Utilisation de données Wi-Fi, quels apports pour la connaissance de la demande de transport ?

Contributions and Opportunities of Wi-Fi Data to Improve Transport Demand Knowledge / Utilisation de données Wi-Fi, quels apports pour la connaissance de la demande de transport?

• Auteur / Autrice : Léa Fabre
• Direction : Patrick Bonnel, Caroline Bayart
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 23/05/2024
• Etablissement(s) : Lyon 2
• Ecole(s) doctorale(s) : École doctorale Sciences économiques et de gestion (Lyon ; 2007-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Aménagement Économie Transports (Lyon) - Laboratoire Aménagement Économie Transports / LAET
• Jury : Président / Présidente : Thierry Blayac
• Jury : Examinateurs / Examinatrices : Catherine Morency
• Jury : Rapporteur / Rapporteuse : Trude Tørset, Francesco Viti

Mots clés

Mots clés contrôlés

Prévision

Transports publics

Transports publics -- Recherche

Mots clés libres

Capteurs Wi-Fi

Transports publics

Matrices Origine-Destination

Données passives

Apprentissage machine

Qualité des données

Modélisation d’erreur

Données exhaustives

Wi-Fi sensors

Public transportation

Origin-Destination matrices

Passive data

Clustering algorithms

Data quality

Error modeling

Machine learning

Data completeness

Résumé

La mobilité joue un rôle clé dans les paysages urbains, en particulier, les transports en commun sont essentiels au bon fonctionnement des villes. Par conséquent, il est nécessaire de planifier les systèmes de transport en commun afin de leur garantir un fonctionnement efficace. Pour cela, il est important d'avoir une bonne connaissance de la demande de transport en commun, d'autant plus dans un monde en constante évolution.Actuellement, nous observons une forte croissance démographique mondiale ainsi qu'un important étalement urbain, deux facteurs qui sont les principales causes de l'augmentation de la demande de transport urbain. À cela il faut ajouter une forte tendance à la diversification des comportements de mobilité, principalement due à l'émergence de nouveaux modes de transport. Les données traditionnellement utilisées pour prévoir cette demande, et pour la planification des transports de manière générale, ne sont plus à même de refléter ces changements dans les comportements de mobilité. Le développement des technologies de l'information, la digitalisation et le boom de la science des données sont autant de nouvelles opportunités pour la prévision de la demande de transport. Le développement de nouveaux outils et algorithmes, notamment issus de l'intelligence artificielle, contribuent à la diversification et participent à complexifier les modèles pour améliorer la prévision des comportements de mobilité. En parallèle, nous observons également une grande diversification des données utilisées dans la recherche en transport. Parmi ces nouvelles sources de données, les données Wi-Fi sont très prometteuses. Ces données présentent des avantages significatifs lorsqu'elles sont utilisées pour la planification des transports (collectées en continue, de manière passive, elles apportent des informations sur les trajets Origine-Destination…). Cependant, les données Wi-Fi présentent aussi quelques inconvénients. Ainsi elles doivent être traitées avant d'être utilisées dans des modèles de prévision de la demande. En tant que nouvelle méthode de collecte de données sur la mobilité, des questions subsistent quant à la qualité des données, à leur contribution dans le domaine et à la manière dont elles peuvent être utilisées.L'objectif de cette thèse est de fournir une approche clé en main de l'utilisation des données Wi-Fi pour la connaissance des comportements de mobilité. Dans cette thèse, nous proposons donc des solutions pour traiter ces données au fort potentiel. Nous présentons tout d'abord une méthodologie pour filtrer les signaux parasites détectés par les capteurs Wi-Fi de manière à ne construire la matrice Origine-Destination qu'avec les signaux provenant de passagers. Le redressement des données Wi-Fi pour pallier aux erreurs de prédiction des volumes de passagers du fait de signaux non détectés est également traité. Au final, ces méthodes permettent d'obtenir des matrices Origine-Destination à la fois pertinentes pour la structure des déplacements et complètes dans les volumes de déplacements. Dans cette thèse, nous proposons également un modèle pour quantifier l'erreur entre la matrice Origine-Destination produite par les données Wi-Fi et les déplacements Origine-Destination réels, malgré la rare disponibilité de ces derniers. Quelques applications pour l'utilisation des données Wi-Fi sont également présentées. Pour conclure, les résultats de cette thèse montrent que les données Wi-Fi peuvent enrichir la connaissance des comportements de mobilité, de manière continue et à faible coût.

Due to its social, environmental and economic importance, mobility plays a key role in urban landscapes. In particular, public transportation is critical to the smooth functioning of cities. Therefore, public transportation systems must be planned to operate properly and efficiently. To this end, it is of paramount importance to have a great knowledge of the mobility demand, especially in an evolving world. The world today is facing a significant demographic growth along with urban sprawl, which implies an increasing demand for transportation in the cities. In addition, travel patterns are diversifying and becoming less regular, mainly due to the emergence of new modes of transport. The data traditionally used for public transportation planning are inadequate to reflect these changes in mobility behaviors. The development of information technologies, digitization and the data science boom can bring interesting benefits to the forecasting of transport demand. The development of new tools and algorithms, such as artificial intelligence, contributes to the diversification and complexity of models to improve the prediction of mobility behaviors. In parallel, we are currently witnessing the diversification of data sources used in mobility analyses. Among them, Wi-Fi data are very promising. These data have significant advantages when used in transportation planning (they provide information on Origin-Destination trips, they are collected continuously and passively…). However, Wi-Fi data also have some drawbacks. Therefore, they require further processing to be used in demand forecasting models. As a new way of collecting mobility data, questions remain about the quality of the data, their contribution, and how they can be used. The objective of this thesis is to provide a data-driven approach to the use of Wi-Fi data for mobility behaviors. In this thesis, we therefore propose solutions to process this interesting data source. A methodology is presented to filter the parasite signals detected by Wi-Fi sensors in order to keep only the passenger signals and construct relevant Origin-Destination matrices. Scaling of the Wi-Fi data to avoid errors in the predicted total number of trips due to undetected Wi-Fi devices is also handled. In the end, we provide Origin-Destination matrices that are relevant to the structure of the trips and complete in trip volumes. In addition, we propose a modeling to quantify the error between the Origin-Destination matrix produced by Wi-Fi data and real Origin-Destination trips, despite the non-continuous availability of the latter. Some applications of the use of Wi-Fi data are also presented. In conclusion, the results of this thesis show that interesting insights into mobility behaviors can be derived from Wi-Fi data, continuously and at low cost.