Vincent Leblond @séminaire IA & Mobilité

1. 18 mars 2021
Séminaire Intelligence Artificielle et Mobilité pour la Transition écologique
Compréhension de la mobilité :
données ou simulation ?

2. Intelligence artificielle
Intelligence artificielle
2
Science des
données
Simulation

3. 3

4. 4
Etienne Côme, Université Gustave Eiffel, http://vlsstats.ifsttar.fr/

5. 5
E. Côme, L. Oukhellou. Model-based count series clustering for Bike-sharing system usage mining, a
case study with the Vélib’ system of Paris. ACM TIST 5(3), 2014

6. 6
temps
Nombre
de vélos

7. 7
60%
20%
10%

8. 8
Précision
Interprétabilité
Réseaux de
neurones
Random
Forest
Régression
linéaire
Arbres de
décisions
Réseaux
bayésiens

9. 9
Prévoir la disponibilité de vélos en libre service
dans 30 minutes ou dans la journée, à la station
Cité internationale des congrès

10. 10
Relocalisation
Stock Réel
Demande
Capacité maximale

11. 11
Relocalisation
Stock Réel
Demande
Capacité maximale

12. 12
➔ Quelle prévision si un événement imprévu
survient ? Par exemple l'interruption d'une
ligne de tramway ?
➔ Quelle serait la fréquentation des stations si
des nouvelles stations sont créées ?
➔ Quel serait l'impact de l'introduction de vélos
électriques ?
➔ ...

13. 13
Crooks, A.T., Malleson, N., Manley, E. and
Heppenstall, A.J. (2019), Agent-based Modelling
and Geographical Information Systems: A Practical
Primer, Sage, London, UK
La simulation multi-agent (SMA)

14. 14
Origine (1 rue Nantaise)
L’individu a un lieu d’origine, une destination et une heure de départ (15h08).
Destination
(Jardin la Valière)

15. 15
La simulation se compose de 2334 déplacements d’individus qui utilisent le
système vélo en libre service STAR (51 stations et 527 vélos).
Origine (1 rue Nantaise)
Destination
(Jardin la Valière)

16. 16
L’individu marche jusqu’à la station la plus proche du lieu d’origine
(15h08 -> 15h11).
Place de Bretagne
(6 vélos disponibles)

17. 17
L’individu prend un vélo (15h11) et se déplace jusqu’à la station la plus
proche de la destination.
Laënnec (8 places
disponibles)

18. 18
L’individu dépose le vélo à la station (15h18) et marche jusqu’à la
destination (15h19).

19. 19
Départ
Marcher jusqu'à la
station
Choisir une station (a)
Arrivée à
destination
Bornette
disponible ?
Oui
Déposer le vélo
Marcher jusqu'à
destination
Oui
Choisir une station de
destination (a)
Rejoindre la station
choisie
Non
Oui
Vélo
disponible ?
Oui
Non
Attendre ?
(b)
Non
Attendre ?
(b)
Non

20. 20
Lien vers la vidéo : https://youtu.be/jaLoWpiTIoo

21. 21
Exemple de simulation - indicateurs (6/6)
● Concernant l’individu
○ 4 minutes de marche
○ 7 minutes à vélo
○ 11 minutes de déplacement total
● Concernant le vélo emprunté (pendant toute la journée)
○ 3 utilisations
○ 3 700 m parcourus
● Concernant les stations (pendant toute la journée)
○ Place de la Bretagne
■ 95 prises de vélo
■ 93 dépôts de vélo
■ 2 échecs de dépôt de vélo
■ Pleine pendant 1 heure
○ Laënnec
■ 67 prises de vélo
■ 70 dépôts de vélo
■ Vide pendant 15 minutes

22. 22
Statistiques des stations
Stations vides Stations pleines

23. 23
Statistiques
# échecs de prise d'un vélo # échec de dépose d'un vélo

24. 24
GAMA-platform
Simulation multi-domaine
Open Source
https://gama-platform.github.io
SUMO
Simulation microscopique du trafic
Open Source
https://www.eclipse.org/sumo/
MATSIM
Simulation multi-modale
Open Source
https://matsim.org/
STARLING
Simulation de services de mobilité
Open Source
https://www.eclipse.org/sumo/

25. 25
Framework
Moteur d’événements
(couche générique de simulation)
Événements
détaillés
Indicateurs
Déplacements
des individus
Classes abstraites
(description générique des agents appliquée au transport)
Paramètres
Modèles
Vélo en libre
service
Auto partage Taxis partagés etc.
Algorithmes d’optimisation
STARLING

26. 26
Pour ce qui est de l'avenir, il ne
s'agit pas de le prévoir, mais de
le rendre possible.
Antoine de St-Exupéry

27. 27
Merci de votre attention
VINCENT LEBLOND
✉ vleblond@tellae.fr
8 promenade Europa
44200 Nantes