Données billettiques et analyse de la mobilité dans les réseaux de transport en commun : le projet Mobilletic

JEMU,
25 Avril 2017

Des données simples

• identifiant anonymisé de l'usager (3 mois)
• type de titre de transport
• station de la validation (+ligne et direction pour les bus)
• jour et heure de la validation

Open-Data ? (ex STIF données aggrégées)

Des données simples

• identifiant anonymisé de l'usager (3 mois)
• type de titre de transport
• station de la validation (+ligne et direction pour les bus)
• jour et heure de la validation

Une donnée à part l'identifiant usager

Un jeu de données riche

• identifiant anonymisé de l'usager (3 mois)
• type de titre de transport
• station de la validation (+ligne et direction pour les bus)
• jour et heure de la validation

2 ans de profondeur temporelle

Plan

Que faire sans identifiant ?

• Analyse des volumes entrants
• Clustering des jours
  → détection d'outliers, prévision moyen terme,...
• Clustering des stations
  → analyse de l'offre, prévision moyen terme,...

Que permet de faire l'identifiant usager ?

• Reconstruction des destinations
  → analyse des correspondances, matrice OD dynamique,...
• Prévision court terme des OD
• Clustering des usagers

Analyse des volumes entrant

Des profils qui varient dans l'espace et dans le temps

Des profils qui varient dans l'espace et dans le temps

Des profils qui varient dans l'espace et dans le temps

Une variété inter journalière visible (CAH)

Une variété inter journalière visible (CAH)

Une variété inter journalière visible (CAH)

Une variété inter journalière visible (CAH)

Une variété inter journalière visible (CAH)

Qui s'explique majoritairement par des effets calendaires

Qui peuvent être exploités pour détecter des outliers

Qui peuvent être exploités pour détecter des outliers

#Rennes #metro #Star des chaises jetées sur la ligne aérienne de métro à Villejean. Dégâts importants. Trafic interrompu pendant 2h?

— Samuel Nohra (@SamuelNohra) 29 mars 2016

Ou faire des prévisions à moyen terme

Ou faire des prévisions à moyen terme

Une variabilité également spatiale

Une variabilité également spatiale

Une variabilité également spatiale

Une variabilité également spatiale

L'identifiant usager

Pour enrichir les données

Permet de reconstituer une partie siginificative des trajets

Permet de reconstituer une partie siginificative des trajets

Permet de reconstituer une partie siginificative des trajets

Permet de reconstituer une partie siginificative des trajets

Permet de reconstituer une partie siginificative des trajets

Enrichissement des données

• Utilisation de l'origine suivante pour inférer la destination
• Utilisation de seuils spatiaux et temporels
• Détection des correspondances
• Nécessite de garder les identifiants 48h

72% de destinations reconstruites

Prédiction d'OD court terme

Prédiction d'OD court terme

• Prévision des flux sur les 15min suivantes
• Possibilité de comparer différents modèles
• Profondeur temporelle de la base de donnée importante

Clustering usagers

pour une analyse centrée sur l'utilisateur

Objectif

• Etudier les habitudes temporelle des usagers
• Regarder comment se décompose la charge
• Mieux connaitre les usagers

Méthode

• Profil d'utilisation
• Clustering

Objectif

• Etudier les habitudes temporelle des usagers
• Regarder comment se décompose la charge
• Mieux connaitre les usagers

Méthode

• Profil d'utilisation
• Clustering

Un usage pendulaire

Un usage pendulaire

Un usage pendulaire

Mais pas que

Mais pas que

Mais pas que

Méthode

Analyse du comportement horaire des usagers

• Des sous populations assez bien différenciées
• Permet de sortir de l'usager moyen
• Mieux comprendre les besoins

Conclusion

• Des données riches qui permettent d'étudier la variabilité temporelle et spatiale de la demande
• Des travaux exploratoires montrant différentes caractéristiques de la demande
• Des informations sur les usagers pertinentes (pour la reconstrution des destination ou plus)

Perspectives

• Poursuite des travaux sur la prévision moyen terme/court terme
• Poursuite des travaux sur la détection et la caractérisation d'anomalies
• Mise en oeuvre sur des réseaux plus complexe (ex Paris)

Merci de votre attention

et à toute l'équipe du projet

Latifa Oukhellou

Mohamed El Marhsi

Anne Sarah Briand

Florian Toqué

Bibliographie

El Mahrsi, M., Briand, A. S., Côme, E., & Oukhellou, L. "Utilité des données billettiques pour l’analyse des mobilités urbaines: le cas rennais" Données urbaines, Economica, 2015, 11p.
El Mahrsi, M., Côme, E., Oukhellou, L. & Verleysen, M. "Clustering Smart Card Data for Urban Mobility Analysis" Ieee Transactions on Intelligent Transportation Suystems ( Volume: PP, Issue: 99 ), pp 1 – 17, 2016.
Briand, A. S., Côme, E., El Mahrsi, M., & Oukhellou, L. "A mixture model clustering approach for temporal passenger pattern characterization in public transport", International Journal of Data Science and Analytics, Avril 2016, Volume 1, issue 1, pp 37-50.
Briand, A. S., Côme, E., El Mahrsi, M., & Oukhellou, L. "Classification á base de Modèle de mélange pour l’identification de profils temporels types d’usagers de transport public" AAFD & SFC’16 : Conférence Internationale Francophone sur la Science des Données, Marrakech, 2016.
Toqué, F., Côme, E., El Mahrsi, M., Oukhellou, L. "Forecasting Dynamic Public Transport Origin-Destination Matrices with Long-Short Term Memory Recurrent Neural Networks". In Proceedings of IEEE 19th International Conference on Intelligent Transportation Systems , Rio de Janeiro , BRESIL 2016.

Bibliographie

Articles en court de soumission :

Briand, A. S., Côme, E., Trépanier, M., & Oukhellou, L. "Analysing year-to-year changes in public transport passenger behaviour using smart card data" Transportation Research Part C : Special Issue on Smartcard data (article accepté en cours de publication)
Briand, A. S., Côme, E., & Oukhellou, L. "Anomalie detection and characterization in Smart-Card data" (article en cours de finalisation)