Congrès DYNAMO

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.

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'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.

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.

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.

"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."

Cette présentation vise à montrer deux exemples concrets de combinaison de données quantitatives et qualitatives à Rennes et Rouen. Un travail exploratoire a été réalisé en deux étapes avec les autorités locales. La première étape a consisté à identifier les carrefours accidentogènes à l'aide de la solution Cycling Insights (une innovation technologique majeure, étant la première solution intégrée à combiner des données quantitatives (comptages automatiques) et qualitatives (traces GPS) pour obtenir une plateforme complète de gestion de son réseau cyclable, avec des informations plus qualitatives sur la vitesse, les freinages brusques, etc.)

Une fois que les carrefours prioritaires à traiter pour la sécurité ont été identifiés, nous avons pu travailler avec nos nouveaux outils d'analyse des caméras 2D et des algorithmes d'intelligence artificielle pour analyser l'accidentologie des carrefours, et valider ou non les propositions de réaménagements. Cette présentation permettra de discuter des données obtenues et de leur pertinence pour rendre la pratique du vélo plus sûre.

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.