Où l’on va définit notre identité – et vice-versa

Estimer le temps de déplacement dans une ville représente un outil essentiel pour que les responsables de la planification urbaine comprennent les tendances du trafic, puissent prédire la congestion, et prévoient la maintenance et le remplacement des infrastructures de transport.

Pendant des années, les chercheurs ont employé une pratique courante consistant à multiplier le nombre de déplacements par jour et par personne, selon différents groupes démographiques, afin de modéliser la demande en matière de transport selon les emplois occupés et les types d’activité. Mais puisque cette méthode a été développée avant l’époque des senseurs omniprésents – appareils GPS, téléphones intelligents, caméras installées sur des lampadaires et véhicules connectés, entre autres –, les experts ont constaté qu’il était difficile de valider leurs estimations dans une situation réelle.

En accumulant des données pour analyser les tendances en matière de circulation routière, Sharon Di, professeure adjointe de génie civil et de génie mécanique à Columbia Engineering, a découvert qu’elle pouvait établir le niveau de demande en matière de déplacements d’une population donnée dans une région en fonction des trajectoires d’une petite portion de ces individus.

Elle a utilisé des données de la plus grande zone de test de véhicules connectés à Ann Arbor, sous la direction de l’Institut de transport de l’Université du Michigan, et a analysé les déplacements continus, sur un an, de 349 véhicules, soit 19 130 déplacements. Elle a découvert trois groupes distincts et déterminé leur appartenance démographique en fonction de leurs habitudes de déplacements:

• Les aînés, qui se rendent à davantage d’endroits différents en une journée;
• Les travailleurs, qui sont principalement chez eux ou au travail;
• Les parents, qui visitent plus d’endroits uniques en une journée.

« Avec la popularité des senseurs qui se retrouvent partout, de nos poches à nos voitures, nous pouvons maintenant suivre des individus en fonction des endroits où ils se rendent, de l’heure de leurs déplacements, et des activités qu’ils pourraient y effectuer – essentiellement, l’endroit où vous allez révèle qui vous êtes, et inversement », avance Mme Di.

« Ce que nous avons appris lors de l’analyse des données du Michigan nous aidera à utiliser les futures données provenant des séances de test de voitures autonomes à New York, histoire de mieux comprendre les tendances en matière de mobilité, et ainsi aider à alléger la congestion automobile. »

Puisque les gens ont tendance à visiter les mêmes endroits pour des activités quotidiennes telles que le travail, les courses et les passages au restaurant, les traces quotidiennes sont souvent répétitives, mais les événements aléatoires entraînent des déviations. Et puisque la plupart des études actuelles n’emploient que les données d’une seule journée ou d’un petit nombre de jours, elles ne parviennent pas à établir les routines à long terme, croit la chercheuse. Impossible, également, de déterminer les congestions récurrentes.

Mme Di croit que son étude est la première à employer des données réparties sur un an. Entre autres constatations, elle estime que les gens possédant les mêmes habitudes en matière de transport appartiennent fort probablement au même groupe démographique.

Son travail peut également servir à déterminer le groupe démographique d’un utilisateur inconnu, ou son profil de consommateur, en fonction de ses activités, ou encore à reconstruire le profil d’activité le plus probable d’une personne en fonction de son groupe démographique, entre autres.

La chercheuse espère maintenant élargir son champ d’étude en s’attaquant aux données recueillies à New York. Le chaos automobile de la Grosse Pomme servira ainsi à affiner le modèle, et ainsi mieux prédire et prévoir les besoins en matière de transport, individuel ou collectif.

MSI cible les créateurs avec de nouveaux ordinateurs portables