Traces numériques de mobilité comment suivre la piste ? NTIC & transport Etienne Côme, Latifa Oukhellou COSYS/GRETTIA 3 mars 2014 Plan 1 Contexte et positionnement 2 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Clustering de matrices O-D dynamiques Travaux actuels & futurs 3 Quelques exemples de visualisations E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 2 / 56 Contexte et positionnement Contexte Latifa Oukhellou (DR), Etienne Côme (CR), Yufei Han (Post-Doc) et Andry Randriamanamihaga (Doc) GRETTIA, COSYS Analyse de données, Clustering, Apprentissage statistique,... Fouille de données de mobilité : ex VLS (Vélib’,Velov,...), GPS, bluetooth, billetique Terrain d’expérimentation Données billetique (projet Mobilletic) Données VLS E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 3 / 56 Traces numériques de mobilité De nombreux capteurs Différentes formes : Trajectoires Différentes formes : Points Différentes formes : Origines-Destinations Nécessite de fouiller ! ! Contexte et positionnement Contexte Problématique Traces numériques de plus en plus nombreuses Générée en particulier lors de nos déplacements ⇒ Pertinentes pour l’étude des mobilité Usage détourné + Volume important ⇒ Outils de traitement et d’analyse Complémentarité / substitution enquêtes classiques E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 10 / 56 Un exemple avec les traces VLS, et le Vélib Un exemple avec les traces VLS, et le Vélib Exemple : VLS (Vélib) Traces numériques ? Données d’occupation des stations (captation depuis juillet 2013) Données des trajets effectués sur 5 mois de 2011 (Mairie de Paris et JC. Decaux) Données temporelles : dates et heures de départ et d’arrivée Données spatiales : stations de départ et d’arrivée Type d’abonnement (longue ou courte durée) E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 12 / 56 Un exemple avec les traces VLS, et le Vélib Exemple : VLS (Vélib) Objectifs "Opérationnels" Eviter le problème d’une station vide au départ et pleine au retour ⇒ Optimisation des politiques de re-déploiements des vélos Concevoir de nouveaux systèmes, ou étendre un système existant ⇒ Positionnement et dimensionnement des stations en fonction des données socio-économiques et géographiques, ... Objectifs "Traitements" Rechercher des motifs d’usage récurrents du Vélib’, modèles spatio-temporels Construire des modèles de prédiction d’usage, estimation de la demande Lire la ville et son rythme au travers de données de mobilité E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 13 / 56 Un exemple avec les traces VLS, et le Vélib Effets temporels 35 000 Subscription : 30 000 Short Long Trips 25 000 20 000 15 000 10 000 5 000 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Time F IGURE 1: Nombre de trajets / heure (courte / longue abonnements) E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 14 / 56 Un exemple avec les traces VLS, et le Vélib Effets spatiaux F IGURE 2: trajets entrants entre [6h,7h] en semaine E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 15 / 56 Un exemple avec les traces VLS, et le Vélib Analyse exploratoire : laisser parler les données Méthodologie générale Utiliser des algorithmes de clustering (regroupement automatique) pour trouver des formes d’usage type du Vélib’ Croiser les groupes ou clusters trouvés avec des données géographiques et socio-économiques de la ville ⇒ Facteurs influents sur l’usage du système VLS. Deux pistes de travail : 1 Grouper les stations avec des profils d’usage similaires → Clustering de stations ou de couples O/D 2 Segmenter / Résumer la dynamique temporelle du système → Adaptation de LDA à la fouille de matrices O/D dynamiques E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 16 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Clustering de stations avec des profils d’usage similaires E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 17 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Regroupement de stations à partir de leurs profils d’usage temporels Objectifs : Stations décrites par les dynamiques de flux entrants et sortants Prise en compte des jours de semaine / week end modèle pour données de comptage Croiser les résultats avec d’autres variables explicatives : population, emplois, loisirs, ... Analyse réalisée avec 8 groupes (bon compromis : interprétations/attache aux données) Related work [Borgnat et al., 2011], [Froehlich et al., 2009], [Lathia et al., 2012]... E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 18 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Pôles multimodaux E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 19 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Pôles multimodaux Week-end Week 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 20 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Parcs Week Week-end 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 21 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Parcs E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 22 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Sorties nocturnes Week Week-end 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 23 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Sorties nocturnes E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 24 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Sorties nocturnes et week-end Week Week-end 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 25 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Sorties nocturnes et week-end E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 26 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Logements Week Week-end 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 27 / 56 Logements Inhabitants / ha 0 200 400 600 800 1 000 1 200 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Emplois(1) Week Week-end 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 29 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Emplois (2) Week-end Week 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 30 / 56 Emplois (1 et 2) Jobs / ha 0 500 1 000 1 500 2 000 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Usage mixte Week Week-end 5 4 Departures 3 2 Activity 1 0 5 4 Arrivals 3 2 1 0 0 E. Côme, L. Oukhellou (COSYS/GRETTIA) 5 10 15 20 0 Hours 5 Traces numériques 10 15 20 3 mars 2014 32 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Usage mixte E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 33 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Croisement données population-emplois-services Sorties (1) Sorties (2) Parcs Gares Logements Emplois(1) Emplois(2) Moyennes hab/ha 162 367 261 172 209 375 138 157 301 emp/ha 237 189 322 90 206 108 409 456 163 serv/ha 4.2 6.3 7.7 2 2.4 3.8 4.5 5.7 3.8 com/ha 3.7 4.4 6.9 1.7 1.8 2.7 2.8 5.6 2.8 TABLE 1: Comparaison des moyennes de densités de population, d’emplois, de services et de commerces pour les différentes groupes de stations. E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 34 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de stations avec des profils d’usage similaires Conclusions sur le clustering de stations Résultats Des stations bien différenciées en termes d’usage Interprétation aisée des groupes de stations Densités de population, d’emplois et d’équipements explicatives des groupes de stations Profils temporels des clusters interprétables et informatifs E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 35 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Clustering de matrices O-D dynamiques E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 36 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Clustering de matrices O-D dynamiques Objectifs Représentation des données : matrices OD dynamiques ⇒ Recherche de stationnarités et de points de changement dans la dynamique des matrice OD Modèle utilisé “Latent Dirichlet Allocation” Résultats Segmentation temporelle et cycles Distribution spatiale des flux (OD de référence) / segment ⇒ Permet de caractériser le déséquilibre du réseau / segment Représentation synthétique de la dynamique du réseau E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 37 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Interprétation temporelle 12000 # trips / hour 9000 6000 3000 0 Avril 04 Avril 11 Avril 18 Avril 25 Mai 02 12000 # trips / hour 9000 6000 3000 0 Avril 18 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 38 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Interprétation temporelle Remarques La cyclostationnarité est clairement visible Faible mélange entre les différentes activités latentes Interprétation temporelle des 5 "activités" obtenues : 1 2 3 4 5 Domicile ↔ Travail Déjeuner Travail ↔ Domicile Loisirs nocturnes Loisirs E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 39 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Analyse spatiale Quelles stations génèrent des départs durant une activitée a // comportement moyen du système ? Quelles stations génèrent des arrivées durant une activitée a // comportement moyen du système ? Comment les stocks évoluent balance des vélos (vélos arrivant - vélos partant) durant chacune des activité ? E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 40 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques "Domicile-Travail", stations avec un fort flux entrant F IGURE 3: Spécificité entrante / stations E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 41 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques "Loisirs", stations avec un fort flux sortant F IGURE 4: Spécificité sortante / stations E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 42 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Interprétation spatiale : déséquilibre du réseau Balance +30 +20 +10 0 -10 -20 -30 F IGURE 5: Activité latente "Domicile→Travail", déséquilibre du réseau pour Ndep = 10 000 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 43 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques "Travail→Domicile" Balance +30 +20 +10 0 -10 -20 -30 F IGURE 6: Activité latente "Travail→Domicile", déséquilibre du réseau pour Ndep = 10 000 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 44 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques "Déjeuner" Balance +30 +20 +10 0 -10 -20 -30 F IGURE 7: Activité latente "Déjeuner", déséquilibre du réseau pour Ndep = 10 000 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 45 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques "Loisirs nocturnes" Balance +30 +20 +10 0 -10 -20 -30 F IGURE 8: Activité latente "Loisirs nocturne", déséquilibre du réseau pour Ndep = 10 000 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 46 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques "Loisirs" Balance +30 +20 +10 0 -10 -20 -30 F IGURE 9: Activité latente "Loisirs", déséquilibre du réseau pour Ndep = 10 000 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 47 / 56 Un exemple avec les traces VLS, et le Vélib Clustering de matrices O-D dynamiques Résultats Meilleure compréhension de la dynamique du réseau Modèle synthétique de la dynamique Mise en évidence des cycles Appliqué aussi à des données Bluetooth (TRB) Limites Prise en compte uniquement de la demande satisfaite Pas de liens explicites avec les données socio-économiques et géographiques E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 48 / 56 Un exemple avec les traces VLS, et le Vélib Travaux actuels & futurs Travaux actuels & futurs E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 49 / 56 Un exemple avec les traces VLS, et le Vélib Travaux actuels & futurs Travaux actuels & futurs Estimation/Prédiction de la demande (satisfaite + satisfaite) Objectifs : prédire l’évolution des stocks à courts termes fournir des outils d’aide au dimensionnement → pour l’extension d’un réseau → pour l’implantation d’un nouveau réseau Travaux : source d’information contextuelle (socio-éco, transport,...) modèle de régression pour données de comptages prise en compte des effet liés à la saturation des stations extension LDA semi-paramétrique avec prise en compte des données contextuelles E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 50 / 56 Quelques exemples de visualisations pour se détendre http://www.comeetie.fr/galerie/velib Quelques exemples de visualisations pour se détendre http://www.comeetie.fr/blog/?p=255 Quelques exemples de visualisations pour se détendre http://vlsstats.ifsttar.fr Quelques exemples de visualisations Publications 1 E. Côme, L. Oukhellou. Model-based count series clustering for Bike-sharing system usage mining, a case study with the Vélib’ system of Paris. Accepeted in ACM TIST. 2 A. Randriamanamihaga, E. Côme, L. Oukhellou, G. Govaert. Clustering the Vélib’ origin-destinations flows by means of Poisson mixture models. In Proceedings of the European Symposium on Artificial Neural Networks, 2013. + Neurocomputing 3 E. Côme, A. Randriamanamihaga, L. Oukhellou. Spatio-temporal analysis of Dynamic Origin-Destination data using Latent Dirichlet Allocation. Application to the Vélib’ Bike Sharing System of Paris.. In Proceedings of TRB 2014 (accepted) 4 H. Yufei, E. Côme, L. Oukhellou. Toward Bicycle Demand Prediction of Large-Scale Bicycle-Sharing System. In Proceedings of TRB 2014 (accepted) 5 P-A Laharotte, R. Billot, E. Côme, L. Oukhellou, A. Nantes, N-E El Faouzi. Spatio-temporal clustering Analysis of Bluetooth OD (B-OD). Application to a large urban network. In Proceedings of TRB 2014 (submitted) E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 54 / 56 Quelques exemples de visualisations Merci pour votre attention ! [email protected] [email protected] (@comeetie) mobilletic.ifsttar.fr vlsstats.ifsttar.fr www.comeetie.fr Ifsttar Centre de Marne-la-Vallée Batiment le “Bienvenue” 14-20 Bd Newton Cité Descartes, Champs sur Marne F-77447 Marne la Vallée Cedex 2 Tél. +33 (0)1 81 66 87 19 E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 55 / 56 References References Borgnat, P., Abry, P., Flandrin, P., Robardet, C., Rouquier, J.-B. and Fleury, E. (2011). Shared Bicycles in a City : A Signal processing and Data Analysis Perspective. Advances in Complex Systems, 14, 1–24. Froehlich, J., Neumann, J. and Oliver, N. (2009). Sensing and Predicting the Pulse of the City through Shared Bicycling. In Proceedings of the 21st International Joint Conference on Artificial Intelligence pp. 1420–1426,. Lathia, N., Ahmed, S. and Capra, L. (2012). Measuring the impact of opening the London shared bicycle scheme to casual users. Transportation Research Part C : Emerging Technologies 22, 88–102. E. Côme, L. Oukhellou (COSYS/GRETTIA) Traces numériques 3 mars 2014 56 / 56
© Copyright 2025 ExpyDoc
