LA CARTE À PUCE NOUS PARLE QUAND ON LA FOUILLE!

Transcription

1 LA CARTE À PUCE NOUS PARLE QUAND ON LA FOUILLE! Martin Trépanier ing. Ph.D., professeur titulaire Département de mathématiques et génie industriel Photo: LeDevoir.com

2 Journée de la recherche - mai Au programme aujourd hui Les systèmes de perception de titres par cartes à puce en transport collectif urbain Aperçu des données collectées Quelques exemples d exploitation des données Estimation des lieux de descente Statistiques usuelles Segmentation comportementale des usagers Survie des usagers Influence des conditions météorologiques Défis et perspectives de recherche

3 Journée de la recherche - mai SYSTÈMES DE PERCEPTION PAR CARTES À PUCE

4 Journée de la recherche - mai Système de perception par cartes à puce Fonctionnement typique 3. L usager fait valider sa transaction, qui est enregistrée 1. L usager achète un titre sur sa carte Titre de transport Lieux d émission Lieux de recharge Carte à puce transactions financières Système financier validation lectures (asynchrone) Serveur «SIVT» données cartes contrôle anonymat rapports Autobus équipés de lecteurs CAP Voyages planifiés données sur les montées Données opérationnelles service planifié 2. Les données opérationnelles sont chargées dans le système embarqué

5 Journée de la recherche - mai Système de perception par cartes à puce Outil de collecte structurant Générateurs de déplacements Statistiques opérationnelles Estimation des lieux de descente Météo Planification du service Comportement des usagers

6 Journée de la recherche - mai APERÇU DES DONNÉES COLLECTÉES

7 Journée de la recherche - mai Aperçu des données collectées Structure Données transactionnelles Id trans. Date et heure No carte Ligne et dir. Arrêt Titre Corr.? Bus No. course Etc. Traitement des données (fait aussi partie des préoccupations de recherche) Validation Mise en forme Cohérence avec les données opérationnelles Détection des erreurs Enrichissement Détermination des lieux de descente Ajout d attributs indirects (socio-démographie, météo, incidents, etc.) Intégration à d autres ensembles de données (ex.: comptes à bord)

8 Journée de la recherche - mai Aperçu des données collectées Sources de données: partenariats de recherche Mise en place d une entente de recherche avec la Société de transport de l Outaouais (STO) en 2004 La STO compte 200 autobus et dessert habitants à Gatineau La STO a été la pionnière canadienne en instaurant un système de paiement par cartes à puce dès millions de transactions sur une période de 6 ans Partenariat de recherche avec la Société de transport de Montréal (STM) dans le cadre de la Chaire de recherche Mobilité sur la durabilité en transport (C. Morency) 250 millions de transactions sur une période de 7 mois Demande RDCoop avec le groupe Thalès Recherche et Technologie (TRT), participation du Réseau de transport de Longueuil (RTL) Données du RTL Données de réseaux européens Recherches conjointes avec l Université du Chili (Réseau de TransSantiago)

9 Journée de la recherche - mai Aperçu des données collectées Modèle-objet de la STO 1 er janvier 2004 au 30 septembre 2009

10 Journée de la recherche - mai QUELQUES EXEMPLES DE TRAVAUX DE RECHERCHE

11 Journée de la recherche - mai Exemples de travaux Estimation des lieux de descente Méthode basée sur le suivi de la carte User Usager i Boarding Montée point 1 s 1ik 2 s 1ik B s 1ik 1 4 s 1ik Vanishing route V 1ik d(a,b) < M d 3 ik 5 s 1ik B s 2ik d 1ik j s 1ik V 2ik First Première routeligne j s 2ik 2 d(a,b) d 2ik Chaîne B s 3ik J ik V1 ik, V2ik, V3 ik Deuxième Second ligne route 3 Estimated Lieu de descente alighting estimé stop Troisième Third route ligne j s 3ik V 3ik Difficultés particulières - Validation - Correspondance vs. activité - Déplacements unitaires et non estimés

12 % observations Journée de la recherche - mai Exemples de travaux Statistiques usuelles Statistiques sur la demande - Apprentissage du réseau par les usagers Schedule adherence on route 37 Statistiques sur l offre - Achalandage par heure, jour, semaine, mois, année - Ventilé par ligne, arrêt, catégorie de titre, etc. - Statistiques dérivées à partir des transactions 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% Vitesse commerciale, retards, charge du réseau Minutes Inbound

13 Journée de la recherche - mai Exemples de travaux Statistiques usuelles / diffusion Diffusion en Intranet - Pour «constater» les données - Bris de système CAP - Amélioration du service

14 "J2_AM" "J2_MI" "J2_PM" "J2_SO" "J3_AM" "J3_MI" "J3_PM" "J3_SO" "J4_AM" "J4_MI" "J4_PM" "J4_SO" "J5_AM" "J5_MI" "J5_PM" "J5_SO" "J6_AM" "J6_MI" "J6_PM" "J6_SO" % users boarding on the transit network "J2_AM" "J2_MI" "J2_PM" "J2_SO" "J3_AM" "J3_MI" "J3_PM" "J3_SO" "J4_AM" "J4_MI" "J4_PM" "J4_SO" "J5_AM" "J5_MI" "J5_PM" "J5_SO" "J6_AM" "J6_MI" "J6_PM" "J6_SO" % users boarding on the transit network "J2_AM" "J2_MI" "J2_PM" "J2_SO" "J3_AM" "J3_MI" "J3_PM" "J3_SO" "J4_AM" "J4_MI" "J4_PM" "J4_SO" "J5_AM" "J5_MI" "J5_PM" "J5_SO" "J6_AM" "J6_MI" "J6_PM" "J6_SO" % users boarding on the transit network "J2_AM" "J2_MI" "J2_PM" "J2_SO" "J3_AM" "J3_MI" "J3_PM" "J3_SO" "J4_AM" "J4_MI" "J4_PM" "J4_SO" "J5_AM" "J5_MI" "J5_PM" "J5_SO" "J6_AM" "J6_MI" "J6_PM" "J6_SO" % users boarding on the transit network Journée de la recherche - mai Exemples de travaux Segmentation comportementale des usagers Classification en groupes basée sur l utilisation du réseau 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Group 1 Travailleurs typiques 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Group 3 Monday Tuesday Wednesday Thursday Friday Lève-tôt 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Group 2 Monday Tuesday Wednesday Thursday Friday Monday Tuesday Wednesday Thursday Friday Faible usage Group4 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Monday Tuesday Wednesday Thursday Friday «Data mining» classique (k-means)

15 Journée de la recherche - mai Exemples de travaux Segmentation comportementale des usagers La segmentation peut se faire selon plusieurs dimensions: - Utilisation horaire, quotidienne, hebdomadaire - Caractéristiques spatiales - Usager-jour, usager-mois, etc. WEEKS Les usagers n ont pas un comportement constant au fil du temps Card type Gr1 Gr2 Gr3 Gr4 TOT Adult 58.8% 13.9% 9.2% 18.1% 100% Student 21.0% 17.7% 26.4% 34.8% 100% Elderly 6.2% 6.4% 7.9% 79.5% 100% Card type Gr1 Gr2 Gr3 Gr4 Adult 85.6% 62.4% 42.7% 47.7% Student 13.9% 36.1% 55.4% 41.7% Elderly 0.5% 1.4% 1.8% 10.6% Total 100% 100% 100% 100% 15

16 Proportion du nombre de montées Journée de la recherche - mai Exemples de travaux Segmentation comportementale du territoire 90% 80% pic 7h pic 8h pic milieu pic 15h pic 17h Caractérisation des arrêts sur le territoire de la STO 70% 60% 50% pic 6h pic 16h pic soir 40% 30% pic régulier 20% 10% 0% 4h 5h 6h 7h 8h 9h-14h 15h 16h 17h 18h-23h Heure des montées Les données de cartes à puce permettent de caractériser le territoire de desserte

17 Proportion des usagers Journée de la recherche - mai Exemples de travaux Survie des usagers Suivi des cohortes 100% 90% 80% 70% Adultes PB Taux de rétention Aînés Adultes PB express La disponibilité de données longitudinales en grande quantité permet des analyses de survie très détaillées 60% 50% 40% 30% 20% 10% Collège/ Univ. Étudiants Express Adultes 0% Nombre de mois après la première apparition

18 Journée de la recherche - mai Exemples de travaux Influence des conditions météorologiques Globalement L examen des changements de comportement et des moyennes d achalandage permettent de détecter l influence des conditions météo Effet quotidien

19 Journée de la recherche - mai Exemples de travaux Influence des conditions météorologiques Dans les réseaux fortement maillés, les conditions météorologiques induisent des transferts modaux Équilibre bus-métro

20 Journée de la recherche - mai DÉFIS ET PERSPECTIVES DE RECHERCHE

21 Journée de la recherche - mai Les défis Proposer des méthodes d exploitation de données transposables chez les partenaires Transfert technologique Puissance des outils informatiques Pertinence et validité des outils et modèles Comparabilité des résultats Méthodes statistiques de segmentation Pas nécessairement adaptées Confidentalité Inquiétudes Défi ultime Éviter les cimetières de données!

22 Journée de la recherche - mai Perspectives de recherche (1) Amélioration de la méthode d estimation des destinations Ajout de composantes probabilistes, approches floues Validation des résultats avec données de réseau «tap-in/tap-out» Amélioration des méthodes «data mining» de segmentation Du point de vue transport, D(1,2) devrait être plus petit que D(1,3)! Mapping des données sur X,Y,Z en passant par des coordonnées polaires

23 Journée de la recherche - mai Perspectives de recherche (2) Intégration des données provenant de systèmes de perception par cartes à puce au sein des algorithmes d optimisation des réseaux Design de réseaux, synchronisation des correspondances Données moyennes, cas particuliers? Utilisation pour le développement de modèles d élasticité fine Ajout de service, petites modifications géométriques Utilisation pour combattre la fraude Stratégies de couverture, affectation des agents Développement d outils de visualisation «intelligents» Il y a trop de données!

24 Journée de la recherche - mai REMERCIEMENTS aux collaborateurs et partenaires Collaborateurs Profs Catherine Morency et Robert Chapleau, département des génies civil, géologique et des mines Profs Bruno Agard et Vahid Partovi-Nia, département de mathématiques et génie industriel Prof. Marcela Munizaga, Université du Chili Étudiants: Nicolas Tranchant, Clément Piriou, Élodie Descoimps, Carl Blanchette, François Vassivière, Félix Légaré, Nicolas du Parc, Romain Poilpré, Marie-Pier Pelletier, K.K. Chu Partenaires La Société de transport de l Outaouais La Société de transport de Montréal, via la chaire Mobilité Thalès Recherche et Technologie, équipes canadiennes et françaises Conseil de recherche en sciences et en génie du Canada (CRSNG)