La data au service de la mobilité intelligente

Dans le secteur du transport, de très nombreuses données sont récoltées et exploitées chaque jour ; cela par le biais de divers moyens tels que des capteurs, des caméras ou des systèmes de géolocalisation. En France, les exploitants de plusieurs villes comme Paris, Lyon, Bordeaux ou bien Toulouse se sont mêmes dotés d’un Système d’Aide à l’Exploitation et d’Information Voyageur (SAEIV) pour la récolte directe des données nécessaires à l’exploitation du réseau ainsi que l’alimentation de leurs propres services numériques.

Le besoin de données a également poussé d’autres acteurs à développer leurs propres outils et méthodes. C’est le cas de Moovit, Waze ou Google Maps qui appliquent des méthodes de crowdsourcing en mettant directement à contribution les usagers de manière directe (encouragés parfois par une gamification comme pour Waze et son classement des usagers) ou indirecte en récoltant les données GPS des applications permettant l’évolution et l’amélioration de la donnée.

Concernant la forme des données, elles peuvent être segmentées en deux types : les données statiques et les données temps réel. Les données statiques produisent de l’information basique sur les réseaux : les emplacements des stations, les plans de lignes, les grilles tarifaires, les horaires théoriques, etc. Les données temps réel permettent de fournir de l’information dynamique sur l’état des réseaux : horaires de passage, incidents, flux de passagers, etc.

Une question importante subsiste : qui peut avoir accès à ces données ? A l’heure actuelle, les données récoltées par les pouvoirs publics sont mises à disposition, permettant un Open Data conséquent à la fois à destination des professionnels mais également des particuliers, offrant la possibilité d’exploiter à titre gratuit ces données pour y créer de la valeur ajoutée.

Plusieurs acteurs du secteur se sont positionnés sur la partie traitement et analyse. C’est le cas de la start-up Moovit qui, en plus de développer son application de planification d’itinéraire, propose de nombreux outils pour l’analyse statistique et le traitement de la donnée de mobilité (temps passé dans les transports, temps d’attente moyen, distance moyenne de trajet, analyses des lacunes etc.).

On distingue plusieurs usages de ces données. En premier lieu, les applications de planification de voyage telles que RATP (Paris), TCL (Lyon), Moovit ou CityMapper avec pour objectifs la diffusion de l’information aux usagers. En second lieu, les applications de billetterie mobile appliquées au transport public où le ticket est dématérialisé et remplacé par de l’information. Enfin, les services de VTC tels que Lyft ou Uber reposent essentiellement sur les informations échangées entre clients et chauffeurs, principalement temporelles, géographiques et pécuniaires ; ce qui permet de répondre à plusieurs questions telles que : dans combien de temps arrive le véhicule, combien la course va-t-elle coûter, ou encore le chauffeur est-il bien référencé ?

La recherche par les utilisateurs d’une meilleure efficacité et qualité de service est la priorité des acteurs du secteur de la mobilité. Ceci engendre d’énormes pressions sur les activités d’exploitation et la création de systèmes numériques complexes. Afin de répondre à ces demandes et au traitement de plus en plus massif, plusieurs acteurs se tournent vers la data-science.

Les premiers objectifs de cette expertise dans le domaine du transport sont le développement de solutions permettant de traiter de grandes quantités de données, de détecter les problèmes automatiquement, de les hiérarchiser et de suggérer des mesures correctives. Alstom l’applique déjà via d’une part la surveillance de l’état de ses équipements et d’autre part l’analyse prédictive qui permet l’amélioration de la maintenance. Pour assurer une exploitation plus efficace ainsi qu’une meilleure expérience de transport le groupe utilise également des simulations et des techniques d’apprentissage par renforcement.

Une autre application concrète de ces solutions est la prédiction des accidents sur le réseau (temps de retard moyen sur le trajet quotidien des utilisateurs du réseau). La valeur ajoutée d’une prédiction plus efficace se matérialise par la gestion optimisée des équipes d’interventions, mieux positionnées, ce qui permet d’optimiser au mieux les actions.

Pour le moment nous ne sommes qu’à l’apparition de ces pratiques, mais de plus en plus de sociétés (Remix, Populus, Lumiplan, Cityway, …) suivent ces changements et offrent de nouveaux outils pour permettre une évolution de traitements et prédictions toujours plus pertinentes. Cela profitera aux usagers avec une réduction de l’attente, une diminution des coûts de transport ainsi qu’une simplicité d’utilisation. Côté entreprises et collectivités cela mènera à une réduction des dépenses d’entretien, une aide à la maintenance et plus globalement une amélioration de la qualité des services.

Paul Lemonnier, Consultant Square Management.