Affluence dans les transports

Home > Challenges > Affluence dans les transports

Affluence dans les transports


Comment fournir une information fiable et de qualité sur l'affluence dans les transports, afin d'améliorer l'expérience de l'usager des transports en commun ?

Villes

Corporates

  • Cas d'usage et bénéfices attendus

  • Ressources mises à disposition par les partenaires

  • Opportunités business pour les partenaires

  • Experimentation et profil de startup envisagés

Connaître l’affluence dans les transports

 

 

Mise en contexte

 

 

Le problème que l’on cherche à résoudre est le sentiment d’inconfort du client des transports en commun lorsqu’il choisit un mode de transport à forte affluence. Le voyageur est souvent confronté à cette affluence trop tardivement, une fois qu’il est présent physiquement dans l’infrastructure de transport, et ne peut donc plus agir sur son choix de mode, ou d’horaires pour optimiser son confort.
Il serait possible de se prémunir de cette situation en fournissant une information fiable et de qualité sur l’affluence des modes que le voyageur compte utiliser, au moment de la programmation de son voyage même si celle-ci a lieu en dehors de l’infrastructure de transport, afin de le guider vers l’itinéraire le plus approprié en fonction de l’état actuel d’affluence.


L’idée est ainsi de combiner plusieurs sources d’informations (par exemple billetique, poids, Web Listening, capteurs de chaleur en station et à bord, géolocalisation, crowdsourcing …) pour en déduire un « Index d’affluence » sur une échelle, associé à une zone géographique (station, arrêt) ou un élément mobile (train, bus). Ces informations d’affluence peuvent être fournies à la demande en temps réel, sous forme d’un historique dans le temps ou sous forme de prévision calculée en fonction des informations d’historique.

 

 

 

Cas d’usage

 

 

 

Qui n’a pas rencontré cette situation ou, en heure de pointe et une fois en gare, on constate des rames de métro bondées à l’arrière et vides à l’avant, ou encore un bus surchargé suivi quelques minutes après par un bus vide,  etc.

Connaitre et partager l’affluence en amont du trajet permettrait au voyageur d’adapter ses choix  (décaler son départ, changer de rame ou de mode etc) en fonction du confort qu’il recherche, et de lui donner des garanties sur son trajet comme, par exemple, la garantie d’une place assise.

 

 

Bénéfices attendus

 

 

L’idée est de fournir l’accès à l’index d’affluence (temps réel, historique, prévision) dans une zone donnée (fixe ou mobile) par des WebServices qui sont appelés par des applications tierces.

On envisage trois types d’utilisateurs :

 

  1. Les applications de calcul d’itinéraires (type RATP ou CityMapper). L’information d’affluence permet d’améliorer la pertinence de l’itinéraire proposé et l’expérience du voyageur au sein des infrastructures de transports. Le voyageur peut ainsi choisir de différer son départ, changer de mode de transports, choisir de monter à l’avant ou l’arrière du train. Il participe également de ce fait au lissage des pics de fréquentation des transports en commun.
  2. Les transporteurs qui peuvent optimiser leurs plans de transport au regard de l’historique et des prévisions d’affluence
  3. Les collectivités locales qui pourront adapter leurs infrastructures et leurs services au regard de l’affluence.

Datasets

 

 

  • CISCO pourrait fournir des données de comptage vidéo à la suite d’une analyse de vidéo d’une caméra en place ou à mettre en place.
  • Les partenaires pourraient fournir une technologie de comptage vidéo.
  • Ville de Paris : mise à disposition des emplacements beacon sur mobilier de station de tramway
  • Données ouvertes :

 

 

 

 

Expertise

 

 

  • SUEZ, Sopra et Setec : expertise qualité de la donnée et exploitabilité de la donnée. Expertise information voyageurs.
  • Sopra : hébergement de données cloud sécurisé.

 

 

 

 

Terrain d’expérimentation

 

 

 

Le terrain d’expérimentation serait un lot de station le long d’une ligne de tramway parisien. Ville de Paris mettrait à disposition quelques stations de tramway pour suivre l’évolution de l’affluence dans une même ligne et pouvoir maximiser l’usage des données.

 

Si besoin, Sopra Steria pourrait mettre à disposition un environnement cloud pour héberger le démonstrateur.

  • Setec est déjà positionné sur des projets d’AMO sur les informations voyageurs. Le résultat de l’expérimentation permettrait de creuser ce positionnement et de soutenir ses clients dans l’intégration de nouvelles sources d’information pour un nouvel usage de mobilité durable.

 

  • SUEZ souhaite explorer de nouvelles sources de données, mieux connaître l’utilisation de transport en commun, et par conséquent améliorer son offre de conseil à destination de ses clients “collectivités”.

 

  • SOPRA STERIA est intéressé par les résultats de l’expérimentation qui lui permettrait de compléter et développer son offre d’Information Voyageurs

 

Experimentation envisagée

 

 

Dans un premier temps l’expérimentation consisterait à prouver qu’il est possible de consolider une information d’affluence fiable et de qualité sur une zone géographique fixe (gare / station de tramway par exemple …) ou un élément mobile (wagon / train) .

Le démonstrateur devra démontrer que l’on est capable de déterminer un indice d’affluence précis en combinant des solutions « low cost » type beacons avec des informations ultra fiables (exploitation des données vidéo). D’autres types de données pourront être mis à disposition en fonction de leur disponibilité (données billettique, comptage montées/descentes etc) .

 

 

 

Profil de startup recherché

 

 

Les partenaires recherchent des startup pouvant traiter et combiner des données de sources et de format différents (traitement d’image, beacons, web listening sur réseaux sociaux, …) afin d’obtenir des information d’affluence et de créer un index de référence.

Les start-ups peuvent également proposer des technologies permettant d’obtenir une information de comptage de voyageurs fiable, afin d’alimenter l’algorithme et compléter les données disponibles.

L’idée de l’algorithme reposant sur le fait que plus les données d’entrée sont nombreuses et de types différents, meilleure est la précision. En revanche l’absence d’une ou plusieurs sources de données ne doit pas compromettre l’algorithme en lui même mais diminue la précision du calcul. Ainsi une donnée de fiabilité pourrait être associée à l’index calculé en fonction du nombre de sources alimentant l’algorithme à un instant donné (sur le modèle des prévisions météo).