Exploration de données de véhicule flottant pour mettre en évidence les patrons de mobilité: analyses basé sur les lieus et les véhicules individuelles

par Danyang Sun

Projet de thèse en Transport

Sous la direction de Fabien Leurent.


  • Résumé

    Au fil des ans, de plus en plus de territoires à travers le monde ont été confrontés aux problèmes de mobilité. L'une des causes principales est l'incohérence entre les patrons de mobilité des voyageurs et de la structure territoriale spatiale. Dans les études précédentes, la disponibilité des données sur la mobilité a été une préoccupation majeure pour l'analyse de la mobilité. Les méthodes traditionnelles de collecte de données, telles que les enquêtes sur la mobilité des ménages, les détecteurs de boucle, les journaux de bord des véhicules et les caméras vidéo sont intrinsèquement limitées en ce qui concerne à la fois la couverture spatiale et la résolution temporelle. Avec la diffusion croissante des dispositifs GPS, les données de véhicule flottant FCD (Floating Car Data, en anglais) sont devenues une nouvelle source de données permettant d'analyser de manière systématique et rentable l'analyse de la mobilité. Cependant, le potentiel important des données de véhicule flottant FCD pour les analyses avancées de la mobilité et du comportement n'a pas été pleinement exploité. L'objectif de cette thèse est d'explorer et d'analyser les patrons de mobilité individuel et territorial spéciale-temporelle d'après les données de véhicule flottant FCD. Pour avoir une compréhension globale des dynamiques d'un territoire, cette recherche poursuivra un double objectif. Le premier objectif sera l'analyse spatiale qui visera à étudier la structure de la mobilité territoriale en détectant les principaux lieux d'activités et en déterminant leurs interactions dynamiques. Avec le contexte spatial découvert, le deuxième objectif sera l'analyse de véhicule individuelle qui visera à découvrir le patron de mobilité individuel et à étudier les facteurs sous-jacents de comportement influents. Plus spécifiquement, il s'agira de deux tâches, qui sont : 1) l'exploration de la typologie de la mobilité des véhicules par rapport à ses comportements quantitatifs et qualitatifs; et 2) la modélisation du choix de la destination et d'itinéraire du conducteur en prenant en compte l'hétérogénéité géographique et temporelle.

  • Titre traduit

    Floating Car Data mining to feature out mobility patterns: place-based and individual vehicle-centered analyses


  • Résumé

    Over the years, more and more territories all over the world have been facing the challenge of mobility issues. One of the key causes is the inconsistency between mobility patterns of people and the space structure of the region. In the past studies, the availability of mobility data has been a major concern for mobility analysis. Traditional data collection methods, such as household mobility surveys, loop detectors, vehicle log books and video cameras are inherently limited as concerns both spatial coverage and temporal resolution. With the growing diffusion of GPS devices, Floating Car Data (FCD) has emerged as a new data source to address mobility analysis in a systematic and cost-effective way. However, the great potential of FCD for advanced mobility and behavior analysis has not been fully excavated. The objective of this thesis is to explore and analyze the special-temporal individual and territorial mobility patterns from floating car data. To have a holistic understanding of the dynamics of a territory, the research problem will be put as twofold. The first fold, place-based analysis, will aim to investigate the territorial mobility structure by detecting major places of activities and figuring out their dynamic interactions. With the discovered spatial context, the second fold, individual vehicle analysis, will aim to uncover individual mobility pattern and investigate underlying influential factors of behaviors. More specifically, it will deal with two tasks, which are 1) exploring the vehicle mobility typology with respect to its quantitative and qualitive behavior patterns; and 2) modeling driver's route choice behaviors in terms of destination and route choices by considering geographical and temporal heterogeneity.