Que signifie data-driven pour la mobilité des personnes et des biens ?


Photo de l'article : que signifie data-driven pour la mobilité des personnes et des biens

La mobilité est un socle essentiel pour l’activité économique, le développement des territoires et la vie des citoyens. Aujourd’hui, le système de mobilité est impacté de toutes parts et face à de nombreux enjeux que l’on peut décliner sous trois grandes dynamiques  :

  • Transition environnementale et changement climatique  : réduction de l’empreinte carbone de la mobilité et préservation de la qualité de l’air,

  • Allocation des ressources économiques et budgétaires  : raréfaction des budgets publics qui induit une optimisation nécessaire des investissements dans les infrastructures de transport,

  • Transformation technologique et nouveaux usages : avec de nouveaux moyens de mobilité plus doux qui nécessitent de nouvelles infrastructures.

Ces trois transformations engendrent des problématiques à grande échelle pour les autorités et collectivités qui ont la mobilité en responsabilité, pour les gestionnaires d’infrastructures de transports, pour les exploitants et opérateurs de mobilités. Les prises de décision nécessitent d’être éclairée en amont pour une allocation optimale des ressources. Une vision dite « data-driven » devient nécessaire pour pouvoir apporter les éclairages clés.


La donnée de mobilité, un précieux sésame

Ce n’est plus une nouveauté  : la donnée est le nouvel or noir. Elle fait aujourd’hui partie de notre quotidien, produite en masse par quantité d’applications et systèmes régulièrement, pour améliorer notre vie de tous les jours. Elle est présente dans tous les domaines d’activité et en particulier dans le champ de la mobilité.


La première question qui vient naturellement est comment sont collectées les données de la mobilité  ? Les comptages automatiques (boucles, vidéo, radars…), les enquêtes localisées et les terminaux GPS et smartphones sont des sources aujourd’hui courantes pour évaluer la volumétrie des flux et des déplacements. Les données issues des véhicules connectés et des smartphones (données dites FCD ou FMD) permettent d’évaluer les vitesses et les temps de parcours sur des itinéraires. Concernant le diagnostic d’empreinte carbone de la mobilité, il est possible grâce à la connaissance précise du parc automobile et à la pollution émise par chaque type de véhicules. En d’autres termes, la maîtrise de la donnée représente un avantage technologique majeur pour pouvoir représenter les phénomènes. Elle est aussi un précieux sésame pour éclairer les stratégies de transformation et répondre de manière optimale aux enjeux qui pèsent sur le système de mobilité.


Les données sont collectées puis analysées afin de tester et d'évaluer pour prendre la meilleure décision

Optimiser le système de mobilité et les flux par la donnée est un processus qui peut s’articuler autour de deux approches  : la statistique ou la modélisation. L’approche statistique s’intéresse aux traitements des données de mobilité par des technologies et méthodes issues de la science de la donnée et de l’intelligence artificielle (par exemple le machine learning). Elle s’intéresse à regarder l’historique des données pour en déduire des indicateurs clés et faire des projections sur de possibles situations futures. L’approche par la modélisation s’intéresse à construire un modèle du système de mobilité reproduisant dans son intégralité, l’interaction entre l’offre et la demande. Ce modèle reproduit virtuellement l’ensemble des flux en tout point du réseau et est calé sur une situation de référence construite à partir d’une connaissance partielle de cette situation. On peut parler de jumeau numérique simulable.


Intelligence artificielle et jumeau numérique simulable, des approches différentiées

Dans l’approche statistique, une fois les données collectées et mises à disposition, il s’agit maintenant de les traiter et les analyser pour en déduire des informations pertinentes. Ces informations sont ensuite classifiées afin de révéler des occurrences de phénomènes similaires. Cette classification fait appel à l’intelligence artificielle et au machine learning pour mettre en lumière plusieurs phénomènes semblables et récurrents, dont on dérive des indicateurs qui vont aider à la décision. L’approche statistique vise à non seulement comprendre les causes d’un phénomène, mais aussi d’en comprendre les conséquences. Il s’agit de projeter les situations futures à partir de la situation observée au présent et de la compréhension des occurrences passées.


Les données sont traitées sous forme de statistiques montrant les occurrences de phénomènes similaires. Les indicateurs ressortant permettent de prendre une décision.

Il est cependant important de nuancer la valeur de l’approche statistique car sa robustesse est dépendante de la forte récurrence des phénomènes observés  : plus un phénomène se reproduit, plus la statistique aura du poids et sera conséquente dans la prise de décision.


Dans l’approche du jumeau numérique simulable, un modèle du système de mobilité est construit à partir du jeu de données disponibles et reproduit de manière statique ou dynamique les écoulements sur le réseau (le trafic sur le réseau routier par exemple) afin de simuler un phénomène réel dans un environnement virtuel et de le projeter dans des scénarios différentiés. Avec cette représentation numérique d’une réalité physique, il est possible de simuler des scénarios nécessitant des investissements budgétaires trop élevés (le ré-aménagement d’un carrefour par exemple) ou une logistique trop complexe (une mesure d’exploitation exceptionnelle) pour être testé dans le monde réel avant leur mise en œuvre effective. On pourra modéliser et simuler des mesures d’exploitations routières planifiées afin d’évaluer leur efficacité opérationnelle et de les optimiser si nécessaire. Car le jumeau numérique, et c’est sa force, à la différence de l’approche statistique, est capable de prévoir des situations même si celles-ci n’ont jamais été observées par le passé. On pourra par exemple simuler l’impact qu’aurait un accident bloquant une voie de circulation donnée, même si ce phénomène n’est jamais arrivé sur l’infrastructure concernée. Grâce à la visualisation cartographique des données et le contrôle via des tableaux de bords, le jumeau numérique simulable est un outil aisément manipulable et interprétable via une plateforme opérée dans le cloud.


Les flux de données sont reproduits par le jumeau numérique qui simule des scénarios et présente des indicateurs afin d'aider à la décision.

Une complémentarité dans les approches selon le besoin

Ces deux approches apportent dans l’absolu des réponses éclairantes, mais leurs domaines de pertinence ne sont pas les mêmes selon la problématique posée  : si le besoin initial est de comprendre les causes et conséquences de phénomènes récurrents et prédictibles, l’approche par l’intelligence artificielle est intéressante. En revanche, s’il s’agit de prédire les conséquences d’un phénomène qui n’est jamais arrivé et pour lequel on ne dispose pas de données sur une situation similaire, le jumeau numérique simulable est plus pertinent. Mais le véritable intérêt de ces solutions réside dans la complémentarité qu’elles offrent lorsqu’elles sont utilisées conjointement. C’est encore une pratique très innovante sur le marché d’aujourd’hui.


Pourtant des solutions logicielles accessibles et simples d’usage existent. Elles font sauter les verrous technologiques en combinant à la fois un agrégateur de données, des outils basés sur l’intelligence artificielle, des outils de modélisation, simulation et prévision avec la puissance de calcul et les capacités collaboratives apportées par le cloud.


Vous souhaitez découvrir comment Neovya utilise ces deux approches pour éclairer la décision ?
Engagez la conversation avec un expert ➜ Planifier un rdv !