Le BigData en transport : mesurer et surveiller les déplacements
Introduction
La détention d’informations pertinentes et fiables sur les transports, les mouvements des véhicules et la mobilité des individus est primordiale. Elle est essentielle à la compréhension, à la planification et à la mise en oeuvre des réseaux de transport dans les grandes villes compte tenu des contraintes de croissance des réseaux routiers.
Les données d’origine et destination (O-D) sont d’une importance fondamentale pour les professionnels de la planification des transports. Elles permettent de comprendre les habitudes de déplacement et les exigences reliées au réseau de transport de toute une région et des interrelations entre ceux-ci. Ces données peuvent être saisies dans un modèle de transport afin d’appuyer le processus de prise de décision pour : la planification de la cohésion urbaine et des dépenses en immobilisations d’infrastructures, le déploiement de nouvelles technologies en transport et l’éducation des conducteurs pour réduire la marche au ralenti (idling) et les émissions polluantes. À cet égard, Persen Technologies inc. (PERSENTECH) développe et fournit des enregistreurs de données et des ensembles de données pour les projets de transport à grande échelle depuis 2007.
Ce document présente deux exemples de ces projets. D’abord, un projet d’étude du comportement de conducteurs concernant la marche au ralenti et les émissions polluantes entrepris à Winnipeg, au Manitoba. Deuxièmement, une analyse du transport de marchandises dans le Grand Montréal menée par la grappe métropolitaine en logistique et transport de Montréal (CargoM) et Transports Canada.
Méthodes de collecte des données
Depuis plusieurs décennies, le marché mondial des études et des enquêtes en transport a misé sur des techniques manuelles d’enquête et de collecte de données, tels que des questionnaires imprimés, des entretiens téléphoniques et l’observation visuelle des phénomènes. Ces méthodes présentent de nombreux inconvénients, notamment des observations subjectives et des perspectives biaisées, des erreurs de saisies de données et de rappels des faits, des coûts élevés et des ensembles incomplets de données. L’un des inconvénients majeurs de ces « carnets de voyage » rédigés à la main est de compiler des instantanés ponctuels relevés tous les cinq ans ou plus. Ainsi, les données sont obsolètes et de moins en moins pertinentes au fil du temps pour répondre aux questions et défis actuels des réseaux de transport des villes.
Facteurs de changement
Aujourd’hui, un certain nombre de facteurs ébranlent le statu quo des méthodes de collecte de données qui ont cours dans les grandes régions métropolitaines. Ceux-ci incluent :
1. La nécessité d’accroître la qualité et la variété des données de transport (O-D) et des enquêtes sur la mobilité.
2. L’obligation de fournir des outils de collecte rendant les données complètes, fiables et non biaisées et ayant des capacités d’analyse puissantes.
3. La nécessité d’une collecte continue de données afin que le modèle de transport puisse être alimenté avec des informations exactes, actualisées et pertinentes. Ces données peuvent ensuite être extraites et analysées rapidement et efficacement afin de déterminer les tendances clés et de répondre à des questions importantes et précises.
4. Les données doivent être collectées avec une perturbation minimale de l’activité et de la mobilité du participant.
5. La nécessité de fournir des options automatisées de collecte de données et de comprendre la mobilité multimodale des participants.
Otto Travel Study Solution (OTSS)
L’utilisation accrue de dispositifs de GPS, y compris les smartphones et les appareils d’analyse de parcs de véhicules (« enregistreurs de données »), combinée aux compteurs de trafic et aux sondes de détection de route, crée de nombreux et volumineux ensembles de données. De plus, ces derniers augmentent à grande vitesse. La pertinence et la précision de ces données sont des indicateurs clés qui fournissent aux planificateurs et aux concepteurs de modèles de transport les informations nécessaires à une approche proactive de la planification de la ville et de la gestion du trafic.
La solution OTS de PERSENTECH a été conçue pour répondre spécifiquement aux facteurs de changements énumérés ci-dessus, aux défis de la collecte de données sur le transport et aux besoins de l’industrie. La plateforme OTSS (figure 1) se compose de différents types d’enregistreurs de route, de logiciels et de services Web. L’environnement OTSS est constitué d’un ensemble intégré de trois produits d’exploitation de données : OttoView, un enregistreur de données du véhicule, OttoMate, un enregistreur de données à caractère personnel et OttoMobile, un enregistreur intégré au smartphone sous forme d’application. OTSS comprend aussi OttoData, un entrepôt de données et un système analytique et, enfin, OttoTracker, un système de suivi des données et d’administration des sondages en temps réel.
Les enregistreurs de données OttoView ont été utilisés dans de nombreuses études O-D, lors d’enquêtes sur les déplacements des ménages et en soutien à plusieurs programmes de recherche de transport, y compris L’étude sur l’utilisation des véhicules au Canada1 de Transports Canada.
Cette solution éprouvée répond aux domaines d’application de transport suivants :
(i) Systèmes de transport intelligents. La solution OTS augmente la quantité et la qualité d’informations de trafic pour améliorer la planification, la priorisation et l’évaluation des performances;
(ii) Études de gestion de la congestion. Elle trouve des solutions pratiques aux principaux goulots de congestion et aux principales préoccupations de sécurité grâce à des technologies et des systèmes avancés ou permet d’appliquer les solutions actuelles, mais de façon novatrice et optimisée;
(iii) Formation des conducteurs. Elle fournit un accès facile et instantané aux informations liées aux comportements de conduite permettant aux conducteurs de prendre des décisions éclairées sur la vitesse, les accélérations, la marche au ralenti du véhicule, la planification des itinéraires et l’optimisation de leurs déplacements;
(iv) Planification multimodale des transports. Elle encourage les gens à utiliser des modes de transport autres que leurs véhicules motorisés tels que la marche, le vélo ou le transport en commun. Il s’agit d’une stratégie de gestion de la circulation importante, car elle réduit le nombre de déplacements en automobile.
Exemple d’application 1 : Ville de Winnipeg – Étude de la congestion, des excès de vitesse et des émissions polluantes
En collaboration avec le Centre pour un transport durable (CST) de l’Université de Winnipeg (U de W), PERSENTECH a testé l’efficacité de la technologie de rétroaction de conduite afin de réduire les émissions de dioxyde de carbone (CO2) issues du transport dans la ville de Winnipeg. L’étude comportait deux phases. La première phase a nécessité le dispositif Otto-Companion™ (Otto) pour fournir une rétroaction en temps réel basée sur la vitesse et la marche au ralenti. Otto contient l’information municipale cartographiée des limites de vitesse permises (LVP) et utilise la technologie GPS pour recouper l’emplacement du véhicule à sa LVP et peut enregistrer les comportements de conduite basés sur la localisation. La phase II a utilisé le dispositif OttoView™ pour fournir une rétroaction en temps réel à l’utilisateur sur les paramètres de performance du véhicule, y compris les coûts de voyage, l’économie de carburant et les émissions de CO2, en plus de ses excès de vitesse et de son comportement au ralenti.
L’hypothèse de cette étude était que la mise en commun du positionnement GPS, des données issues du véhicule et des informations sur la conduite aux automobilistes en temps réel permettrait d’améliorer le comportement des conducteurs. Ceux-ci réduiraient leurs émissions de CO2 en faisant moins d’excès de vitesse et de marche au ralenti étant sensibilisés à la consommation réelle de carburant, aux coûts et aux émissions de CO2.
Terry Zdan, anciennement directeur de recherche au Centre pour un transport durable (“Centre for Sustainable Transportation” – CST), a noté que « les données agrégées de la marche au ralenti ont mis en lumière un contraste étonnant avec les excès de vitesse. À la connaissance du CST, ce phénomène détaillé en temps réel n’a jamais été documenté ni publié dans la littérature. Cette nouvelle information a des implications considérables pour l’ingénierie de la circulation et la sécurité des réseaux routiers en milieu urbain. Un autre résultat a également mis en évidence un manque de compréhension des émissions de CO2 et, conséquemment, ces mesures doivent être traduites en termes compréhensibles et accessibles à tous. » La figure 2 montre les résultats de la congestion et des excès de vitesse observés par la Ville de Winnipeg collectés avec les appareils OttoView.
Exemple d’application 2 : CargoM et Transports Canada
Le pôle métropolitain de logistique et de transport de Montréal (CargoM) complète les grappes industrielles qui ont été déployées ces dernières années dans le Grand Montréal. La mission de CargoM est de rassembler tous les acteurs de la logistique et du transport de marchandises du Grand Montréal, dont les activités favorisent la plaque tournante de Montréal. La grappe évolue autour d’objectifs communs et d’actions concertées, en vue d’en accroître la cohésion, la compétitivité, la croissance et le rayonnement. Plus spécifiquement, CargoM devra lancer des projets structurants, faire connaître le positionnement de Montréal comme plaque tournante du transport des marchandises, assurer le partage des pratiques et des technologies de pointe, influencer l’harmonisation et la simplification de la réglementation, et favoriser l’attraction et la rétention de la main-d’oeuvre dans les différents secteurs de l’industrie.
L’un des projets de CargoM était de mieux comprendre les mouvements de camions dans le Grand Montréal, plus précisément autour du port de Montréal. Ce projet a été réalisé dans le cadre de leur troisième chantier de travail appelé « Accès et fluidité du transport par camions », et ce, en collaboration avec Transports Canada qui a fourni l’accès aux enregistreurs de données OttoView™. Les enregistreurs ont été installés dans des camions pour collecter des statistiques de déplacement afin de prendre de meilleures décisions en vue d’améliorer la fluidité des mouvements de camions et de mieux comprendre les émissions de dioxyde de carbone (CO2) dans la région. L’échantillon ciblé comprenait les camions à destination du port de Montréal et de centres intermodaux.
L’étude visait à mieux comprendre la manière dont les véhicules échantillonnés étaient exploités. De ces données, il serait possible de déterminer des mesures concrètes de réduction de la congestion et des émissions de CO2. Les données recueillies seraient analysées et interprétées par des outils d’aide à la décision en intelligence d’affaires (BI).
L’analyse a pu renforcer les observations antérieures sur les problèmes de congestion et a fourni des informations encore plus détaillées que ce qui était prévu au début du projet. Les résultats dérivés incluent : la densité de la congestion, les statistiques sur les comportements de conduite tels que la vitesse, l’accélération, le nombre et l’intensité des arrêts-démarrages, le ratio en mouvement/au ralenti des véhicules et les émissions de C02, le tout dans différentes zones géographiques et par périodes de temps.
Les résultats ont permis d’ouvrir sur un éventail de solutions intelligentes. Notons l’optimisation de feux de circulation, les modèles de distribution de CO2 dans différentes zones de Montréal et les pistes de réduction d’émissions, ainsi que l’identification de sites opérationnels qui pourraient être déplacés plus près du port pour améliorer l’efficacité globale du mouvement de marchandises.
La figure 3 montre, pour un échantillon donné de véhicules, le ratio « en mouvement/au ralenti » des véhicules par kilomètre de déplacement autour du port de Montréal au cours d’une journée typique de la semaine. Nous pouvons voir qu’entre 6 et 7 heures, les véhicules échantillonnés fonctionnent au ralenti 90 % du temps ou 18 minutes par kilomètre parcouru.
À la figure 4, nous constatons également qu’entre 6 et 7 heures du matin, les véhicules représentés par l’échantillon ralentissent ou s’arrêtent et redémarrent plus de trois fois par kilomètre parcouru (moins de 9 km/h), là où la limite de vitesse affichée est de 60 km/h. Ce type d’opération se traduit par une augmentation significative de la consommation de carburant et des émissions de CO22.
Utilisant l’échantillon ciblé, la figure 5 montre les économies potentielles si un site opérationnel était relocalisé plus près du port. L’hypothèse de base est une distance de 25 km de l’origine à la destination, le carburant à 1,25 $/l et des taux d’inflation probables, entre autres. En relocalisant les installations à moins de 2,5 km du port, les économies potentielles en coûts de carburant à elles seules pour un véhicule faisant sept trajets par jour seraient de 132 $.
La figure 6 montre la rapidité avec laquelle les économies peuvent croître pour un plus grand parc (30 véhicules par exemple, mêmes hypothèses que précédemment). Par la relocalisation des activités industrielles, les économies en coûts de carburant peuvent atteindre 3 969 $ par jour ou 1 071 734 $ par an (inflation incluse). Les économies sont encore plus significatives si l’on tient également compte d’autres éléments, comme l’entretien des véhicules, les salaires des camionneurs et les taxes carbone. Les calculs présentés peuvent être ajustés pour différentes variables d’hypothèses, y compris les distances, la taille du parc, le nombre d’années, le taux d’inflation et la taxe carbone.
Ces exemples nous montrent comment des données et des statistiques plus précises et plus détaillées peuvent être utilisées pour construire de meilleurs modèles de coûts et générer une meilleure information pour les décideurs.
Conclusion
L’avenir de la planification et de la modélisation du transport implique la collecte de grands volumes de données multimodales – Big Data.
L’information fiable et pertinente tirée de ces ensembles de données permet aux planificateurs et concepteurs de modèles de concevoir des réseaux municipaux et régionaux de transport alignés aux objectifs souhaités, soit l’amélioration des flux de trafic et la mobilité des individus, ainsi que la réduction des émissions polluantes. La diffusion de l’information névralgique relative à l’infrastructure du réseau routier et aux conducteurs en temps réel est une partie importante de toute solution en vue d’harmoniser les flux de véhicules que cela soit par l’optimisation des feux de circulation, l’atténuation de la congestion élaborée à partir de l’analytique, voire l’éducation des conducteurs. Éduquer ceux-ci sur les principes de la conduite durable est complémentaire à la mise en œuvre des changements d’infrastructure.
Le résultat net est un scénario gagnant-gagnant pour les entreprises, les gouvernements et la société grâce à des économies de coûts et à des améliorations de l’environnement. La Ville de Winnipeg et les projets de CargoM et Transports Canada sont deux exemples probants de l’utilisation du Big Data. Ainsi, les planificateurs et les décideurs peuvent mieux comprendre les modes de transport et les possibilités d’améliorer la mobilité des personnes, de réduire la congestion et les émissions et ultimement de découvrir des solutions alternatives avec d’importantes économies de coûts.
- http://www.tc.gc.ca/fra/politique/aca-euvc-menu-2294.htm
- http://www.volvotrucks.com/trucks/qatar-market/en-qa/trucks/environment/Pages/fuel_consumption.aspx
