Soutenance de thèse de Léa FABRE

/// Composition du jury

• Trude Tørset, Professeur, NTNU : Rapporteure
• Francesco Viti, Professeur associé, Université du Luxembourg : Rapporteur
• Thierry Blayac, Professeur, Université de Montpellier : Examinateur
• Catherine Morency, Professeur, Polytechnique Montréal : Examinatrice
• Caroline Bayart Maître de conférences, Université Claude Bernard, Lyon 1 : Directrice de thèse
• Patrick Bonnel Directeur de recherche, ENTPE : Directeur de thèse

/// Résumé de la thèse

La mobilité joue un rôle clé dans les paysages urbains du fait de son importance pour l'économie des villes, de son impact social, mais également des enjeux environnementaux. 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. Cette planification a pour principal objectif de faire en sorte que l'offre de transport en commun réponde à la demande, afin d'éviter les pertes économiques et d'assurer la satisfaction des utilisateurs. 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. Ces transformations compliquent grandement la prédiction de la demande 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. Étant donné que la prévision de la demande de transport, et par conséquent la planification, repose sur des modèles et leurs données d'entrée, l'évolution de ces modèles et des données devient nécessaire.

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 : en plus des volumes de passagers, elles permettent d'obtenir des informations sur les trajets Origine-Destination effectués sur un réseau ; elles sont collectées en continu sur de longues périodes, permettant des études longitudinales sur plusieurs mois ou années ; elles sont collectées de manière passive, ce qui les rend financièrement très intéressantes pour la planification des transports. Cependant, les données Wi-Fi présentent aussi quelques inconvénients : une grande partie des signaux détectés sont des signaux parasites qui doivent être éliminés avant de reconstruire la matrice Origine-Destination, aussi, cette source de données est non exhaustive. Ainsi les données Wi-Fi 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. À cette fin, la thèse évalue la contribution de cette nouvelle technologie de collecte de données passive et des méthodologies qui y sont associées, pour améliorer la connaissance des comportements de mobilité et pour optimiser la prévision de la demande de transport. Malgré les inconvénients que présentent les données Wi-Fi dans leur utilisation pour l'analyse de la mobilité, elles contiennent de riches informations spatio-temporelles qui peuvent avoir diverses utilités en planification des transports. 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. Cette étape est basée sur des méthodes d'apprentissage machine, ce qui permet un traitement complet, puissant et reproductible. 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 à l'aide de méthodes d'apprentissage machine. 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. Ces matrices peuvent être utilisées comme données d'entrée pour les modèles de prévision de la demande de transport ainsi que pour des analyses longitudinales de la mobilité. 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. Il s'agit d'un outil pour mieux comprendre la précision des résultats obtenus avec les données Wi-Fi. 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. Cet enrichissement potentiel du système de collecte de données apporte de nouveaux moyens d'améliorer la planification des réseaux de transport en commun et de nouvelles opportunités pour la recherche en transports.

-

Abstract

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. This planning has as the main objective to provide an offer that meets the demand, in order to avoid economic losses and to ensure the satisfaction of the users. It is therefore 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. This complicates demand forecasting. 

The data traditionally used for public transportation planning are inadequate to reflect these changes in mobility behaviors. Since transport demand forecasting and therefore, public transportation planning, relies on models and their input data, the evolution of these models and data becomes necessary.

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 is very promising. These data have significant advantages when used in transportation planning: they provide information on Origin-Destination trips in addition to aggregated passenger counts; they are collected continuously over long periods of time, allowing longitudinal studies over months or years; they are also collected passively, making them financially interesting for transportation planners. However, Wi-Fi data have some drawbacks, which are mainly the large quantity of noisy signals that need to be filtered out before reconstructing the Origin-Destination matrices and the non-exhaustive nature of the data. 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. For this purpose, it evaluates the contribution of this new technology of passive data production and the associated methodologies to improve the knowledge of daily mobility and to enhance transport demand forecasting for planning purposes. Despite the drawbacks that Wi-Fi data present in being used for mobility analysis, they contain rich spatiotemporal information that can be used for various transportation planning purposes. 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. This step is based on machine learning methods, which allow a comprehensive, powerful, and also very reproducible processing. 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 with machine learning methods. In the end, we provide Origin-Destination matrices that are relevant to the structure of the trips and complete in trip volumes. The matrices can be used as input for travel demand models and longitudinal mobility analyses. 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. This is a way to gain more insight into the accuracy of the results obtained with Wi-Fi data. 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. This potential enrichment of the public transportation data collection system brings new ways to improve the planning of public transportation networks and new opportunities for the transportation research community.