• Mathieu Nohet

La Data City en pratique: Comment construire le réseau de transport idéal


Les transports sont l’un des principaux enjeux des métropoles aujourd’hui, et concentrent énormément de problématiques différentes. La mobilité bien sur, mais aussi la mixité sociale, ou encore l’environnement avec les questions de pollution. Parce que les transports ont toujours été un domaine innovant au coeur de la ville, les politiques publiques sont souvent basées sur des données solides. La plus grande révolution à venir, la voiture autonome, est d’ailleurs l’une des applications les plus futuristes de notre capacité à produire et à traiter d’immenses volumes de données.

Alors comment faire pour construire un réseau de transport optimal dans la Data City de demain ?

Comprendre le réseau actuel

La première étape, comme toujours, est de comprendre la situation actuelle. Comment est-ce que la population se déplace dans une métropole comme Paris, Londres ou New York ?

Les taxis à New York


Des progrès considérables ont été fait ces dernières années, notamment en matières d’ouverture des données. Le 3 janvier 2017, la RATP a ouvert ses données en temps réel, permettant au grand public de construire de nouvelles applications se basant sur ces informations. La ville de Londres ouvre et exploite ses données depuis de nombreuses années. Les passagers londoniens doivent utiliser leur Oyster Card à l’entrée et à la sortie du réseau, ce qui permet de construire une cartographie fidèle de l’usage des transports en commun.

Cette vision d’ensemble permet de mesurer, a posteriori, l’impact des politiques publiques de manière fiable. La ville de Rennes, avec le projet Mobilletic, a utilisé ses données de transport pour confirmer le bien-fondé de certaines politiques publiques, en l’occurence le fait de décaler le début des cours à l’université afin de désengorger les transports.

L’ouverture et l’analyse des données permettent d’améliorer le service à l’usager et de mesurer l’impact des politiques publiques. Mais cela reste réactif, et il est difficile de prédire les évènements ou les impacts de telle ou telle décision.

Simuler le comportement du réseau idéal

A partir des horaires de métro, de la localisation des bus et autres, on sait déjà parfaitement bien calculer le trajet idéal et évaluer sa durée. Des applications comme Citymapper ou Google Maps le font très bien. Les usagers consomment les données de la RATP ou de Transport for London, et prévoient leur trajet.

Pour voir la vraie valeur de la Data City, il faut faire le chemin inverse.

La RATP consomme les données usagers pour prévoir son réseau.

Imaginons que l’on ait accès à toutes les données de transport d’une ville. Le point et l’heure de départ, le point et l’heure point d’arrivée, les moyens de transports empruntés etc… On peut simuler, à partir de ces données, le déroulement d’une journée normale, en supposant que chaque usager emprunte le trajet optimal calculé par une application comme Citymapper.


On a donc une simulation du réseau de transport de la ville. Si l’on envisage de construire de nouvelles stations de métro, de réorganiser le trajet des bus, ou de supprimer une voie sur berge, il nous suffit de modifier notre réseau virtuel. Les points de départ et d’arrivée ne changent pas, et en supposant que les utilisateurs continuent à prendre le plus court chemin quitte à changer de moyen de transport, on peut prévoir combien de personnes utiliseront la nouvelle station, et comment cela affectera les autres. On peut prendre en compte d’autres facteurs influençant le comportement des usagers, comme le confort de tel ou tel moyen de transport, mais l’idée reste la même.

On peut évaluer, a priori, l’impact d’une politique publique de transport.

On peut même aller plus loin en automatisant le choix des itinéraires. Si l’on considère le problème du transport comme un problème d’optimisation, où le but est de minimiser le temps de trajet total, il est possible de réaliser un algorithme qui sélectionne automatiquement les meilleurs itinéraires, ou les meilleurs endroits pour de nouvelles stations. Pour les non-experts, il suffit de voir ça comme une suite d’essais-erreurs. “Si je mets cette station ici, combien est-ce que je fais gagner de temps ? Et si je mets cette station là ?”, et ainsi de suite, jusqu’à obtenir un réseau optimal.

Il faut bien sûr prendre ça comme un outil, et non comme une vérité absolue. L’optimisation simple ne suffit pas, il faut également influencer les comportements, favoriser des modes de transports moins couteux comme la marche à pied pour arriver à un système fonctionnel. L’exemple de Rennes le montre, la solution est parfois low tech.

Les bénéfices à tirer de la Data City dans le domaine des transports sont énormes, et promettent de grandir encore avec l’arrivée de la voiture autonome. Les décideurs publics doivent avoir les meilleurs outils pour prendre les meilleures décisions possibles, et permettre à chaque citoyen de se déplacer facilement.

Merci !

Vous pouvez nous suivre sur Twitter pour ne rien manquer de l’actualité Govtech.