Comment l'analyse temps-réel de données de mobilité et la construction de modèles prédictifs peuvent aider à mieux comprendre les flux dans une ville et améliorer ses services urbains ?

1. Lyle City
Data analysis as simple as ordering a Uber
Lyle City 1

2. Lyle City 2
Quelle quantité de données collectez-vous
chaque jour ?

3. Lyle City 3
Le traitement des données est difficile

4. Lyle City 4
Le traitement des données est difficile
95% des informations collectées ne sont pas utilisées

5. Lyle City 5
L’exploitation de vos données doit être aussi simple que commander un
Uber.

6. Lyle City 6
Lyle City analyse vos informations en temps réel pour modéliser
les comportements de vos usagers

7. Lyle City 7
1. Envoi en continu de vos data brutes via notre API
2. Agrégation, normalisation et identification des corrélations par l’AI
Lyle City
3. Réception des prédictions

8. Lyle City 8
Nous traitons 432 millions nouveaux points de données
chaque mois à Paris

9. Représentation partielle des
données traitées par Lyle City

10. Exemple de fusion de données :
carte en temps réel du besoin de
mobilité

11. Lyle City 11
• Quel sera le nombre de Vélib’ disponibles samedi à 22h30 à
Strasbourg - Saint-Denis
• Quel est le report de voyageurs de la ligne 1 vers la ligne A lors d’un
incident technique
• Quels seront les besoins en matériel roulant et personnel au Stade de
France lors du prochain concert de Beyoncé

12. Lyle City 12
Amélioration de l’expérience usager
Baisse des coûts d’exploitation

13. Lyle City 13
Et vous ?
contact@lyle-city.com