Geo4cast : une solution métier pour le domaine de la mobilité et des transports
lundi 9 mars 2020
Des acteurs du retail se sont aussi intéressés à ces solutions, pour comprendre et faire usage de la mobilité autour de leurs centres. Les produits des solutions de Geo4cast permettent des modélisations ou des analyses prédictives. Geo4cast collabore étroitement avec les laboratoires de Télécom Paris. Elle utilise notamment des algorithmes spécifiques développés et brevetés comme fonction de coûts.
Aujourd’hui les données de géolocalisation sont nombreuses, mal exploitées et difficilement stockables. Le secteur de déplacement dans les grandes villes représente de nombreux challenges vu la densité de populations dans les villes (70 % de la population mondiale vit en ville). Geo4cast a orienté son offre autour de plusieurs cas d’usage différents : au niveau descriptif (compréhension des cartes de mobilité origine-destination, caractérisation des parcours et des modes de transport préférentiels au niveau individuel, analyse de densité de présence par zones…) et au niveau prédictif (inférer les modes de déplacement d’un voyageur à partir de ses traces de mobilité, prédire les temps de parcours, les risques d’accidents par section d’une autoroute, optimiser le placement des flottes de véhicules flottantes en début de journée…). De façon générale, il y a quatre grandes problématiques liées à la mobilité : la demande, l’offre, la combinaisons / équilibrage offre-demande et les moyens de transports mis en place.
Développement de quelques cas d’usage
Analyse des déplacements urbains sur une échelle de petite ville en région parisienne (25 000 habitants). L’objectif est de permettre à la ville de prendre des décisions de régulation du trafic. L’approche consiste à cartographier le transport de personnes et le transport logistique, puis de simuler différents scénarios possibles (par exemple : sens et type de voie, emplacement des feux rouges et des places de livraisons…) Ainsi, à l’aide de différents algorithmes de machine learning, combinés avec un échantillonnage aléatoire, des réponses sont apportées à de multiples questions : analyse de l’adéquation des moyens de transport avec les demandes, analyse de la création de bouchons, optimisation des feux…
Caractérisation de profils individuels de mobilité : en collectant les données via différents moyens (capteurs physiques, fichiers GPS…), il est possible de modéliser à partir d’une durée de deux à trois semaines les profils de déplacement des individus. 95% des déplacements d’une journée peuvent être anticipés. Les algorithmes de machine learning et les données personnelles sont combinés avec des données statistiques et dynamiques (les déplacements des transports). Suite à la réalisation de cette étude, il est possible d’inférer les différents modes de déplacement avec une précision de plus de 80 %. La détection de ces modes de déplacement permettra, entre autre, de prédire leur coût carbone et d’optimiser cette empreinte via des incitations actives ou passives. Par exemple, il peut être conseillé de modifier ses habitudes pour favoriser un déplacement piéton ou vélocipède.
D’autres cas d’usage évoqués :
- Analyse des déplacements indoor pour la gestion des flux dans le métro à Pékin.
- Analyse des déplacements pour l’optimisation des chiffres d’affaires dans les magasins.
- Optimisation du placement des sites d’interventions sur l’autoroute à Pékin pour intervenir le plus rapidement lors d’incidents ou d’accidents.
- Analyse du trafic routier autour d’une station-service pour l’optimisation de la fonction « boutique » de la station.
- Analyse des zones de chalandise pour les études marketing.
- Fluidification de trafic via la régularisation des vitesses de déplacement.
- Optimisation des déplacements pour les manifestations sportives…
Plusieurs visualisations différentes permettent de mettre en lumière les déplacements : carte de chaleurs pour les densités de concentration de véhicules, des vitesses, affichages en carte avec plusieurs couche d’abstraction différentes…
Compte-rendu rédigé par Vincent Martinez, Zhiya Duan et Hamza Amri, étudiants de la promotion 2019-2020 du Mastère Spécialisé Big Data de Télécom Paris.