie de circulation, en calculant le temps de renvoi de l’onde pulsée d’une voie par rapport à une autre. De manière

�.� Les données décrivant la mobilité

générale, les radars bi faisceaux sont capables de délivrer des données équivalentes à celles qui sont fournies par les stations de comptages à boucles électromagnétiques.

L�� ����� ����

Le développement de mobilités alternatives s’accentue avec la prise de conscience des inconvé-nients que présente l’usage systématique du véhicule. C’est ainsi que les comportements changent petit à petit. En toute logique, les sociétés de comptage et de mesure ont dû adapter leurs méthodes et créer de nouveaux outils technologiques pour pouvoir caractériser ce qu’on appelle les modes doux également appelés mode actifs. Ce sont tous les modes de transports non motorisés et non polluants. On peut, par exemple, citer la marche, le vélo, la trottinette, le skateboard ou les patins à roulettes.

Pour pouvoir compter cette mobilité alternative, essentiellement urbaine, il existe des solutions innovantes.

Les trois solutions de comptage des modes doux ci-après sont le fait de la société bretonne Eco-Compteur basée à Lannion dans les Côtes d’Armor. Le focus sur cette société n’a, bien sûr, pas de logique promotionnelle, mais cette société française est simplement parmi les leaders mondiaux dans l’innovation des outils de mesure et d’analyse de la mobilité traditionnelle et surtout alterna-tive.

Le compteur CITIX-IR utilise la technologie infrarouge passive. La caméra compte les piétons de manière individuelle et sait déterminer le sens de passage de chaque individu, quel que soit le nombre de passants sur le trottoir observé. La caméra CITIX-IR ne pose aucune atteinte au droit à la vie privée puisqu’elle n’enregistre pas d’images. En e�et, cet outil fonctionne sur le principe de la détection de chaleur émise par les individus en circulation sur le trottoir observé. La caméra englobe une zone de comptage de forme carrée dont la largeur est égale à la hauteur de disposition de la caméra. Cette avancée technologique n’est, à l’heure actuelle, pas utilisée en France, mais principalement aux États-Unis et au Canada.

Deuxième outil innovant de mesure de la mobilité alternative, la PYRO-Box. Cette boite fonc-tionne elle aussi sur le principe de la détection de chaleur émise par le corps humain. Le produit dispose d’une importante précision puisqu’il est capable de distinguer les passants de manière in-dividuelle même lorsqu’ils se déplacent de manière rapprochée ou en groupe. Ce système est utile pour les voies piétonnes de centre-ville. Il permettra de caractériser avec précision le débit de pas-sants qui franchissent le faisceau infrarouge. L’avantage de ce système est sa simplicité d’installation et sa relative invisibilité. L’outil apparait intéressant pour mesurer l’attractivité d’un centre-ville. Il permet de connaitre la fréquentation d’une manifestation ou de créer des campagnes de comp-tages sur des axes piétonniers moins fréquentés grâce à sa facilité de déplacement. Cet outil est mis en avant par la société AlyceSofreco spécialisée dans la mesure de la mobilité, dans sa partie exper-tise de comptage. La société Eco-compteur, fabriquant de cet outil de mesure revendique l’utilisa-tion de l’objet, de manière non exhaustive, dans les communes de Nantes et Aix-en-Provence pour la France, mais aussi dans le monde entier, à Londres, San Diego, San Francisco, Seattle, Calgary, Ottawa, Brisbane, Singapour, Dublin ou Bâle.

En�n, voyons un dernier outil innovant pour mesurer la mobilité douce. Il s’agit de l’Eco-TOTEM, là encore œuvre de la société bretonne Eco-compteur. Le totem de comptage fonc-tionne sur le principe de la boucle électromagnétique ZELT. C’est un système développé et breveté