Cette semaine la newsletter 15marches parlent, entre autres, de Mobility Metrix.
4 sociétés interviewées ;
- GéoVélo :
- Padam Mobility : Grégoire Bonnat, co-fondateur et CEO
- Keolis : Éric Callé, directeur de l’innovation
- et donc Mobility Metrix ; Hélène Millet, associée et data
scientist
L'intelligence artificielle peut aider à résoudre les problèmes de mobilité en améliorant la connaissance de l'usage des modes de transport grâce à l'analyse des données. Les experts interrogés ont présenté plusieurs cas d'usage de l'IA : reconstituer les flux de vélos qui circulent dans une ville, estimer le nombre de cyclistes en temps réel, optimiser les trajets des bus et réduire les temps d'attente, adapter la fréquence des transports en fonction des événements, prévoir les pics de pollution, etc. L'IA est donc devenue un outil central dans la conception et l'exploitation des services de transport, permettant aux décideurs de mieux comprendre et tirer parti des données en l'absence d'enquêtes coûteuses.
“Il y a de plus en plus de sources de données” relève Hélène Millet de : “grâce aux capteurs dans les véhicules, aux téléphones, aux compteurs vélo dans les rues. Mais aucune de ces sources n’est parfaite : elles sont incomplètes ou biaisées”. Avoir des données exhaustives comme les enquêtes - déplacement coûte extrêmement cher, ce qui limite leur fréquence et leur couverture géographique.
Pour aider les décideurs à comprendre et tirer parti des données en l’absence de ces enquêtes, la data scientist va enrichir les données disponibles en les comparant : “ une borne de comptage va fournir un volume de circulations vélo que l’on va pouvoir appliquer à des flux origine-destination tous modes qu’on aura mesuré avec des données issues de téléphones portables”.
Hélène Millet utilise la métaphore du puzzle pour expliquer le processus :
“Imaginez que les données dont vous disposez sont comme un puzzle. Les pièces doivent dans un premier temps être nettoyées et retaillées pour pouvoir être mises côte à côte. C’est que ne faisons grâce à des algorithmes qui vérifient la qualité des données. Ensuite, on s’aperçoit qu’il manque des pièces à ce puzzle. Pour certains trajets par exemple, il manque les données. On va alors utiliser du machine learning pour reconstituer ces pièces de puzzle à partir d’autres pièces qu’on a mises en qualité. Nous partons de l’hypothèse que ces pièces vont ressembler à d’autres pièces existantes, et nos solutions d’intelligence artificielle (réseaux de neurones) vont les reconstituer”.
Abonnez vous à la newsletter 15Marches ici. https://15marches.substack.com/