Des moments d'échanges seront dédiés à la présentation de posters pour illustrer les avancées en matière de recueil de données et de data visualisation.
Evaluation des dispositifs de comptage des flux cyclistes
La pratique du vélo et des modes doux augmente de façon importante depuis quelques années et les
gestionnaires ont besoin d’outils adaptés pour évaluer les déplacements et aménagements cyclables.
Dans le cadre du projet de coordination des expérimentations de capteurs vélo, un groupe de travail
d’experts en métrologie capteurs de trafic du Cerema a élaboré une méthodologie d’évaluation des
technologies permettant la détection des modes doux et la mesure du trafic cycliste.
Cela concerne en particulier les vélos (de tous types, mécaniques ou à assistance électrique), mais
aussi les piétons ou les engins de déplacements personnel (EDP motorisés ou non, tels que les
trottinettes). Ces nouveaux modes de déplacement sont cependant plus complexes à quantifier et à
qualifier en raison de leur diversité et de la variabilité des trajectoires.
Les enjeux sont multiples : calcul des parts modales et de leur évolution en comparaison de celle des
modes motorisés, la connaissance du trafic, l’évaluation des politiques publiques de transports et des
aménagements de nouvelles infrastructures, la gestion du trafic, la sécurité et l’information routière
(observatoires de mobilité, accidentologie).
Les équipes du Cerema accompagnent les gestionnaires à travers des expérimentations menées au
niveau national, sur sites propres aux modes doux ou partagés avec les modes motorisés. En parallèle,
une méthodologie unique d’évaluation métrologique et fonctionnelle de ces capteurs est élaborée afin
de permettre une comparaison objective des performances des dispositifs testés sur terrain.
L’objectif est d’aider les gestionnaires dans la définition de leurs besoins de mesure et les industriels
dans le développement des solutions techniques appropriées pour identifier les dispositifs de comptage
adaptés aux différents cas d’usage et permettre une meilleure connaissance des nouvelles mobilités.
Analyse des effets des politiques publiques sur la croissance cycliste : retour sur le cas de Paris
Les collectivités locales promeuvent activement l’usage du vélo comme moyen de transition des déplacements sur leur territoire vers une plus grande soutenabilité. Ces efforts s’inscrivent dans le contexte d’une stratégie nationale qui a fixé comme cible à 12% la part modale du vélo en France d’ici à 2030. La ville de Paris présente ainsi plus de déplacements intramuros à vélo qu’en voiture. En effet, d’après l’enquête mobilité par GPS de l’institut Paris Région menée entre octobre 2022 et avril 2023, on compte 11.2% de déplacements réalisés à vélo contre 4.3% en voiture. Pour référence, le vélo représentait seulement 3 % des déplacements dans Paris en 2010. Le nombre de déplacements à vélo a donc quasiment quadruplé entre temps. Dans cette étude, nous cherchons donc à comprendre les effets des différentes politiques publiques qui ont mené à cet accroissement.
L’étude s’appuie sur la récolte de données de nature et sources hétérogènes (e.g., Île-de-France Mobilités, INSEE, Open Street Map, …) sur la période 2018-2023. Les variables d’intérêt peuvent être classifiées selon quatre thèmes : développement des infrastructures cyclistes (e.g., nombre de pistes cyclables), restrictions imposées aux autres modes de transport (e.g., zones à faibles émissions), politiques de bien-être (e.g., surface d’espaces verts) et conjoncture économique (e.g., taux de chômage). Méthodologiquement, nous nous appuyons sur des méthodes d’IA explicable afin d’évaluer les contributions séparées de chacune de ces variables sur le trafic vélo, agrégé à l’échelle de la ville et extrait des données de comptage au sol. Afin d’être exhaustif, nous contrôlons par ailleurs les variations dues à la météo (e.g., température, pluie, …) et aux dynamiques calendaires (e.g., vacances, jour de la semaine, …).
L'extraction d'indicateurs clés dans l'étude de la sécurité routière par traitement vidéos
L'utilisation de caméras pour étudier la scène routière est un sujet en plein essor. Ceci en grande partie grâce à l'émergence de l'intelligence artificielle et en particulier des méthodes d'apprentissage profond, qui a permis l'automatisation de diverses tâches telles que l'identification et le suivi d'objets dans l'image. Cependant, une étude complète de la scène nécessite non seulement l'identification des objets, mais aussi l'analyse d'autres facteurs tels que les interactions entre les différents usagers, ou l'influence de l'infrastructure sur le comportement des usagers. Pour cela, des indicateurs tels que la distance entre les objets, le temps entre le croisement des trajectoires des objets (Post-Encroachment time, PET), les différentiels de vitesse ou l'identification des zones de conflit sont généralement utilisés. Dans cette présentation, nous proposons d'expliquer de manière générale mais précise comment extraire certains de ces indicateurs clés pour l'étude de la sécurité routière à partir d'images/vidéos en utilisant les méthodes d'apprentissage profond existant dans la littérature.
Calibration de modèles microscopiques pour les cyclistes dans les intersections urbaines
La croissance du cyclisme en tant que composant essentiel de la mobilité urbaine appelle à reconsidérer les stratégies de gestion du trafic, souvent inadéquates pour répondre aux besoins des cyclistes. Les infrastructures actuelles, majoritairement orientées vers les véhicules motorisés, compromettent la sécurité et l'attrait des trajets à vélo. Les feux de signalisation traditionnels, par exemple, prolongent les temps de trajet des cyclistes et augmentent les risques d'accident. Cette étude suggère l'utilisation de jumeaux numériques pour simuler fidèlement la mobilité de différents usagers à une intersection et évaluer les impacts des solutions ITS avant leur mise en œuvre.
Notre méthodologie repose sur la collecte et l'analyse de données hétérogènes, incluant des informations sur la demande de mobilité, les vitesses de déplacement et les séquences des feux de signalisation. L'estimation de la demande est effectuée via une optimisation quadratique, combinant des données de comptage au sol et via des caméras, tandis que le plan de feux est reconstruit à partir des enregistrements des séquences de feux pour refléter statistiquement les flux de trafic. Des ajustements sont apportés aux vitesses et aux accélérations à partir de données provenant d’applications mobiles. Les simulations de mobilité sont ainsi construites de manière à refléter le plus fidèlement possible les comportements de déplacement réels.
Ces simulations menées via le logiciel SUMO sont indispensables pour tester des solutions ITS, qui visent à renforcer la sécurité et la fluidité du trafic, notamment par la gestion dynamique des feux de signalisation en fonction des files d'attente. Des applications mobiles interagissant en temps réel avec l'infrastructure représentent une avancée prometteuse. L'objectif est d’évaluer si la transmission de l'état des feux de signalisation aux cyclistes, ou vice versa, de l'information sur le trajet des cyclistes aux feux connectés via une application mobile, peut améliorer leur expérience et renforcer leur sécurité aux intersections.
Systèmes de Micro-Mobilité du Futur : Prédictions et Stations Virtuelles pour une Gestion Efficace
De nos jours, la micro-mobilité partagée a connu une croissance rapide grâce aux systèmes géolocalisés et connectés. Cette nouvelle forme de déplacement est prisée pour son caractère écologique et sa capacité à réduire le trafic routier.
L'un des systèmes les plus en vogue permet de garer les micro-véhicules n'importe où, ce qu'on appelle le système en libre-service. Cependant, ce système a révélé ses limites ces dernières années malgré sa flexibilité : stationnement désorganisé, surcharge et déséquilibre des micro-véhicules. Ce projet vise à aider les opérateurs de micro-mobilité à optimiser leurs services et à améliorer la satisfaction des utilisateurs en transformant ce système en un système à stations virtuelles, plus écologique, sécurisé et organisé. En outre, pour garder ce système équilibré, on offre une prédiction précise de quand et où redistribuer les micro-véhicules dans ces nouvelles stations.
Notre solution repose sur des techniques de machine learning et de clustering multicouches pour sélectionner et regrouper les zones les plus demandées sur une longue période, ainsi qu'une méthode basée sur la densité de noyau (KDE) pour déterminer la position exacte des stations. Cette transformation est accompagnée par une prédiction de la demande de réservation à chaque heure, utilisant des techniques de régression multi-output et des séries temporelles. Ces prédictions se basent sur des données météorologiques et temporelles et fournissent aux opérateurs le nombre exact de demandes futures dans chaque station
virtuelle. Cet outil permet aux opérateurs d'avoir une vue claire sur les besoins des utilisateurs, ce qui leur permet de redistribuer les micro-véhicules de manière efficace et dynamique pour ainsi équilibrer le système selon les besoins. Pour valider ce projet, la solution a été testée et validée avec des données réelles fournies par l'opérateur Bird à Bordeaux, montrant de très bons résultats avec un taux d'erreur proche de zéro.
La science citoyenne et innovante au service de la prise de décision politique en direction des changements de comportements
"Telraam est une initiative de science citoyenne qui permet aux citoyens tout comme professionnels de surveiller le trafic local en utilisant des capteurs installés par les utilisateurs. Le cœur du système est un dispositif, le senseur Telraam S2, compact équipé d’un micro-ordinateur et d'un module caméra. Installé à une fenêtre surplombant une rue, ce capteur enregistre en continu des données multimodales sur le trafic, incluant 10 modes. Et alors une distinction entre les modes actifs (vélos et piétons), les voitures et 5 catégories de véhicules lourds. Il capture des informations telles que le nombre de passages, la vitesse et la direction des véhicules.
Les données collectées sont transmises en temps réel via une connexion IOT à une base de données centrale, où elles sont traitées. Ensuite un aperçu des données est mis à disposition via une plateforme de données ouvertes, via telraam.net, au grand public. Telraam prévoit aussi une fonctionnalité qui met à disposition les informations détaillées (10 modes, tendances, interval 15’) et l’ensemble des données pour un réseau de capteurs via solution SaaS y inclus un tableau de bord aux professionnels de mobilité. Via cet outil, l'ensemble des senseurs Telraam déployés dans une certaine zone peuvent être suivis en live. Permettant aux données multimodales de facilement être utilisées par les urbanistes et les décideurs, leur permettant d'analyser les flux de trafic, de repérer les zones de congestion et d'évaluer les mesures de gestion du trafic.
En même temps, en intégrant les citoyens dans le processus de collecte des données, Telraam promeut une participation communautaire active et sensibilise aux enjeux de mobilité locale."
Private company and public authority: working hand in hand to develop cycling in sparsely populated areass
Collaboration between private companies and municipalities in developing cycling can lead to shared benefits. Municipalities gain feedback on cycling infrastructure, reduced traffic congestion, and economic development. Private companies benefit from a healthier environment, enhanced employee well-being, and positive community relationships.
Together, they promote alternative transportation and can partner in integrating innovative technology. This synergy fosters sustainable, efficient urban environments, supporting community health, reducing emissions, and boosting economic growth.
This presentation will highlight the actions undertaken jointly by Eco-Counter and the municipality of Lannion, a small town of 20,000 inhabitants that is both the center of the region and a semi-rural area. Since the beginning of the company's activity, the goal was to align the company's purpose with its mission at local level, working with the community to develop cycling through various axes: communication and events, infrastructure, and bicycle services.
Here are just a few examples (among others, non-exhaustive list!):
• The company shares its expertise in collecting and analyzing bicycle traffic data to supply the local authority with data, with a specific partnership to test its new solutions, and in exchange to be able to discuss the data obtained in improving the area's cyclability.
• Implementation of one of the company's flagship products, an Eco-DISPLAY Compact display, which is now used to illustrate the significant increase in cycling on one of the local authority's recently completed cycle paths.
• Co-creation and organization of a local “Bike everywhere!” challenge for the past 7 years, which led to significant behaviour change locally.
• "Employeur Pro Vélo" initiative, a program launched by the national cycling association in France, and as such, meaning ongoing discussions with the local authority to develop bicycle usage.
Pourquoi et comment sont utilisés les données collectées sur la mobilité douce ?
MetroCount aide dans le déploiement des systèmes de comptages pour les voies dédiés à la mobilité douce ainsi que les routes à trafic mixtes.
Nos différentes technologies permettent de classifier, compter, analyser les vitesses et connaitre les sens de circulation. Nos différents logiciels vous offrent un traitement complet de vos données.
Pourquoi est-il nécessaire d’installer des compteurs/classificateurs ?
Il est primordial pour les différents organismes partenaires ou les collectivités de pouvoir analyser leurs différentes routes et axes afin de connaitre leur trafic réel. Les points clefs pour eux sont généralement, la possibilité de quantifier mais surtout de pouvoir classifier les différents usagers (trottinettes, VL, vélos, etc.). Et sans oublier de ne pas négliger sur certains axes mixtes les vitesses réelles des véhicules.
Ces éléments nous permettent ainsi de prévoir des changements en cas de dangerosité des routes et peuvent pousser au développement des voies dédiés et sécurisés.
Comment les données sont-elles utilisées ?
Tout une série d’analyse peuvent être effectuées, saisonnalités, utilisation loisir ou travail, trafic moyen journalier, analyse des vitesses, présence de véhicules motorisés sur les voies cyclables notamment les scooters, % de trottinettes, % de piétons, évolution au fil des années.
Un gros travail de requalification des routes peut ensuite être mené après analyse des données (ex : réduction des voies pour les véhicules motorisés pour ainsi augmenter les aménagements dédiés pour la mobilité douce).
Etant fabricant des solutions de comptages et de logiciel d’analyse de données, MetroCount guide les collectivités territoriales lors de la mise en place de système mais surtout dans l’analyse des données via des formations et la mise à disposition de logiciel très poussé. Nous exigeons un taux de fiabilité de nos solutions supérieures à 99% afin de refléter significativement la réalité du terrain.