HAL Id: dumas-01897870
https://dumas.ccsd.cnrs.fr/dumas-01897870
Submitted on 3 Dec 2018HAL is a multi-disciplinary open access
archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Utilisation de capteurs Bluetooth/wifi pour la
réalisation d’études de déplacements piétons
Claire Romito
To cite this version:
Claire Romito. Utilisation de capteurs Bluetooth/wifi pour la réalisation d’études de déplacements piétons. Gestion et management. 2015. �dumas-01897870�
UTILISATION DE CAPTEURS BLUETOOTH/WIFI POUR LA
REALISATION D’ETUDES DE DEPLACEMENTS PIETONS
MASTER TRANSPORTS URBAINS ET REGIONAUX DE PERSONNES
UNIVERSITE LUMIERE LYON 1 ECOLE NATIONALE DES TRAVAUX PUBLICS DE L’ETAT
Présenté par :
Claire ROMITO
Sous la direction de :
Alexandre BREERETTE
Patrick BONNEL
Septembre 2015
Sommaire
Remerciements ... 4
Introduction ... 5
1. Présentation des capteurs ... 7
1.1. Principes de fonctionnement ... 7
1.2. Les différentes versions du capteur ... 8
1.3. Améliorations abandonnées et nouveaux composants en test ... 9
2. Etude en gare de Lyon Part-Dieu ... 11
2.1. Présentation du projet ... 11
2.2. Première approche ... 11
2.3. Deuxième approche : la trilatération ... 18
2.4. Analyse des données ... 26
2.5. Conclusion ... 30
3. Perspectives d’application de la technologie ... 31
3.1. Des possibilités variées pour récolter les données ... 31
3.2. Potentialité d’utilisation ... 37
3.3. Anonymisation des données ... 39
3.4. Représentativité des flux ... 42
Conclusion ... 45
Bibliographie... 46
Liste des illustrations ... 49
Remerciements
Pour ce stage et les expériences que j’ai pu y vivre, je tiens à remercier plusieurs personnes :
Merci à l’ensemble de l’entreprise Explain pour m’avoir accueillie au sein de l’entreprise, cela m’a permis de découvrir beaucoup sur le monde des transports et d’en voir des facettes jusque-là inexplorées.
Merci à mon tuteur Alexandre Bréèrette pour sa disponibilité et ses conseils.
Merci à Nicolas Mony et Pierre Odent de m’avoir permis de participer à cette expérience novatrice qui m’a beaucoup intéressée et qui a permis l’écriture de ce mémoire.
Merci à Martin Chourrout pour la relecture de mon mémoire et sa participation à ma soutenance de stage.
Merci à Patrick Bonnel, mon tuteur universitaire, pour les conseils qu’il a pu me prodiguer en amont et pendant mon stage afin de mener ce projet à bon port.
Merci à Emmanuelle Hervouet et Irène Chatirichvili pour leur aide sur la compréhension et la documentation de ce sujet.
Introduction
Il existe aujourd’hui peu de données sur les déplacements des piétons. En effet, leur étude n’est pas une chose aisée. Tout d’abord, contrairement aux autres moyens de transport, la marche est très sensible aux conditions extérieures. Il sera difficile de trouver une journée d’étude « type » comme cela est fait pour les voitures.
Ensuite, les trajets effectués sont plus courts et moins prévisibles. Les piétons ne suivent pas de code de la route et se déplacent sur des lieux très diversifiés. Par ailleurs, les méthodes de comptage sont plus difficiles à mettre en place pour les piétons que pour des véhicules. Un piéton (ou un vélo) n’a pas une signature aussi reconnaissable que la plaque d’immatriculation d’une voiture par exemple et est difficilement suivi à l’aide de caméra pour une étude de grande envergure.
Or, l’étude des déplacements dans certains lieux très fréquentés peut être hautement intéressant pour les gestionnaires : festivals, centre commerciaux, gares, aéroports… Dans ces lieux, les flux piétons sont les flux principaux et ils sont difficiles à appréhender. La bonne gestion et le développement de ces flux plus « doux » sont importants dans le contexte actuel d’économie d’énergie mais aussi d’optimisation des réseaux de transports. La marche est un maillon prépondérant de tout système multimodal. L’optimisation de ces différentes infrastructures pourra permettre de faciliter et de développer la marche à pied.
L’étude des déplacements à l’aide de capteurs wifi et Bluetooth peut permettre de répondre aux besoins exposés ci-dessus. En effet, grâce à cette technologie, chaque piéton peut être repéré (si les wifi/Bluetooth de son téléphone sont activés) et son déplacement peut être suivi si plusieurs capteurs sont disposés sur son chemin. Cela permet une étude complète et sur des distances plus importantes que ce qu’il est possible de faire avec des comptages simples. Cette technologie est encore assez peu utilisée en Europe mais elle se répand aux Etats-Unis (surtout sur les études de trafic). Son développement pourrait toucher de nombreux secteurs.
La collecte des données est donc primordiale afin de pouvoir analyser les déplacements des piétons. Le recueil par le biais des objets connectés semble particulièrement intéressant mais soulève plusieurs interrogations.
Dans quelle mesure le captage de signaux wifi et Bluetooth émis par les piétons peut-il permettre d’étudier leurs déplacements?
Les possibilités techniques sont avant tout un pré-requis, il est important de savoir quelles données elles permettent de recueillir.
La question de l’échelle se pose également : peut-on retracer un piéton dans une gare, dans un quartier ou dans une ville ? Tout est-il possible ? Quelles sont les contraintes dans chacun de ces cas ?
La question de l’environnement est également importante : dans quel cadre ce type d’étude a-t-il de l’intérêt ? Y a-t-il des contraintes particulières ?
Enfin, certaines limites du dispositif sont à étudier : quelle représentativité peut être attendue de ce type d’étude ? Qu’implique l’utilisation des données venant de smartphones personnels ?
A travers une étude de déplacement en gare de Lyon Part-Dieu et un tour d’horizon des utilisations actuelles de la technologie, quelques éléments de réponse vont être présentés.
Dans le cadre de sa stratégie de développement, Explain cherche à proposer ce service à ses clients et la société a donc développé ses propres capteurs. Une première étude de déplacements piétons a été réalisée dans la gare de la Part Dieu à Lyon.
D’autres études sont actuellement en cours de discussion avec différents organismes et pourront amener la société à adapter ses capteurs à d’autres situations : étude avec Keolis sur le métro de Lyon, étude du RER A de Paris avec la RATP…
1. Présentation des capteurs
La mise en place d’enquête déplacement par le biais des données émises par les objets connectés, comme les smartphones, nécessite l’utilisation de capteurs. Pour se lancer dans ce domaine, la société Explain a développé ses propres capteurs.
Leur objectif est de récupérer des informations transmises par les signaux Wi-Fi et Bluetooth émis par les objets connectés afin de retracer le cheminement de leur propriétaire. La réalisation des premières études depuis le mois d’avril a permis de faire évoluer leur fonctionnement.
Figure 1: Principe de fonctionnement des capteurs; Source: Explain
Dans cette partie sera d’abord présenté le principe de fonctionnement de la technologie puis les différentes versions du capteur qui ont évolué au fil des expérimentations. Enfin, les pistes abandonnées et les améliorations en cours de réalisations seront évoquées.
1.1. Principes de fonctionnement
Les capteurs permettent d’enregistrer les signaux Bluetooth et wifi qu’émettent les terminaux mobiles de type smartphone lorsque ces options sont activées.
Ceux-ci envoient des requêtes aux émetteurs Wi-Fi afin de vérifier leur environnement régulièrement, leur fréquence de rafraichissement pouvant aller de une à cinq minutes selon le téléphone. Chaque fois qu’une requête est envoyée et que le capteur la reçoit, il enregistre l’adresse MAC du téléphone, la puissance du signal reçu, la date et l’heure de la réception. Du fait de ce fonctionnement, il est possible que la personne se déplace sur une grande distance entre l’envoi de deux signaux.
Le fonctionnement du Bluetooth est différent : le capteur va recevoir un signal du téléphone en continu tant que le Bluetooth est détectable. Ces données sont donc plus fiables mais sont représentatives d’une part plus faible de la population (voir partie 3.4).
1.2. Les différentes versions du capteur
1.2.1. Première version du capteur
Les capteurs rassemblent plusieurs composants :
- La Raspberry Pi : il s’agit d’une carte mère qui pilote le fonctionnement du capteur. C’est un nano-ordinateur avec Linux comme système d’exploitation. A son démarrage, elle lance les programmes permettant d’enregistrer les signaux Wifi et Bluetooth détectables dans les environs. Elle a été développée en open source et permet d’ajouter plusieurs périphériques.
- Une pile qui maintient l’horloge de la Raspberry Pi à l’heure malgré les périodes d’extinction du capteur.
- Une carte SD qui joue le rôle d’un disque dur.
- Une clé Dongle Wifi qui permet de se connecter à la Raspberry Pi, elle est programmée pour chercher automatiquement à se connecter au réseau nommé « explain » qui peut être configuré sur un téléphone ou un ordinateur. On accède par ce biais aux données enregistrées dans le capteur.
- Une clé Bluetooth qui permet de récupérer les signaux des personnes ayant leur Bluetooth activé et en mode visible.
- Une carte wifi, plus puissante que la clé Dongle, que l’on peut brancher à une antenne. Elle permet de récupérer la puissance des signaux wifi ce que ne permet par la clé mais cela nécessite plus d’énergie.
- Une antenne pour augmenter la portée du capteur.
Avec cette version du capteur, des problèmes d’alimentation en énergie ont été notés. En effet, quand les périphériques reçoivent beaucoup d’informations, ils ont besoin de plus d’énergie. Or, ils sont branchés sur la Raspberry Pie qui ne peut plus en donner autant. Les capteurs s’éteignent donc bien qu’ils soient toujours alimentés.
Pour pallier ce problème, une deuxième version a été mise en place.
1.2.2. Deuxième version du capteur
Les périphériques sont alors alimentés par une autre méthode : on ne branche plus tous les périphériques sur la Raspberry Pi. Ils sont placés sur un hub USB qui est lui-même connecté à la Raspberry Pi. Ce type de hub peut donner plus d’énergie en sortie. Une deuxième batterie est alors ajoutée, une pour la Raspberry Pi et une pour le hub USB.
Figure 2: Schéma de la première version du capteur; Source: Explain
1.2.3. Troisième version du capteur
Pour pallier aux problèmes de récoltes des données que nous avons subis lors des premières expériences, une méthode permettant d’avoir accès aux données en temps réel a été mise en place.
- Une clé 3G est ajoutée au dispositif : elle permet d’envoyer sur une plateforme ftp les données récoltées toutes les 15 minutes. Ainsi, il sera possible de se déplacer pour réparer d’éventuels problèmes dans un temps restreint. A plus long terme, on réfléchit à capter des données sur des périodes plus importantes. La clé est alors une solution pour ne pas à avoir se déplacer régulièrement.
- Un Arduino qui permettrait de faire fonctionner le capteur uniquement à certains horaires. Il s’agit
d’une autre carte mère que l’on branche sur la Raspberry Pi et qui a sa propre horloge. Par son intermédiaire, on pourra programmer les heures de démarrage de la Raspberry Pi.
Le capteur a également été reprogrammé pour redémarrer de lui-même en cas de dysfonctionnement ce qui permettra normalement d’éviter le non enregistrement des données sur une longue période de temps.
A la suite d’une première expérimentation de ce système, la clé 3G a été abandonnée pour l’instant. Sa mise en route mettait en difficulté la Raspberry Pi lors des redémarrages et elle utilisait beaucoup d’énergie.
Le fonctionnement de l’Arduino est assez précaire et n’a pas permis pour l’instant d’avoir des résultats fiables même s’il a augmenté la durée de fonctionnement de certains capteurs. Il sera nécessaire de le fiabiliser avant une utilisation dans le cadre d’une autre opération.
1.3. Améliorations abandonnées et nouveaux composants
en test
D’autres composants ont été testés sur le capteur mais n’ont pas donné satisfaction et ont donc été abandonnés :
- Une Antenne GPS : elle devait permettre de récupérer la position exacte des capteurs et de trianguler les données pour connaitre la position des objets. Lors du test, cela n’a pas fonctionné. On ne sait pas exactement pourquoi, la couverture nuageuse du jour pourrait être responsable mais ce n’est pas certain. Par ailleurs, cette antenne consommait beaucoup d’énergie, cela a donc été laissé de côté.
- Une clé Bluetooth plus puissante, l’Ubertooth : elle permettrait la détection des données Bluetooth également des téléphones en mode « invisible ». Elle devait aussi permettre de récupérer la puissance des signaux captés mais cela ne fonctionnait très pas bien pour une consommation d’énergie plus importante.
Le développement des capteurs n’est pas terminé et de nouvelles améliorations sont en cours de conception :
- Modifier les données dès le captage: pour respecter les lois concernant la vie privée, un système d’anonymisation des données dès la détection est en développement. Par ailleurs, toujours dans une perspective de captage sur une longue période, un premier filtre serait utile avant l’envoi par internet afin de faire transiter des fichiers moins lourds.
- Un branchement sur secteur est envisagé pour les capteurs destinés à rester sur du long terme. Cela permet de se prémunir contre tout problème d’alimentation.
La connaissance du fonctionnement des capteurs permet de mieux comprendre leurs possibilités techniques. Mais c’est souvent par l’expérimentation que les points forts et les points faibles sont détectés. Leur mise en place dans la gare de la Part-Dieu a permis de faire évoluer le dispositif et de mieux appréhender ses limites.
2. Etude en gare de Lyon Part-Dieu
2.1. Présentation du projet
Cette expérience d’étude de flux est la deuxième menée par l’entreprise depuis la création des capteurs et la première concernant des piétons.
Pour répondre aux exigences des normes en gare, il est nécessaire à la SNCF de connaitre les temps d’évacuation des quais suite à l’arrivée d’un train. Ces données ne peuvent pas être recueillies par le biais de camera ou de comptage classique car elles nécessitent de suivre le déplacement d’un individu en particulier. SNCF Réseau a donc mandaté Explain pour répondre à cette question à l’aide des capteurs de signaux wifi et Bluetooth. Le traitement des données permettra de déterminer les temps moyens d’évacuation et ainsi de certifier (ou non) le respect de la norme dans la gare de la Part-Dieu.
L’expérience s’est faite de manière itérative en deux grandes étapes.
Dans un premier temps, il a été considéré que la réception d’un signal par un capteur permettrait d’approximer la position de l’objet à celle du capteur. Cette méthode avait été utilisée dans la première étude de trafic menée par Explain à l’aide de capteurs.
Certaines expérimentations sur le terrain ont permis de conclure que cette approximation ne respectait pas la réalité, comme nous le détaillerons dans cette partie.
A la suite de cela, la méthode envisagée a été d’utiliser la trilatération. En effet, un signal étant facilement enregistré par plusieurs capteurs, cette méthode permettrait de connaitre la position précise d’un objet à un moment donné (voir partie 2.3 pour des explications plus précises). C’est sur cette méthode que l’équipe travaillait lors de la rédaction de ce mémoire.
Ces deux approches seront présentées successivement afin de rendre compte du travail itératif qui a été réalisé sur ce projet. Leurs mises en place et les résultats obtenus seront présentés.
2.2. Première approche
Le principe de cette approche était simple. En supposant que la portée des capteurs est assez faible, on peut considérer que la détection d’un appareil par un capteur signifie que l’appareil est situé à proximité directe du capteur.
On calculera donc le temps d’évacuation des quais en faisant la différence entre les heures de réception des capteurs sur le quai et dans le hall.
2.2.1. Mise en place de l’expérience
La collecte des données a eu lieu sur deux périodes durant le mois de mai, à deux semaines d’intervalle et ce pendant une semaine.
Des capteurs ont été posés sur deux quais de la gare, en haut et en bas des escaliers permettant l’évacuation du quai. L’autonomie des batteries nécessite de les changer toutes les 24h pour garder
les capteurs en état de fonctionnement continu. Les données ont été relevées à chaque changement de batterie.
Figure 4: Deux capteurs en place sur la voie CD lors de l'arrivée d'un train; Source: Explain
Les capteurs étant en développement, il arrivait régulièrement que certains arrêtent de fonctionner malgré des batteries pleines. En particulier dans le hall, où il y a beaucoup de wifi, les capteurs semblaient mal supporter le fait d’être exposé à un grand nombre de signaux. En effet, lors de cette première phase, peu de données ont été recueillies dans le hall.
2.2.2. Analyse des données
Les hypothèses et la méthode de traitement des données seront présentées dans cette partie. Une fois les résultats recueillis, un filtrage est nécessaire pour conserver uniquement les données utiles au calcul du temps d’évacuation des quais.
Le type de donnée recueillie est le suivant :
2015-05-05 08:37:30.780790 SA:XX:XX:c5:72:XX:73 2015-05-05 10:45:15.968148 SA:XX:XX:c4:b5:XX:38
La date
L’adresse MAC est composée de 64 bits et elle stockée dans une carte réseau ou interface similaire des appareils. Tous les appareils disposant d’une carte réseau ont donc une adresse MAC (Smartphone, ordinateur, tablette, console de jeux…). Elle est unique au monde même s’il est possible qu’elle soit modifiée par le propriétaire de l’objet1. Cette adresse ne donne a priori pas d’information en direct sur le propriétaire du téléphone. Nous reviendrons sur ce point dans la partie 3.3.
Ces données permettent donc d’associer un appareil à un signal reçu à un instant donné.
1 Adresse MAC [en ligne]; https://fr.wikipedia.org/wiki/Adresse_MAC; consulté le 10 août 2015
L’adresse Mac du téléphone
Lors de l’analyse, les échos de chaque signal sont d’abord éliminés. En effet, lorsqu’un objet émet un signal, cela dure plusieurs centièmes de seconde. Le capteur va donc enregistrer un train de signal allant par exemple de 09 :53 :06 :12 à 09 :54 :07 :20. Dans le but recherché ici, il n’est pas nécessaire de conserver le train de signal et pour plus de simplicité dans le traitement, un seul signal est conservé.
Certains objets particuliers sont également éliminés comme les bornes Wifi de la gare ou bien les signaux émis par les enquêteurs qui fausseraient les mesures.
Lors de la réception des signaux, l’enregistrement se compose rarement d’un seul signal à une heure donnée. Le cas le plus courant était de recevoir plusieurs signaux écartés d’une vingtaine de seconde les uns des autres. Il faut alors faire un choix entre les différents signaux conservés pour calculer le temps d’évacuation du quai.
Le choix a été fait de ne conserver que les objets ayant été vu plusieurs fois. En effet, alors que l’on voit certains signaux pendant plusieurs minutes sur le quai, d’autres n’apparaissent qu’une seule fois. La portée des capteurs doit permettre de voir les signaux sur plusieurs mètres. Donc, en prenant en compte un signal isolé, il n’y a pas de possibilité de savoir si l’objet se situait juste en haut des escaliers ou bien à 10 mètres. Les objets émettant des signaux à de faibles intervalles ont donc été privilégiés ici.
Quand plusieurs signaux sont reçus, le temps de présence sur le quai d’un objet est calculé : il sera supposé que le dernier signal vu sur le quai correspond à une position de l’objet proche du haut des escaliers.
Les objets conservés doivent également avoir été vus par un capteur en haut de l’escalier et un capteur en bas de l’escalier, avec un mouvement descendant (qui s’apparente donc à une évacuation du quai).
Figure 5: Présentation du type de donnée conservée à la suite du filtrage; Source: Explain
On éliminera par ailleurs les objets restant plus de 15 minutes sur le quai, qui ne sont pas a priori des personnes souhaitant quitter les lieux rapidement (agent de la SNCF, travaux, personnes en correspondance…).
Enfin ne sont conservés que les objets étant apparus au niveau du hall moins de 30 minutes après avoir été vus sur le quai. Cette valeur de 30 minutes est une première approximation et était vouée à
20 21 22 23 15:21 15:28 15:34 N u m éro d 'o b jet
Définition de l'indicateur : temps de présence sur le quai
Signal Wifi reçu au niveau de l'accès au quai Signal Wifi reçu au niveau du quai
X
X
Le temps de présence sur le
quai ne peut pas être défini
pour les objets avec une
seule observation au niveau
du quai
être affinée au fil des observations. Son but est d’éliminer les enregistrements aberrants, mais il est tout à fait possible qu’un écart de 25 minutes soit aussi dû à une erreur.
Pour chaque période, on peut donner le récapitulatif suivant :
Figure 6: Résultat du filtrage des données sur une après-midi; Source: Explain
Une analyse temporelle est ensuite menée pour rapprocher les données récoltées des différents trains présents sur le quai lors des expériences.
Il est alors possible de calculer un temps moyen sur le quai selon le train qui est présent. La question de la représentativité de ces données se pose alors car le nombre d’objets détectés reste faible lors de cette première expérience. Sur une période de 5h le 7 mai, 400 objets sont exploitables après filtrage. Cela représente environ la capacité d’emport d’un TER. Sur cette période le même jour, 43 trains se sont arrêtés sur les plateformes de la voie AB. Même si on ne connait pas précisément le flux de voyageur ayant transité par le quai, il est certain que la représentativité de ces données n’est pas suffisante. Les versions suivantes du capteur permettront d’améliorer ces résultats (voir la partie 3.4.).
Le nombre de données Bluetooth est encore plus faible après filtrage que pour le wifi (moins de 100). A la suite de cette première analyse, il a été choisi de se baser uniquement sur les données de wifi, plus nombreuses donc plus représentatives des flux.
Ces analyses nous ont permis de calculer des temps d’évacuation des quais sur plusieurs périodes.
Figure 8: Temps de présence sur le quai des objets pour une après-midi; Source: Explain
Les résultats de temps moyen de présence sur le quai oscillaient entre 1 min 30 et 3 min. Ces résultats semblaient bien élevés par rapport au chronométrage que nous avions effectué et qui donnait un temps d’évacuation sans congestion de l’ordre de 30 secondes à une minute.
Comme il a été dit précédemment, le parti pris a été de calculer le temps de stationnement sur le quai, que l’on assimilera au temps pendant lequel le téléphone est vu par les capteurs du quai. Le temps de descente de l’escalier est considéré comme négligeable dans un premier temps car le capteur en haut de l’escalier peut voir l’objet même quand il est descendu. La question est : jusqu’où le voit-il ? Ce paramètre avait été laissé de côté lors des premières expériences, et il était considéré que la distance était de l’ordre de celle de l’escalier.
La portée des capteurs est donc une donnée prépondérante dans cette expérience et elle n’avait pas été vérifiée a priori sur le terrain. Au vu des résultats présentés ci-dessus, il a été décidé de mesurer plus précisément la portée afin de déterminer si ce paramètre pouvait être à l’origine des temps d’évacuation des voies trop élevés.
2.2.3. Expérience sur la portée
Fin mai, uniquement deux capteurs ont été mis en place autour de l’escalier d’évacuation du quai AB. Un enquêteur s’est placé à proximité sur capteur et a pu, par l’intermédiaire d’un smartphone, observer en direct les signaux enregistrés par le capteur.
Les résultats obtenus sont les suivants :
- Pour le capteur du hall, la portée maximale mesurée est de 115m sur le niveau hall. Elle est de 50m sur le niveau du quai.
- Pour celui du quai, la portée maximale sur le niveau hall est de 95m. Sur le quai AB, on note une portée de 200m et de 160m pour le quai CD. Le capteur parvient également à capter les signaux sur les quai EF et IJ avec des trains en gare à ce moment-là. La portée maximale notée est de 50m.
Figure 10: Test de portée des capteurs sur le terrain (2); Source: Explain
Ces résultats posent plusieurs questions quant à l’utilisation des données pour déterminer le temps de descente des escaliers. La valeur maximale et minimale des capteurs quai et hall vont se chevaucher, compromettant ainsi la méthode d’analyse adoptée jusqu’ici. Le temps pendant lequel la personne est détectée par le capteur quai peut aller de sa descente du train en bout de quai jusqu’à son arrivée au milieu de la place Charles Béraudier.
Il est aussi potentiellement possible de capter des signaux venant des quais voisins et de détecter la personne lors de la sortie de la gare. Cela a d’ailleurs été vérifié par la suite.
La méthode utilisée jusqu’ici est donc remise en question dans le cadre de cette étude et de nouvelles approches sont envisagées.
2.3. Deuxième approche : la trilatération
2.3.1. Théorie de la trilatération
Pour replacer dans l’espace les signaux reçus par les capteurs, la méthode de la trilatération a été testée. La trilatération est la méthode utilisée par les GPS pour se repérer2. Ils sont en contact régulier avec de nombreux satellites, chacun envoie au GPS des signaux indiquant l’heure d’émission du message. En calculant le temps de transmission du message (ℎ𝑒𝑢𝑟𝑒𝑟é𝑐𝑒𝑝𝑡𝑖𝑜𝑛− ℎ𝑒𝑢𝑟𝑒 𝑒𝑚𝑖𝑠𝑠𝑖𝑜𝑛), le GPS sait à quelle
distance il se situe du satellite. S’il fait ce calcul pour 3 satellites différents, il est capable de connaitre sa position, comme le montre l’image ci-contre.
Dans le cadre de notre expérience, la trilatération est envisagée entre les différents capteurs. Elle doit permettre, en combinant les résultats de plusieurs capteurs, de déterminer la position du téléphone lors de l’émission du signal. Le paramètre utilisé ici n’est pas la différence de temps entre l’émission et la réception (trop faible) mais la puissance du signal reçu. Selon la distance entre l’objet émetteur et le capteur, le signal sera plus au moins atténué. Les obstacles rencontrés vont également atténuer le signal et compliquer l‘interprétation des signaux.
Pour calculer l’atténuation du signal reçu par le capteur, c’est la théorie de l’atténuation libre de signaux (ou Free Space Path Loss) qui a été utilisée3. Il s’agit de la perte de puissance du signal qui aurait lieu dans un espace libre (comme l’air) avec aucun obstacle à proximité qui pourrait causer de la réflexion ou de la diffraction.
Celle-ci s’exprime par la formule suivante, en fonction de la fréquence du signal en Hz et de la distance en m : 𝐹𝑆𝑃𝐿(𝑑𝐵) = 10 × 𝑙𝑜𝑔10(( 4𝜋 𝑐 𝑑𝑓) 2 ) 𝐹𝑆𝑃𝐿(𝑑𝐵) = 20 × 𝑙𝑜𝑔10(𝑑) + 20 × log10(𝑓) − 147.55
Avec -147.55 qui correspond à 20 × 𝑙𝑜𝑔10(4𝜋 𝑐⁄ ).
Si on utilise d’autres unités, on peut adapter la constante pour estimer directement la formule avec les grandeurs selon ces unités. Par exemple :
- Pour d et f respectivement en m et GHz, la constante devient +92.45 - Pour d et f respectivement en m et kHz, la constante devient -87.55. - Pour d et f respectivement en m et MHz, la constante devient -27.55. - Pour d et f respectivement en m et MHz, la constante devient 32.45.
2 Infos sur le GPS [en ligne], http://eu.mio.com/fr_fr/systeme-positionnement-global_4991.htm, consulté le 6
août 2015
3 Free-space Path Loss [en ligne], https://en.wikipedia.org/wiki/Free-space_path_loss, consulté le6 août 2015
Figure 11: Exemple e trilatération par une GPS; Source: http://eu.mio.com
Dans notre cas, la constante -87.55 est utilisée avec une fréquence pour le Wi-Fi de 2412 MHz et une distance en m.
Si on utilise l’équation logarithmique de Friss pour les télécommunications4, la formule du FSPL peut s’écrire sous la forme :
FSPL = Ptx - CLtx + AGtx + AGrx - CLrx - Prx - FM
Où :
- Ptx – puissance du transmetteur, en dBm
- CLtx, CLrx – pertes dues au câblage au niveau du transmetteur et du récepteur, en dB (égal à 0 si pas de câbles)
- AGtx, AGrx – gains des antennes à l’émetteur et au récepteur, dBi
- Prx – sensibilité du récepteur, dBm (là où on inscrit l’intensité du signal reçu)
- FM – marge de protection contre l’affaiblissement, dB qui n’est pas utilisé dans le cas du WiFi On ajoute à cette formule l’atténuation des obstacles que va rencontrer le signal wifi. Le schéma suivant donne quelques exemples pour différents matériaux.
Figure 12: Atténuation selon le matériau de l'obstacle, Source: http://www.liveport.com/wifi-signal-attenuation
La formule du FSPL peut donc être écrite sous la forme de la puissance reçue à laquelle est ajoutée une constante reprenant les différents termes évoqués ci-dessus.
On peut donc exprimer la distance en l’émetteur et le récepteur de la manière suivante :
𝑑 = 𝑒
ln(10)×(27.55−20×log(2412)+𝑃𝑟𝑥+𝑐𝑡𝑒)/20
La constante indiquée correspond à l’atténuation du signal, que l’on ne connait pas. Prx correspond à la puissance du signal reçu en dB. On cherche à déterminer les coordonnées de l’objet donc X,Y et Z. Nous avons 4 inconnues, il faudra avoir les informations de 4 capteurs pour pouvoir résoudre le système d’équation. On supposera que l’atténuation est la même pour tous les capteurs afin de pouvoir résoudre le système.
4 Equation des télécommunications [en ligne],
La méthode de résolution utilisée consiste à minimiser la somme des écarts entre la distance mesurée de manière euclidienne et celle mesurée grâce à l’atténuation du signal pour chaque capteur. Cela donne la fonction objectif suivante à minimiser:
Ω = ∑ (√(𝑥 − 𝑥𝑖)2+ (𝑦 − 𝑦𝑖)2+ (𝑧 − 𝑧𝑖)² − 𝑒ln (10)×(27.55−20∗𝑙𝑜𝑔10(2412)+𝑃𝑟𝑥𝑖+𝐶𝑆𝑇𝐸)/20) 2
𝑖𝜖{𝑐𝑎𝑝𝑡𝑒𝑢𝑟𝑠} avec :
- (x,y,z) les coordonnées de l’objet connecté - CSTE la constante d’atténuation en dB - (xi,yi, zi) les coordonnées du capteur i
- Prxi la puissance enregistrée (en valeur absolue) par le capteur i en dB
Voici un exemple des trajectoires qui étaient attendues avant la dernière phase d’enquête. La trajectoire ci-dessous a été réalisée grâce aux données récoltées en mai afin de présenter le nouveau dispositif au client. Les capteurs fonctionnels sont représentés en vert et la trajectoire de l’objet en bleu. On voit que la personne transportant le portable en question était sur le quai AB, est descendu dans le hall puis est remontée sur le quai CD.
Figure 13: Illustration d'une trajectoire construite à partir des données des enquêtes de mai; Source: Explain
0 2 4 6 8 10 12 -80 -70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 60 70
Vue de profil nord-sud
Niveau des quais Capteurs Détections Objet
0.0 10.0 20.0 30.0 40.0 50.0 60.0 -80 -70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 60 70
Vue de dessus
2.3.2. Mise en place de l’expérience
Fin juin, les capteurs ont à nouveau été mis en place. 14 capteurs sont disposés dans la gare de la Part-Dieu : 5 dans le hall et 9 sur les quais. L’expérience a été réalisée du 30 juin au 9 juillet puis du 27 juillet au 6 août.
Le plan d’installation était le suivant :
Figure 14: Plan de mise en place des capteurs pour la deuxième série d'expérience; Source: Explain
Le principe de fonctionnement était le même : les capteurs sont installés le mardi, les batteries sont changées le mercredi matin et le jeudi midi. Elles ont une autonomie de 24h. Il n’était pas possible d’intervenir le lundi ou le vendredi dans la gare car ce sont les jours les plus chargés. Or, ce sont justement ces jours les plus intéressants. Pour pallier à ce problème, à partir du mardi 7 juillet, les capteurs sont équipés pour la plupart de programmateur dont le rôle est d’augmenter leur autonomie. Comme expliqué dans la première partie, le programmateur allume le capteur
uniquement sur certaines plages d’horaires prédéfinis : de 5h à 10h et de 16h à 20h. L’utilisation des batteries est donc ralentie et cela a permis de recueillir des données jusqu’au samedi.
Figure 15: Capteurs mis en place lors de la deuxième série d'enquête; Source: Explain
2.3.3. Volume de données collectées
Lors de l’écriture du rapport, seules trois des quatre semaines d’enquêtes ont été traitées. Ce sont donc ces résultats qui seront présentés.
Des durées de fonctionnement en nette amélioration
Sur ces trois semaines de collecte, les capteurs ne possédaient pas de programmateurs la première semaine, du 29 juin au 5 juillet, et en possédaient pour la plupart les deux semaines suivantes. Quelques programmateurs ont amené des dysfonctionnements dans les capteurs. Ils ont donc été retirés ce qui modifie les heures de fonctionnement de ces capteurs.
Figure 16: Plage de fonctionnement des capteurs sur la première semaine d'enquête; Source: Explain
0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 Quai CD n2 Quai CD n3 Quai AB n2 Quai CD n1 Quai EF n1 Accès quai CD sud Accès quai EF sud
Fonctionnement des capteurs pour la semaine du 29 juin au 5 juillet
Off1 On1
Le fonctionnement durant la première semaine n’a pas été très bon, en particulier le mardi où les plages de fonctionnement simultanées de plusieurs capteurs sont rares.
Tableau 1: Durée de fonctionnement des capteurs pendant la première semaine d'enquête; Source: Explain
Capteur Position Durée de fonctionnement cumulée Pourcentage de fonctionnement 1 Quai CD n2 21:43:49 28% 2 Quai EF n3 38:21:03 49% 3 Quai CD n3 13:51:06 18%
4 Accès quai EF nord 3:26:30 4%
5 Quai AB n2 24:13:08 31%
6 Quai AB n1 10:58:41 14%
7 Quai CD n1 17:39:28 23%
8 Accès quai AB sud 8:12:14 11%
9 Quai EF n1 60:43:18 78%
11 Accès quai CD nord 3:08:00 4%
12 Accès quai CD sud 4:58:05 6%
13 Quai EF n2 48:13:06 62%
14 Accès quai EF sud 6:01:13 8%
16 Quai AB n3 53:04:33 68%
TOTAL 314:34:14 29%
Au final, l’ensemble de nos capteurs cumule un fonctionnement de 314 heures soit environ 30% du temps maximal de fonctionnement théorique. Au-delà de ce chiffre de 30%, on constate une grande disparité de fonctionnement entre capteurs : certains ont fonctionné près de 80% du temps théorique et certains à peine 5%. Encore une fois, ce sont les capteurs situés dans le hall qui rencontrent le plus de difficultés. Les semaines suivantes, le dispositif a bien mieux fonctionné. La troisième semaine sera présentée ici.
Figure 17: Plage de fonctionnement des capteurs sur la troisième semaine d'enquête; Source: Explain
0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 12:00:00 0:00:00 Quai CD n2 Quai CD n3 Quai AB n2 Quai CD n1 Quai EF n1 Accès quai CD sud Accès quai EF sud
Période de fonctionnement pour la semaine du 27juillet au 2 août
Off1 On1
Tableau 2: Durée de fonctionnement des capteurs sur la troisième semaine d'enquête; Source: Explain Capteur Position Durée de fonctionnement cumulée Pourcentage de fonctionnement 1 Quai CD n2 34:09:17 68% 2 Quai EF n3 30:27:55 61% 3 Quai CD n3 43:13:29 86%
4 Accès quai EF nord 34:11:46 68%
5 Quai AB n2 62:35:41 80%
6 Quai AB n1 29:15:46 59%
7 Quai CD n1 60:09:28 77%
8 Accès quai AB sud 51:37:17 66%
9 Quai EF n1 32:36:50 65%
11 Accès quai CD nord 32:41:00 65%
12 Accès quai CD sud 8:01:38 16%
13 Quai EF n2 55:38:28 71%
14 Accès quai EF sud 8:46:33 18%
16 Quai AB n3 36:54:00 74%
TOTAL 520:19:08 64%
On a, sur certaines périodes, les 14 capteurs qui fonctionnent simultanément ce qui est une première depuis le début des expérimentations. Les capteurs au sud du hall ont encore rencontré des problèmes mais ceux au nord et celui situé en bas du quai AB ont donné des résultats satisfaisants qui pourront permettre de mener l’étude en haut et en bas des quais.
La fiabilité du système est bien meilleure et on atteint 64% du temps de fonctionnement théorique maximal sur la semaine. Si l’on enlève les deux capteurs les plus problématiques (12 et 14), on atteint plus de 70%.
Ces durées de fonctionnement importantes nous ont permis de recueillir un grand nombre de données.
Un volume de données récoltées très important
La forme des données récoltées est légèrement modifiée par rapport à la première expérience. 2015-07-31 12:23:35.556145 -55 SA:XX:XX:5b:6b:XX:e5
2015-07-31 13:20:12.687864 -52 SA:XX:XX:80:90:XX:d3
La date
Le tableau ci-dessous présente par capteur le nombre de signaux obtenus avant et après filtrage. Le filtrage consiste cette fois ci à enlever les enregistrements incomplets, sans puissance de mesure, sans adresse MAC d’émission ou correspondant à des objets appartenant aux enquêteurs.
L’adresse Mac du téléphone
L’heure avec les microsecondes
Tableau 3: Nombre d'enregistrements avant et après filtrage; Source: Explain Capteur Position Nombre d’enregistrements bruts Nombre d’enregistrements après filtrage Taux de conservation des données 1 Quai CD n2 7 011 859 6 886 717 98% 2 Quai EF n3 3 244 775 3 187 109 98% 3 Quai CD n3 4 392 682 4 144 558 94% 4 Accès quai EF nord 2 892 263 2 795 682 97% 5 Quai AB n2 7 752 293 7 631 934 98% 6 Quai AB n1 5 500 295 3 900 002 71% 7 Quai CD n1 6 908 298 6 751 826 98% 8 Accès quai AB sud 2 202 722 2 173 991 99% 9 Quai EF n1 6 544 193 6 293 937 96% 11 Accès quai CD nord 2 207 480 2 153 368 98% 12 Accès quai CD sud 566 390 527 583 93% 13 Quai EF n2 12 262 340 12 094 711 99% 14 Accès quai EF sud 2 367 841 2 291 222 97% 16 Quai AB n3 4 496 542 4 410 810 98% TOTAL 69 437 757 66 329 937 96%
Contrairement aux versions précédentes, où 30% seulement des données étaient conservées après filtrage, la méthode d’étude permet de conserver plus de 90% des enregistrements malgré un volume de départ équivalent. Les signaux très rapprochés qui étaient éliminés dans la première expérience sont maintenant conservés et seront agrégés à la seconde.
2.4. Analyse des données
A partir de ces données et de la théorie de la trilatération présentée plus haut, les cheminements des piétons dans la gare devaient pouvoir être recréés. Des trajectoires ont été faites par les enquêteurs dans la gare en notant précisément leur parcours et l’heure de passage à chaque point. Ainsi, il était possible de comparer la trajectoire réelle et celle déterminée par la méthode expérimentale.
Sur la période en question, tous les signaux venant du téléphone de l’enquêteur étaient sélectionnés pour l’ensemble des capteurs. Le filtrage des données n’était pas aussi sélectif que dans la première approche et permettait donc de conserver un plus grand nombre de signaux.
Si plusieurs signaux étaient reçus par un capteur dans la même seconde, ceux-ci étaient agrégés et la puissance reçue moyennée sur la seconde.
Quand, sur une même seconde, 4 capteurs ou plus recevaient un signal, le point était retenu. On obtient un tableau de la forme suivante (pour une adresse MAC donnée) :
Tableau 4: Exemple de donnée après agrégation à la seconde; Source: Explain
Puissance moyenne par capteur (en dB)
Heure N° point 2 3 8 9 13 16
7:24:02 1 -61.00 -55.00 -57.33 -61.67
7:24:09 2 -63.67 -55.00 -70.33 -57.00
7:24:53 3 -60.50 -63.00 -55.00 -48.33
7:24:56 4 -56.00 -54.50 -50.33 -52.00
Il est alors possible de déduire la position de l’objet à une seconde donnée : pour chaque point et pour chaque capteur, il était calculé d’une part la distance du « modèle » c’est-à-dire la distance entre le capteur et l’objet avec la formule reprenant l’atténuation de la puissance. D’autre part, la distance « estimée » était calculée à l’aide des coordonnées euclidiennes.
Dans ces deux formules sont présentes les quatre inconnues : X, Y, Z et A la constante d’atténuation. Des valeurs arbitraires sont assignées à ces inconnues dans un premier temps. Avec les distances calculées (qui ne sont donc pas les bonnes), l’écart entre celles-ci est calculé pour chaque capteur puis ils sont sommés. Le solver excel permet ensuite d’estimer X, Y, Z et A de façon à minimiser la somme des écarts.
Les coordonnées obtenues pour le téléphone doivent en principe se rapprocher de la réalité à chaque instant donné. Voici le résultat obtenu pour le 30 juin où 6 capteurs ont fonctionné:
Figure 18: Représentation d’une trajectoire vu de dessus
Les capteurs ayant fonctionné sont notés en rouge, les point oranges reliés par les traits pointillés bleus représentent la trajectoire réalisée par l’enquêteur. Les quais AB, CD et EF sont représentés en marron.
Certains des points représentés sont aberrants et ont dû être mal estimés. Mais d’autres points sont proches et semblent refléter correctement la réalité. En particulier, les points sur le quai CD, pour lesquels le signal a été reçu simultanément par quatre capteurs bien répartis autour de l’objet, donnent de bons résultats.
Plusieurs problèmes peuvent être notés avec cette méthode. Tout d’abord, elle reste à ce stade très manuelle et a pour but de démontrer la faisabilité de l’étude. Quand une trajectoire sera correctement retracée par le biais de cette méthode, il sera nécessaire d’automatiser la procédure. Ensuite les valeurs données à X, Y, Z et A comme point de départ doivent se rapprocher au maximum de la valeur réelle afin d’éviter que la présence éventuelle de points "col" ou de points "selle" n’oriente la résolution vers un optimum local qui ne correspond pas à la valeur recherchée.
Enfin la théorie envisagée se base sur l’atténuation du signal et suppose que le milieu soit homogène. La courbe suivante représente l’atténuation en fonction du log de la distance selon les données obtenues expérimentalement dans la gare de la Part Dieu. Si la forme globale de la courbe (atténuation en log de la distance) est respectée, les paramètres de la régression peuvent varier d’un capteur à l’autre et donc d’une situation à l’autre, si bien qu’il est difficile de définir une unique fonction liant d et l’atténuation en dB (Prx).
1 2 3 4 5 6 7 8 9 13 16 7:18:00 7:20:30 7:21:20 7:22:52 7:25:03 7:26:15 7:27:50 7:29:02 7:30:20 7:31:15 7:33:05 7:34:08 7:35:14 7:36:23 7:37:25 7:39:12 7:40:40 0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 0.00 50.00 100.00 150.00 200.00 250.00 300.00
Figure 19: Courbe d'atténuation du signal en fonction de la distance pour le capteur 3; Source: Explain
Figure 20: Courbe d'atténuation du signal en fonction de la distance pour le capteur 3; Source: Explain
Sur ces courbes, on peut remarquer que l’atténuation oscille à +/- 5dB autour de la position centrale de la régression. Comme on est en échelle log, cette différence induit une erreur absolue sur la distance d’autant plus grande que la distance est faible.
Dans un environnement tel que la gare de Lyon Part Dieu, de nombreux obstacles peuvent atténuer le signal sans que cela puisse être pris en compte dans la résolution. Le passage d’un train, le passage derrière une boutique ou un abri de quai peut facilement induire une perte supplémentaire de 5 dB, ce qui fausserait le point concerné.
Cette analyse relève toutefois des points positifs tout à fait intéressant pour l’analyse :
- Une atténuation plus faible que 30 dB ne peut être obtenue que pour des positions très proches du capteur (moins de 5 m), ce qui peut être intéressant à utiliser si la première approche est reprise sur un autre projet.
- Une atténuation plus faible que 40 dB se trouvera globalement pour des distances de moins de 20 m.
- Une atténuation plus faible que 50 dB se trouvera globalement pour des distances de moins de 50m. y = -7.3954x - 22.449 R² = 0.8212 y = -7.173x - 23.14 R² = 0.8951 -70 -60 -50 -40 -30 -20 -10 0 0 1 2 3 4 5 Att én u at ion en d B ln(Distance)
Attenuation sur données brutes Attenuation sur données lissées par moyennes mobiles
Linéaire (Attenuation sur données brutes)
Linéaire (Attenuation sur données lissées par moyennes mobiles)
y = -9.0423x - 23.728 R² = 0.7017 y = -9.6589x - 22.614 R² = 0.9488 -60 -50 -40 -30 -20 -10 0 0 1 2 3 4 Att én u at ion en d B ln(Distance)
Attenuation sur données butes Attenuation sur données lissées par moyennes mobiles
Linéaire (Attenuation sur données butes)
Linéaire (Attenuation sur données lissées par moyennes mobiles)
Au-delà, les mesures de distance par atténuation sont moins précises car la probabilité d’avoir un obstacle entre le capteur et l’objet augmente d’autant plus que la distance entre les deux augmente. Cette méthode est donc sujette à plusieurs problèmes qui doivent être résolu avant de pouvoir l’utiliser de manière généralisée sur cette étude et sur d’autre. Ce sera un des sujets sur lesquels l’entreprise se penchera les prochains mois.
2.5. Conclusion
Cette étude expérimentale a permis de faire évoluer les capteurs devant les différents problèmes et limites rencontrés. Au stade actuel, il n’est pas possible de suivre précisément le déplacement d’une personne à travers la gare mais de nouvelles méthodes d’analyse des données sont en réflexion. L’utilisation des capteurs pourrait permettre, si la méthode de trilatération est suffisamment fiable, de retracer précisément la trajectoire d’un piéton dans la gare. Dans une étude d’échelle plus importante, comme une enquête déplacement à l’échelle d’un quartier ou d’une ville par exemple, la première méthode mise en place donnerait de très bons résultats. En effet, il suffit de capter le piéton aux différents endroits voulus, sa position exacte autour du capteur important peu.
La possibilité par ce type de technologie d’obtenir un grand nombre de données de déplacement de manière peu couteuse (en comparaison d’une enquête) suscite un grand nombre de recherche. Les domaines d’application sont variés et laisse entrevoir de nombreuses possibilités.
3. Perspectives d’application de la technologie
L’utilisation de données d’objets connectés pourrait permettre de mieux comprendre le comportement des personnes, en particulier en ce qui concerne leurs déplacements. Dès les années 2000, cette possibilité a été entrevue par les scientifiques et les recherches sur le sujet sont nombreuses depuis. Au fil des années, les technologies et les objectifs ont évolué et se sont affinés.
Dans cette partie, les différentes technologies testées actuellement seront présentées. Les applications qui sont envisageables seront ensuite abordées. Enfin nous étudierons deux paramètres qui peuvent être des limites dans le développement de ce type d’enquête : la confidentialité des données des utilisateurs et la représentativité des flux piétons modélisés.
3.1. Des possibilités variées pour récolter les données
Depuis l’apparition du wifi et des technologies sans fil, différentes pistes ont été explorées afin d’utiliser les données d’utilisation générées pour mieux comprendre les comportements humains.
3.1.1. Utilisation d’un réseau sur un espace « clos »
Plusieurs études se sont penchées sur l’utilisation de donnée de connexion sur un serveur en particulier. Les campus sont des environnements tout indiqués pour ce genre d’expérimentation car ils disposent d’un réseau couvrant la totalité de la zone. L’utilisation et l’étude des données récoltées par les points d’accès à ce réseau permettent de connaitre la position du piéton sur ce lieu restreint. Dès 2009, alors que les smartphones étaient encore peu répandus, une étude a été réalisée par Sevtsuk et al (2009) sur un campus du Massachusetts. Il s’agissait d’observer les connexions des ordinateurs portables sur le réseau wifi du campus afin de pouvoir les localiser. Cette technique est assez intéressante sur un campus où une large majorité d’étudiants est équipée d’ordinateur portable qu’elle transporte souvent avec eux. En France, en 2013, 80% des élèves et étudiants sont équipés d’un ordinateur portable et 84% de la classe des 18-24 ans le sont également (R. Bigot et al, 2013).
Les données obtenues grâce au réseau du campus étaient de deux types : d’abord une carte référençant tous les points d’accès du campus et l’utilisation faite des bâtiments, ensuite le nombre d’utilisateurs et le nombre de bytes transférés par point d’accès (toutes les 15 minutes). Grâce à ces données, la carte reflétant l’activité « wifi » sur le campus pouvait être construite toute les 15 minutes et permettait d’observer les évolutions au fil du temps.
Ci-dessous, la carte présente le campus du MIT à différentes heures de la journée. Les zones les plus lumineuses représentent un grand nombre d’utilisateurs tandis que les zones noires indiquent qu’il n’y avait pas d’utilisateurs connectés au réseau.
Figure 21: Carte représentant le nombre d'utilisateurs du réseau du campus du MIT à différentes heures de la journée; Source: Svetsuk et al (2009)
Plus récemment, Danelet and al (2013) ont mené une étude partant du même principe. Ils ont cherché à générer un modèle de déplacement pour les piétons en se basant sur la détection de trace wifi des appareils transportés à travers le campus (téléphone portable, tablette, objets connectés). Le peu de littérature existant sur les déplacements piétons serait dû, selon eux, à la difficulté de recueillir des données sur leurs déplacements, et particulièrement en intérieur. L’utilisation de capteur wifi et Bluetooth leur permettrait donc d’avoir une large palette de données et ainsi de pouvoir estimer la demande générale. En couplant ces informations à des données sur les activités des piétons, la méthodologie qu’ils ont mise au point doit leur permettre de générer un modèle par activité pour les piétons (activit-based model).
La collecte de données réalisée dans le cadre de cette étude doit permettre la localisation des piétons sur un espace prédéterminé. Des données Wifi et Bluetooth sont utilisées, avec comme source principale les smartphones. Par le biais d’un serveur RADIUS auprès duquel tout utilisateur doit s’identifier pour accéder au réseau, l’adresse MAC des smartphones (ou autre objet connecté) est détectée et enregistrée lors de la connexion à un point d’accès au réseau (AP)5.
L’information enregistrée est le point d’accès auquel est connecté l’utilisateur. La localisation de ce point d’accès étant connue, il est possible de localiser l’objet connecté à travers son adresse MAC. Lorsque le piéton se déplace, si son smartphone change d’AP, un nouveau signal est envoyé au serveur et on peut ainsi avoir la trace de tous les AP auxquels s’est connecté le smartphone. Il est possible de replacer ses points sur une carte et d’en déduire le trajet effectué par le piéton au cours de la journée.
Figure 22: Carte du réseau piéton sur le campus de l’EPFL et de la trajectoire estimée d'un piéton ; Source : Danelet et al (2013) Cette méthode est utilisée dans des lieux « clos » où l’on sait que la majorité des déplacements a lieu à pied (campus, festival, gare…). Cela évite de devoir distinguer les différents modes de déplacement, ce qui compliquerait grandement l’étude.
Ces deux technologies, qui sont assez semblables sur le principe, se rapprochent de celle présentée dans ce rapport. Il s’agit de la technologie la plus représentée de leur « époque ». On voit actuellement que les changements de pratique en matière de Nouvelles Technologies de l’Information et de la Communication sont extrêmes rapides. A titre d’exemple, la population ayant un smartphone en France en 2011 était de 17%, elle atteint aujourd’hui 46%. L’idée d’utiliser les données wifi des appareils connectés n’est donc pas récente mais n’a de cesse de s’améliorer et de toucher une plus grande partie de la population.
Il est important de noter que, avec ces deux technologies, il est nécessaire que l’utilisateur connecte son wifi sur le serveur en question pour être enregistré. Dans le cas des capteurs mis en place dans la gare de la Part-Dieu, il suffisait qu’un détenteur de smartphone laisse son wifi activé (sans par ailleurs se connecter à un réseau) pour qu’il puisse être détecté. La population enquêtée est donc plus large.
3.1.2. Utilisation de capteurs Bluetooth mobiles
Le Bluetooth s’étant répandu dès les années 2000, les études de déplacements piétons à l’aide de données des téléphones se sont développées relativement tôt.
Les grands rassemblements (festival, évènements sportifs…) sont des lieux où la circulation piétonne est très contrainte et où la gestion de leur flux est un des grands défis de l’avenir. Ce sont également des lieux tout indiqués pour déployer ce type de technologie : ils sont restreints dans l’espace avec des entrées et des sorties bien déterminées.
En 2011, une étude des flux lors du Paléo Music Festival en Suisse a été menée par Naini et al (2011) à l’aide de téléphones portables jouant le rôle de capteur Bluetooth. Ceux-ci étaient confiés à des
personnes assistant aux concerts et dont les mouvements n’étaient pas prédéterminés (appelés « agents »). Les téléphones étaient programmés pour enregistrer toutes les 80 secondes les adresses MAC des appareils Bluetooth à proximité (10 à 20m de portée).
Figure 23: Nombre d'objets connectés détectés par chaque agent (bleu) en comparaison du temps de présence de l'agent (rose) ; Source : Naini et al (2011)
Le but était avant tout d’estimer la population présente sur le festival selon le principe utilisé par les biologistes pour marquer une population animale « Capture-Marquage-Recapture »6. L’idée est de noter tous les appareils Bluetooth visibles et de regarder leur fréquence de « recapture » par les téléphones tout au long du festival. Cela permet d’estimer la population de porteurs d’appareils connectés Bluetooth et par extension la population présente au festival.
Il était nécessaire pour cela de connaitre la proportion d’objets émetteurs de Bluetooth dans le festival, un scan systématique était donc pratiqué aux entrées. En se basant sur les données de billetterie du festival, il est possible de déterminer approximativement la part de personnes possédant un portable avec le Bluetooth activé.
Finalement, les agents ont été capables de détecter 2640 objets sur les 3330 détectés par les téléphones aux entrées du festival. D’après les données de billetterie, 8,2% de la population du festival possédait un appareil Bluetooth. 79,3% de celle-ci a donc été détectée par les agents. Le but de cette étude était avant tout d’estimer le nombre de personnes dans le festival (et dans les différents lieux de celui-ci) ce qui est une application intéressante de la technologie. Il est par ailleurs facilement imaginable de placer des détecteurs Bluetooth à différents points du festival afin d’étudier la répartition des flux dans celui-ci.
3.1.3. Utilisation de données d’opérateurs téléphoniques
Une autre technologie est en cours de développement et donne des résultats concluant à une large échelle (région, département voir ville). Il s’agit d’utiliser les données des opérateurs téléphoniques. A chaque utilisation d’un téléphone, un enregistrement est effectué de façon passive avec l’heure et le lieu approximatif de l’activité. Avec l’installation d’un logiciel de surveillance, il est possible de recueillir les données d’utilisation internet et du GPS.
Dans l’étude de Çolak et al (2014), les enregistrements détaillés des appels téléphoniques ont été utilisés pour construire des matrices Origine-Destination à l’échelle de Boston et de Rio de Janeiro. Chaque téléphone se voit attribuer un numéro anonymisant ainsi les données peuvent être utilisées sans problème de confidentialité. En ce qui concerne l’utilisation de ce type de donnée pour le déplacement de piétons, il semblerait que le détail de la localisation obtenu ne permet pas pour
6 Capture-Marquage-Recapture [en ligne], https://fr.wikipedia.org/wiki/Capture-marquage-recapture, consulté
l’instant d’étudier des mouvements à ce niveau de précision selon Alvarez et al (2015). Le développement de technologie plus précise, comme la 5G, sera nécessaire.
Ce type d’étude permettrait d’obtenir des données de 100% des téléphones et sans mettre en place une logistique lourde. Le prix de revient serait donc intéressant.
3.1.4. Utilisation d’une application « citoyenne »
Certains mettent directement les citoyens à contribution pour la récolte des données. La ville de Reims expérimente actuellement une application gratuite, téléchargeable par tous qui permettra de mieux connaitre les déplacements au sein des bassins de vie7.
Dans les documents de communication, il n’est pas dit précisément exactement quel type de données est récolté mais elles viennent de plusieurs canaux : trace des smartphone, données des opérateurs téléphoniques, enquête… Une fois l’accord du propriétaire donné, les données sont collectées directement sans intervention de l’usager. L’ADEME parle « d’information ultra-précises sur les comportements et les habitudes de la population »8. On peut supposer qu’il s’agit de données GPS qui indiquent la localisation de l’individu régulièrement. Les données collectées sont anonymisées lors de la réception. Ce type de données devrait pouvoir permettre d’obtenir des informations sur tous les modes de déplacement en analysant la vitesse et la durée du déplacement.
Cette initiative, lancée par l’ADEME, a la particularité de mettre directement à contribution l’utilisateur. En échange de ses données de déplacement, il accède à un service lui permettant de mieux connaitre le territoire, ses activités, ses commerçants, mais aussi de partager des informations utiles au quotidien avec la communauté d’utilisateurs.
Figure 25: Communication sur le réseau social de Mobi-lise; Source: http://tamtamtop.com
7 Le projet Mobil-lise [en ligne],
http://www.reimsmetropole.fr/les-missions/cadre-de-vie-environnement/developpement-durable/le-projet-mobi-lise--4871.htm#c17826, consulté le 18 août 2015
8 Le projet de recherche Mobil-lise [en ligne],
http://www.champagne- ardenne.ademe.fr/sites/default/files/files/Mediatheque/Publications/pcet-mobi_lise_cretes_preardennaises.pdf, consulté le 18 août 2015.
Figure 24: Logo du projet Mobi-lise; Source: http://www.reimsmetropole.fr
La citoyenneté est mise en avant dans la communication9, c’est l’envie d’aider la collectivité à mieux comprendre les besoins des habitants qui est motrice. L’application est utile en elle-même mais pas indispensable, il faut donc que l’usager ait envie d’œuvrer pour le bien commun.
L’expérimentation avec le grand public aura lieu en septembre et octobre 2015. Il sera intéressant de voir si le public est au rendez-vous et dans quelles proportions afin de comparer les potentialités de cette technologie à celles évoquées précédemment.
3.1.5. Comparaison des possibilités
Les différentes technologies présentées ci-dessus misent toutes sur l’utilisation de données venant d’objets connectés. Selon l’environnement, l’échelle et le but de l’étude, certaines sont plus adaptées que d’autre.
Dans un environnement restreint qui possède son propre réseau avec ses points d’accès, l’utilisation des données de connexion ne nécessite pas de mettre en place des infrastructures supplémentaires et, avec une méthode adaptée, de connaitre les déplacements des piétons avec une bonne précision. Ce qui a souvent été expérimenté dans les campus pourrait être utilisé dans des centres commerciaux ou bien dans des centres de congrès pour connaitre plus précisément les trajets et les temps de présence des piétons. Il faut tout de même noter que la population enquêté sera uniquement celle qui fait usage de son téléphone ou de son ordinateur pour se connecter au réseau wifi en question, ce qui est assez discriminant dans un centre commercial par exemple.
Dans le cadre d’évènements ponctuels, sans installation de wifi, ou bien si un échantillon plus important et plus diversifié est nécessaire, l’utilisation de capteurs (sous forme de téléphone portable ou de boite comme dans le cas de la Part-Dieu) est plus indiquée. Elle donne aussi plus de liberté dans le choix des points de captage des informations et peut permettre de retracer très précisément des déplacements.
A une échelle plus importante, l’étude des données téléphoniques est extrêmement intéressante au vu de son excellente représentativité et de la quantité de données potentiellement disponible. Cependant, cette technique ne permet pas de choisir les points de détection des téléphones et donc des personnes. Son utilité sur un espace restreint peut être limitée par le nombre d’appels passés par une personne sur ce lieu en particulier. Si la question de la protection de l’utilisateur est bien gérée, l’utilisation des données GPS pourrait permettre des études de déplacement d’une grande précision. En ce qui concerne l’application de Reims Métropole, selon les résultats de l’expérimentation et le détail des informations obtenues, il sera possible d’avoir une meilleure idée de l’échelle d’application de cette technologie.
3.2. Potentialité d’utilisation
Plusieurs environnements particuliers sont visés par les études de déplacements piétons. Ce sont des lieux où les flux sont souvent contraints ou bien où l’étude du piéton revient à étudier le comportement d’un client et donc permet de mieux connaitre ses habitudes.
Les infrastructures de transports
Dans les gares ou les aéroports, les flux de piétons sont souvent contraints, des incidents techniques ou bien météorologique pouvant entrainer en peu de temps la saturation des infrastructures.
L’université de Delft a mené de nombreuses expérimentations sur les plateformes de gares néerlandaises et en particulier dernièrement à l’aide de capteurs wifi et Bluetooth (Daamen et al, 2015). Ceux-ci ont été utilisés afin de comprendre comment
se comportaient les piétons face à de la congestion lors de leur évacuation d’un quai : combien vont attendre que la congestion se résorbe et combien vont faire un détour pour emprunter un autre escalier ? Ces informations sont utiles pour les aménagements (ou réaménagement des gares) et pour la gestion des flux au quotidien.
Ton (2014) a utilisé des données wifi et Bluetooth afin d’estimer les flux dans la gare en distinguant les personnes qui prennent un train de celles qui utilisent un service ou ne font que transiter. On peut imaginer qu’en postant des capteurs à certains endroits particuliers, on obtienne des informations utiles au dimensionnement de telle sortie ou de tel escalier. Cela peut également être utile pour connaître le temps que les voyageurs mettent à aller d’une plateforme à une autre ou, dans le cas d’un aéroport, à passer les barrières de sécurité. Les temps de référence obtenus peuvent permettre d’optimiser les correspondances et l’enchainement des trains.
Grands rassemblements de population
Sur les rassemblements ponctuels de population dus à un évènement (manifestation, festival, évènement sportif), il est toujours complexe de connaitre les flux de piétons. Plusieurs expérimentations ont été menées, en particulier avec la technologie Bluetooth afin d’estimer les flux sur certains axes ou dans certains lieux mais aussi pour estimer le nombre de personnes présentes à l’évènement. On sait que ce type d’information est toujours l’objet de controverses en particulier dans les manifestations et un moyen technologique fiable pourrait être apprécié.
Versichele et al (2012) a mené une expérimentation avec des capteurs Bluetooth dans le festival de Ghent (1,5 million de visiteurs sur 10 jours). Avec leurs 22 capteurs, ils ont pu reconstruire les trajectoires de plus de 80 000 personnes. Cela a permis une estimation du nombre de personnes présentes mais également d’isoler des typologies de visiteurs. Ces informations peuvent être précises pour les organisateurs et les aider à mieux gérer l’emplacement des différents évènements et services. L’estimation des populations à un endroit donné peut permettre de mieux dimensionner certains services comme les toilettes ou les rafraichissements.
Figure 26: Embouteillage dans la gare Part-Dieu à la suite de nombreux retards, juillet 2015; Source: http://www.focusur.fr
