Nos villes deviennent de plus en plus grandes et complexes et cela impacte notre mobilité quotidienne et notre qualité de vie (embouteillages, retards, pollution de l’air…). Des technologies sont développées par la recherche et les entreprises afin de rendre nos déplacements plus sûrs, efficaces et durables. Parmi celles-ci, le digital twin (ou jumeau numérique), un outil qui aide au développement d’écosystèmes et de services de mobilité innovants pour la ville et permet de réaliser une représentation virtuelle des services de transport physiques existant dans la réalité.
Lors de cette rencontre-conférence, le Professeur Mario Cools, du groupe de recherche LEMA (ULiège), nous présentera le cadre de jumelage numérique pour la Wallonie/Belgique, appelé BATS (Belgian Activity-Travel Simulator). Celui-ci stimule, notamment, les modèles de mobilité au sein de l'arrondissement de Liège.
Yunex Traffic, entreprise spécialisée dans la gestion intelligente du trafic, mettra en avant des cas d’application en Belgique des solutions qu’elle propose. Un des avantages certains de cette technologie est de rassembler, en une représentation digitale, l’ensemble des infrastructures d’un réseau de mobilité, en intégrant toutes les applications de gestion, simulation et contrôle du trafic.
L’importance du récit dans la transition d’un territoire
Le Digital twin, un outil pour améliorer la mobilité urbaine
1. Mercredi, 10 mai 2023
Le Digital twin, un outil pour améliorer la mobilité urbaine
Mario Cools, Professeur (Faculté des Sciences Appliquées, ArGEnCo,
ULiège)
Youssef Abdelaoui, Business Manager (Yunex Traffic)
6. Digital Twin
A virtual representation of real-world infrastructure,
systems and processes, where the representation is
kept in-sync with the real world.
The Digital Twin can replace the real systems in
many process steps to increase efficiency or perform
actions that would not be possible in the real world
14. Modèles de transport (jumeaux numériques)
• Évolution des approches de modélisation
Four-step
model
Tour-based
model
Activity-based
model
Integrated
dynamic model
Ideal behavioral
realsim
Computational complexity
Behavioral realism
15. Modèles de transport (jumeaux numériques)
• Évolution de la résolution (spatiale)
– Modèles à quatre étapes :
• Agrégés (modèles zone à zone)
– Modèles basés sur l'activité : désagrégés
• Simulation des modèles d'activité et de déplacement pour tous les
ménages/personnes de la population
• Micro-simulation + synthèse de la population
16. Modèles de transport (jumeaux numériques)
• Modèles de 4me génération:
Modèles basés sur les activités « intégrés »
– Interactions entre le transport et l’aménagement du territoire
– Modèle basé sur l'activité « dynamique »
(retour d'information sur la congestion)
Four-step
model
Tour-based
model
Activity-based
model
Integrated
dynamic model
Ideal behavioral
realsim
Computational complexity
Behavioral realism
21. BATS: Synthèse de la population
• Référence:
• Idée générale:
Saadi, I., A. Mustafa, J. Teller, B. Farooq, M. Cools. 2016. Hidden Markov
Model-based population synthesis. Transportation Research Part B:
Methodological 9, 1-21. http://dx.doi.org/10.1016/j.trb.2016.04.007
22. BATS: Synthèse de la population
• Différentes techniques
– Méthodes d'ajustement (par exemple, appariement des données,
IPF)
– Méthodes de repondération (par exemple, opt. combinatoire)
– Approches basées sur les processus de Markov
23. BATS: Synthèse de la population
• Distribution initiale en tant que contrôle ou contrainte à partir
d'une source de données agrégées (par exemple, le recensement).
• Par exemple, les distributions marginales de l'ensemble de la
population en fonction de différentes variables, telles que l'âge, le
sexe et la localisation spatiale au niveau de la municipalité.
27. BATS: Synthèse de la population
• Données : Enquête belge sur les forces de travail 2013
• Attributs :
– Lieu (commune)
– Socio-démo
• Age
• Sexe
• Formation
• Profession
– Distance domicile-travail
28. BATS: Synthèse de la population
• Résultats (3 attributs synthétisés)
29. BATS: Synthèse de la population
• Résultats : comparaison HMM & IPF (4 attributs)
30. BATS: Synthèse de la population
• Résultats : comparaison HMM & IPF (4 attributs)
31. BATS: Synthèse de la population
HMM
• Taille de la population synthétique : pas d'influence sur la complexité de calcul
• Scalabilité :
– Théorie : pas de limitation en termes de nombre d'attributs à synthétiser
– Pratique : plus les attributs sont éloignés les uns des autres dans la chaîne, plus l'écart
entre ces attributs est important.
• Possibilité d'intégrer un nombre illimité de sources de données
• Comparaison avec IPF
– Meilleurs résultats en termes de SRMSE pour des taux d'échantillonnage réalistes
( < 25%)
– La quantité de données requise par le HMM (1 micro-échantillon et 1 distribution
marginale) est inférieure à celle de l'IPF (1 micro-échantillon et toutes les distributions
marginales).
33. BATS: Génération d'activités et de déplacements
• Référence:
• Idée générale:
Saadi, I., A. Mustafa, J. Teller, M. Cools. 2016. Forecasting travel behavior using
Markov Chains-based approaches. Transportation Research Part C: Emerging
Technologies 69, 402-417. https://doi.org/10.1016/j.trc.2016.06.020
37. BATS: Génération d'activités et de déplacements
• Approche de profilage (pHMM) :
– Permet la caractérisation de séquences d'activités multiples
(régularité de l'activité et informations séquentielles) à partir d'un
seul modèle
– Prend en compte les activités irrégulières
– Un nombre non limité de séquences d'activités peut être régénéré à
partir de la pHMM estimée en fonction de la taille de la grappe
étudiée
39. Besoins en données
• Nouvelles sources de données émergentes
(par exemple, données de capteurs, données de cartes à puce, données de téléphonie mobile)
à Diverses approches et possibilités dans la modélisation de la demande de déplacements et les STI
• La fusion impliquant des données émergentes est beaucoup moins courante dans le contexte
de la production de données d'enquêtes sur les déplacements
à Grand potentiel de la fusion de données pour contribuer à l'amélioration de la qualité des données
40. Besoins en données:
la fusion des données et l'enquête sur les déplacements
Fusion de données pour alléger le travail sur le terrain
(réduction des dépenses et de la charge de travail des répondants)
• Baisse des taux de réponse
• Une demande croissante de données plus riches
Les parties prenantes font-elles autant confiance aux données issues de la fusion qu'aux données originales ?
à Il est essentiel que les données fusionnées soient considérées avec le même degré de confiance que les
données d'enquête originales.
à Nécessité d'établir des normes de qualité transparentes, qui font aujourd'hui largement défaut lorsqu'il s'agit
de fusionner des données au-delà des méthodes établies.
41. Besoins en données:
les données de téléphonie mobile et les matrices OD
• Matrices OD
– Généralement générées par des techniques de modélisation complexes basées sur les données des
enquêtes de déplacements conventionnelles.
– Les données de téléphonie mobile ont été promues pour compléter ou même remplacer les enquêtes
sur les déplacements.
– a Couverture apparemment complète de la population par les téléphones mobiles
– r Questions ouvertes
• Distinction entre les mouvements de téléphones mobiles et les mouvements de personnes
(par exemple, une personne peut porter plusieurs cartes SIM)
• Proportion du marché couverte par un seul fournisseur de téléphonie mobile ou chevauchement de ces parts de
marché
• L'augmentation/expansion d'une matrice OD donne des résultats discutables
• La précision des déplacements dérivés des données de téléphonie mobile peut dépendre de l'intensité de
l'utilisation faite par le propriétaire du téléphone (Bonnel et al., 2015)
42. Besoins en données:
les données de téléphonie mobile et les matrices OD
Cools, M., Moons, E., Wets, G., 2010.
Assessing the quality of origin–
destination matrices derived from
activity travel surveys: Results from a
monte carlo experiment.
Transportation Research Record 2183,
49–59. doi:10.3141/2183-06.
la moitié des personnes de la population dans l'échantillon final --> MAPE : 54%
43. Besoins en données: conclusion
• Les big data sont utiles,
• Cependant, la richesse contextuelle des enquêtes
traditionnelles sur les déplacements des ménages est cruciale
et , par conséquent,
les données des enquêtes nationales sur les
déplacements des ménages restent essentielles !!!