L’intelligence de la donnée pour aligner enjeux environnementaux et gestion et régulation du trafic


Outil de simulation du trafic routier pour améliorer la gestion du trafic

Ce n’est plus une nouvelle : la mobilité est en grande partie responsable des émissions de CO² et autres polluants affectant la qualité de l’air dans les villes et métropoles. Face à ce constat critique de la situation, il devient nécessaire de faire basculer notre système de mobilité vers un usage plus vertueux. Quels outils peuvent être utilisés pour atteindre cet objectif ?


Mobilité urbaine : un système complexe en pleine transformation

Le tissu urbain a été conçu autour de l’utilisation de la voiture individuelle et jusqu’à aujourd’hui favorisait peu l’usage de mobilités plus douces et respectueuses de l’environnement. Mode de transport confortable et sécurisé, la voiture particulière est toujours perçue comme le mode le plus pratique et le plus rapide pour se déplacer. Cette prépondérance accordée à la voiture dans les villes se traduit par des cheminements piétons parfois dangereux et des itinéraires cyclables encore rares, voire inexistants. L’enjeu principal pour la mobilité urbaine aujourd’hui c’est d’être capable de concilier et faire cohabiter les multiples usages sur une infrastructure de voirie unique : les véhicules particuliers, les véhicules de livraisons, les taxis, les transports collectifs et la micromobilité.


Pour décarboner la mobilité urbaine et diminuer son impact environnemental sur la qualité de l’air, les politiques volontaristes concentrent leur stratégie sur les modes doux et actifs tels que le vélo ou la marche à pied. Du côté des transports collectifs, des aménagements sont mis en place pour faciliter leur passage et diminuer les temps de parcours : des voies réservées type couloir de bus ou encore la priorisation des feux.


Concernant les véhicules particuliers, plusieurs mesures sont mises en place pour instaurer des zones de faibles émissions dans les villes (ZFE) et également des mesures de réduction des vitesses, comme le passage de toute la voirie urbaine à 30 km/h (ce qui a été mis en place à Lyon cette année). L’offre de stationnement doit également être repensée pour encourager le report modal. L’autosolisme est également un enjeu. Pour diminuer sa part trop importante dans les trajets domicile-travail et favoriser le covoiturage, des voies réservées au covoiturage sont par exemple implantées sur les voies urbaines périphériques structurantes.


Et la gestion du trafic routier dans tout ça ?

Même si la priorité n’est plus à la voiture particulière, il s’agit cependant de réguler au mieux le trafic pour éviter les congestions et les remontées de files d’attente, génératrices de phénomènes de stop-and-go peu vertueux en matière d’émissions de CO2 et de pollution.

Néanmoins, les stratégies de régulation sont rarement centralisées, à l’exception des très grandes métropoles, et elles sont encore plus rarement adaptatives. Par exemple, une grande partie des contrôleurs de carrefours fonctionnent de manière unitaire, sans coordination (sauf pour les ondes vertes) et en plans fixes : les durées d’allumage des signaux lumineux sont définies localement. Pour les contrôleurs les plus avancés, ils disposent de bibliothèques préétablies de plans de feux qui sont dans la plupart des cas activés selon des périodes horaires fixées à l’avance : pointe de matin, du soir, reste de la journée et nuit par exemple. Ces stratégies ne sont cependant pas suffisantes pour éviter les congestions.


Certaines implémentations fonctionnent cependant en stratégie adaptative : le plan de feux est modifié en fonction de la réalité des flux et volumes de trafic qui arrivent en amont ou au niveau du carrefour concerné. Cette régulation est possible grâce à des dispositifs de détection et de comptage intégrés dans les routes qui évaluent la densité du trafic et envoient ces informations à une intelligence déportée dans un PC de régulation du trafic qui optimise les plans de feux en temps réel et renvoie les instructions d’adaptation aux contrôleurs locaux.


Se pose également la question de stratégies globalisées, à l’échelle d’un quartier par exemple, qui implique la synchronisation temps réel des carrefours concernés.


Faire passer la régulation du trafic à l’ère de l’intelligence de la donnée

L’enjeu principal est de passer d’un simple PC de régulation du trafic supervisant des équipements terrain (contrôleurs de feux, équipements de comptage, etc) à un outil capable d’intégrer et de gérer de multiples flux de données comme sources entrantes. Il doit aussi être en mesure d’intégrer de puissants algorithmes de calcul pour traiter ces informations en temps réel avant de faire redescendre des instructions adaptées vers les contrôleurs de carrefour. Tout cela, bien évidemment, dans des temps de latence d’échange de données très faible, rendus possibles par l’amélioration des débits et des technologies de télécommunication.


Il est aussi nécessaire d’améliorer les équipements de comptage afin de mesurer tous les types de flux possibles : VP, VUL, PL, vélos…. Il n’est plus simplement question de détecter une présence mais de compter un volume de la manière la plus précise possible. Une densification des points de mesure dans la ville est également nécessaire. Les technologies d’intelligence artificielle de traitement d’images vidéo sont aujourd’hui plébiscitées par les autorités locales, en complément des dispositifs traditionnels à base de boucles de comptage.


L’intégration de flux de données tierces, en particulier les données des véhicules connectés ou FCD (Floating Car Data), joue aussi un rôle essentiel dans la gestion de la circulation : elles viennent compléter et enrichir les données issues des équipements de comptage et leur traitement combiné permet d’informer les PC de régulation sur le trafic en temps réel, permettant un ajustement des équipements presque instantané.


Il s’agit donc bien d’enrichir les outils existants des PC de régulation du trafic urbain avec des briques d’intelligence de la donnée (technologies de data science / machine learning / intelligence artificielle), pour compléter les données existantes collectées par les équipements de comptage (boucle, caméra, radar…) et permettre de prédire à court terme, des conditions de circulation ou de temps de parcours en combinant données historiques et données entrantes en temps réel. L’enjeu c’est bien d’optimiser la régulation du trafic urbain au plus proche de la réalité et d’agir efficacement sur les flux pour accélérer la transition vers une mobilité routière urbaine plus fluide, plus sûre et plus vertueuse.


Vous souhaitez découvrir comment Neovya utilise les données pour optimiser nos routes ?
Engagez la conversation avec un expert ➜ Planifier un rdv !