Cette semaine la newsletter 15marches parlent, entre autres, de Mobility Metrix.
4 sociétés interviewées ;
- GéoVélo : Gaël Sauvanet, co-fondateur et CTO
- 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.
Pour Hélène Millet et Mobility Metrix il s'agit d'améliorer la connaissance de l’usage
“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/
