Projet de refonte del’application Bison FutéLes pistes d’amélioration pour la prévision du trafic

Journées Transports et Déplacements 2017 Bordeaux, du 27 au 29 juin

Duy-Hung HA (CEREMA/DTecITM)

Plan1. Bref historique de Bison Futé 2. Fonctionnement de l’application3. Contexte de l’actuel projet4. Le projet de refonte de Bison Futé5. Amélioration de la prévision6. Perspectives

Bref historique de Bison Futé

- 1975 : chassé-croisé début août emblématique, le contextequ’est né Bison Futé l’année suivante

- Jusqu’à les années 1990 : les campagnes d’incitation, information

- 1995-2000: développement de l’outil de prévision Bison Futé

- 1983 : première production du calendrier de prévision annuelle

Fonctionnement de l’outil Bison Futé

Contexte de l’actuel projet

1. Des composantes ne sont plus maintenues : l’application et leserveur GERICO, le langage SLC de l’interface

2. Accès non sécurisé

3. Fonctionnement : recueil manuel des données, exploitationdes données FIME (plus riches mais plus brutes),

4. Accessible pour les utilisateurs non spécialisés et non équipésde SAS, prévision du départ de l’expert du trafic du CNIR

Projet de refonte de Bison Futé (1/5)

Projet de refonte de Bison Futé (2/5)

Projet de refonte de Bison Futé (3/5)Fonctionnement du dispositif Bison Futé

Projet de refonte de Bison Futé (4/5)

Différentes parties des macros :

2

1

3

Exemple des variables calendaires

Exemple des variables calendaires

Pistes d’amélioration de la prévision (1/3)Au niveau des TMJA

- La prévision se fait àpartir des TMJM des annéespassées

- Méthode de prévision : lissageexponentiel WINTER avec 5 ans et 10 ans de l’historique

- Observation des sous- et surestimations des TMJM

Pistes d’amélioration de la prévision (1/3)Au niveau des TMJA

Pistes d’amélioration de la prévision (1/3)Au niveau des TMJA

Pistes d’amélioration de la prévision (2/3)Au niveau des débits journaliers

1. Test sur la variable dépendante

Pistes d’amélioration de la prévision (2/3)Au niveau des débits journaliers

2. Test sur la pondération des années historiques

Pistes d’amélioration de la prévision (2/3)Au niveau des débits journaliers

3. Suppression des données mal prévues et filtrage des composantes

Pistes d’amélioration de la prévision (2/3)

4. Variables météo

Pistes d’amélioration de la prévision (3/3)Au niveau de la classification des profils horaires

Départs Retours

Fêtes/Veillesde retour

PontDimanche

-18 groupes puis - 3 sous-groupes selon le taux journalier

Pistes d’amélioration de la prévision (3/3)Au niveau de la classification des profils horaires

Pistes d’amélioration de la prévision (3/3)Deux tests pour une meilleure prévision

1. Classification non-supervisée puis modèle logistique

Paramétrage : Distance euclidienne, période 7h-20 Critère de classification WARD, K =20

Pistes d’amélioration de la prévision (3/3) Les profils de la classe N°6 à la classe N°20, à la station SB13.C1

Pistes d’amélioration de la prévision (3/3)Deux tests pour une meilleure prévision

1. Classification non-supervisée puis modèle logistique

Pistes d’amélioration de la prévision (3/3)Deux tests pour une meilleure prévision

2. Ajout des groupes pour les mois JUILLET, AOÛT, OCTOBRE

Pistes d’amélioration de la prévision (3/3)Une macro intégrant les éléments proposés ci-dessus

Résultats obtenusIndicateur RMSE au niveau des mois

Résultats obtenusIndicateur RMSE au niveau des semaines et horaires

Perspectives

1. A considérer à part le mois de décembre

2. Niveau du trafic moyen de semaine est-il plus homogène entermes de comportement, et meilleur pour le calcul des TMJA ?

3. Utilisation d’autres types de distance plus dynamiques dansla méthode de classification non-supervisée 4. Modèle du type d’analyse d’intervention, d’autres méthodes d’apprentissage statistique plus robustes

5. Utilisation d’autres sources de données : SDT, FIME, économiques, d’autres enquêtes, HKM, PL, etc. 6. Analyse plus locale sur les stations 7. Mieux corriger les données manquantes, aberrantes

Merci de votre attention