Analyse des routines temporelles d usagers de transport en commun à travers des données billettiques

Dimension: px

Commencer à balayer dès la page:

Download "Analyse des routines temporelles d usagers de transport en commun à travers des données billettiques"

Christophe Poulin
il y a 8 ans
Total affichages :

1 Analyse des routines temporelles d usagers de transport en commun à travers des données billettiques Le cas Rennais Mohamed K. El Mahrsi, Etienne Côme, Johanna Baro et Latifa Oukhellou Atelier traitement et visualisation de données dans le domaine des transports 10 oct. 2014

El Mahrsi, Etienne Côme, Johanna Baro et Latifa Oukhellou Atelier

2 La billettique pour faciliter la gestion des payements... Octopus (Hong Kong, 1997), Navigo (Paris, 2001), Chicago Card (Chicago, 2002), Oyster Card (Londres, 2004), KorriGo (Rennes, 2006) et plein d autres! Vocation originelle : gérer les opérations relatives au payement Réduction des coûts et sécurisation des transactions Gain de temps pour les usagers 1 / 20

Card (Londres, 2004), KorriGo (Rennes, 2006) et plein d autres!

3 ... mais pas que Données billettiques vs. données classiques (ex. enquêtes) Plus exhaustives Meilleure précision temporelle et spatiale Possibilité d étude longitudinale sur une longue période Intérêt majeur pour les opérateurs de transport... Évaluer les performances du réseau Mieux comprendre et prédire la demande... et pour les autorités organisatrices des transports Améliorer la politique (offre) de transport 2 / 20

sur une longue période Intérêt majeur pour les opérateurs de transport.

4 Pourquoi s intéresser aux habitudes des usagers? Caractériser la demande! Étudier les routines temporelles des usagers Améliorer la politique de transport! Les positionner dans le contexte (spatial) de la ville 3 / 20

5 Contributions Approche de clustering pour découvrir des groupes d usagers similaires d un point de vue temporel (heures de prise des TC) Tentative d étudier la relation entre les routines temporelles des usagers et les caractéristiques socio-économiques des différents quartiers de la ville 4 / 20

étudier la relation entre les routines temporelles des usagers et les

6 Outline 1 Introduction 2 Clustering des profils temporels des usagers 3 Ajout de contexte par croisement avec les données socio-économiques 4 Conclusion et perspectives

7 Rennes et le réseau STAR Rennes 11 e grande ville de France Plus de habitants Le réseau STAR Une ligne de métro, plus de 70 lignes de bus 1 Plus de 1400 stations et arrêts Pass KorriGo lancé en 2006 (83% des voyages en 2011) Validation à l origine seulement 1. Sans compter les services scolaires et les lignes complémentaires 5 / 20

et arrêts Pass KorriGo lancé en 2006 (83% des voyages en 2011) Validation à l

8 Jeu de données Validations bus et métro effectuées avec un pass KorriGo entre le 31 mars et le 25 avr Contenu des validations Identifiant anonymisé de l usager Code et nom du type du titre (jeune, adulte, gratuité, etc.) Date et heure de la validation (à la minute) Code et nom de la ligne Direction de voyage (aller/retour, pour le bus seulement) Code et nom du lieu de validation 6 / 20

9 Approche de clustering de profils temporels d usagers Sélection des usagers «réguliers» Construction des profils temporels des usagers retenus Clustering des profils avec une approche de mélange d unigrammes 7 / 20

profils temporels des usagers retenus Clustering des

10 Sélection des usagers «réguliers» et construction de profils temporels Usager «régulier» Validations pour au moins 10 jours (sur les 26 jours de l étude) Même station pour le 1 er départ de la journée au moins 50% du temps Profil temporel = agrégation du nombre de validations par (jour de la semaine, heure) Day Monday Tuesday Wednesday Thursday Friday Saturday Sunday Hour 3 Day Monday Tuesday Wednesday Thursday Friday Saturday Sunday Hour 1 Figure : Profils temporels fictifs de deux usagers 8 / 20

Thursday Friday Saturday Sunday 2 3 3 3 1 2 1 1 3 3 1 1 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Hour 3 Day Monday Tuesday Wednesday Thursday Friday

11 Clustering des profils temporels des usagers Modèle de mélange d unigrammes Profil d un usager u Document de N mots : u =(w 1, w 2,...,w N ) Vocabulaire : Mardi 9h, Vendredi 13h, etc. Modèle génératif z M(1, ), (1) u z M(N, z), (2) p(u) = X NY p(z) p(w i z). (3) z i=1 et estimés par un algorithme EM 9 / 20

..,w N ) Vocabulaire : Mardi 9h, Vendredi 13h, etc.

12 Résultats sur Rennes Filtrage des usagers : usagers retenus Nombre de topics (clusters) estimé par l heuristique de la pente : 16 clusters 10 / 20

13 Clusters d usagers (1/4) Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 1 (8.94% of the passengers) Cluster 2 (6.64% of the passengers) Probability High Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 3 (12.59% of the passengers) Cluster 4 (8.2% of the passengers) Hour Low Figure : Clusters de profils temporels d usagers Usage diffus à différents moments de la journée Pas de navette domicile-travail 11 / 20

14 Clusters d usagers (2/4) Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 5 (9.07% of the passengers) Cluster 6 (0.28% of the passengers) Probability High Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 7 (3.05% of the passengers) Cluster 8 (0.7% of the passengers) Hour Low Figure : Clusters de profils temporels d usagers Cluster 6 : très petit effectif, les trois-huit? Clusters 7, 8 : départ tôt le matin + peu d usage l après midi 12 / 20

15 Clusters d usagers (3/4) Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 9 (2.81% of the passengers) Cluster 10 (2.44% of the passengers) Probability High Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 11 (10.55% of the passengers) Cluster 12 (8.87% of the passengers) Hour Low Figure : Clusters de profils temporels d usagers Clusters 9, 10 : comportement de navette domicile-travail classique Clusters 11, 12 : collégiens et lycéens (pic décalé mercredi après midi) 13 / 20

87% of the passengers) 0 1 2 3 4 5 6 7 8 9 1011121314151617181920212223 0 1 2 3 4 5 6 7 8 9 1011121314151617181920212223 Hour Low Figure : Clusters de

16 Clusters d usagers (4/4) Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 13 (7.75% of the passengers) Cluster 14 (8.63% of the passengers) Probability High Monday Tuesday Wednesday Thursday Friday Saturday Sunday Cluster 15 (4.23% of the passengers) Cluster 16 (5.26% of the passengers) Hour Low Figure : Clusters de profils temporels d usagers Encore des navettes domicile-travail Cluster 15 : utilisation des TC pendant la pause déjeuner en semaine 14 / 20

17 Croisement avec les types d abonnement Plus de 90 types d abonnement! Agrégation en 6 types Jeunes, Adultes, Personnes âgées, Gratuité, Tickets et Agent KR 1.00 Fare type Young subscriber Subscriber Elderly subscriber Pay as you go Free travel KR agent 0.75 Fare type Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6 Cluster 7 Cluster 8 Cluster 9 Cluster 10 Temporal cluster Figure : Répartition des types d abonnement dans les clusters de profils temporels d usagers Cluster 11 Cluster 12 Cluster 13 Cluster 14 Cluster 15 Cluster / 20

00 Fare type Young subscriber Subscriber Elderly subscriber Pay as you go Free travel KR agent 0.75 Fare type 0.50 0.25 0.

18 Observations Prendre les TC fréquemment 6= être régulier dans ses routines de déplacement Différentes routines existent non limitées à faire la navette domicile-travail parfois similaires mais décalées dans le temps Usage en après midi plus diffus que dans la matinée 16 / 20

faire la navette domicile-travail parfois similaires mais décalées

19 Outline 1 Introduction 2 Clustering des profils temporels des usagers 3 Ajout de contexte par croisement avec les données socio-économiques 4 Conclusion et perspectives

20 Données socio-économiques et approche Données sous forme de grille avec cellules de 200m x 200m Surface batie, revenu et densité de population Clustering des cellules avec des champs aléatoires de Markov cachés Une classification des différents quartiers et régions de la ville 17 / 20

Clustering des cellules avec des champs aléatoires de Markov cachés Une

21 Classes socio-économiques des diﬀérentes régions de Rennes 18 / 20

22 Croisement Affectation de chaque station à une classe socio-économique par vote majoritaire Affectation de chaque usager à la station (de résidence) qu il utilise le plus lors de ses premiers départs de la journée 1.00 Socioeconomic cluster Collective housing, Medium+ income, High density Collective housing, Low income, High density Individual housing, Medium income, High density Individual housing, High income, Medium density Individual housing, Medium income, Medium density Individual housing, Medium income, Low density Socioeconomic cluster Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6 Cluster 7 Cluster 8 Cluster 9 Cluster 10 Temporal cluster Figure : Répartition des classes socio-économiques dans les clusters de profils temporels 19 / 20 Cluster 11 Cluster 12 Cluster 13 Cluster 14 Cluster 15 Cluster 16

23 Conclusion et perspectives Des profils d usage différents = des attentes différentes Perspectives Croisement avec d autres indicateurs (emploi, services, commerces, POI, etc.) Étudier d autres aspects de la mobilité (variabilité pour les stations utilisées, distances de parcours, etc.) S intéresser aux destinations préférentielles plutôt qu au domicile Besoin d enrichir les données (estimation des destinations, transferts, activités, etc.) 20 / 20

24 Merci de votre attention!

Documents pareils

Présentation Backup.XML DossierBase/Preferences/Backup/Backup.XML DossierBase Preferences/Backup/

Présentation Backup.XML DossierBase/Preferences/Backup/Backup.XML DossierBase Preferences/Backup/ 4D Clés XML Backup Présentation DataBase Settings / Advanced Settings / Advanced / BackupFailure Settings / Advanced / FileSegmentation Settings / Advanced / SetNumber Settings / Advanced / Transaction