EP3841537A1 - Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers - Google Patents

Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers

Info

Publication number
EP3841537A1
EP3841537A1 EP19755932.1A EP19755932A EP3841537A1 EP 3841537 A1 EP3841537 A1 EP 3841537A1 EP 19755932 A EP19755932 A EP 19755932A EP 3841537 A1 EP3841537 A1 EP 3841537A1
Authority
EP
European Patent Office
Prior art keywords
network
time interval
indicator
transport network
transport
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP19755932.1A
Other languages
German (de)
English (en)
Inventor
Stéphane Duguet
Vincent THOUVENOT
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Publication of EP3841537A1 publication Critical patent/EP3841537A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q50/40—

Definitions

  • the present invention relates to a method and a system for near real-time prediction of at least one operating indicator of a passenger transport network, as well as an associated transport network.
  • the invention relates to the field of passenger transport, in particular urban transport, in the context of a rail network of the urban metro type, for regulating the flow of passengers in the network.
  • Such a passenger transport network is characterized by a set of stations and a set of lines, a line being defined by the set of stations served by a transport vehicle.
  • such a transport network includes a set of platforms for loading and / or unloading passengers, for example metro platforms.
  • Such a network has its own topology, certain stations comprising several such platforms and being served by several lines of the network.
  • each station is equipped with gantries, and each user is provided with a card allowing access to the network and having a unique associated identifier, at least between their entry on the network and its exit.
  • the gantries are equipped with sensors adapted to read data from the card, which is for example provided with a chip and with data communication means.
  • the transport network is equipped with a system making it possible to record, in connection with an identifier, an entry time on the network and an associated entry station, as well as an exit time and a station. associated output.
  • the transport network having a given topology has operating parameters, including in particular the frequency of circulation of vehicles on each line, which generally varies as a function of parameters such as time slots, the type of vehicle used, the the taxes.
  • the invention proposes a method for predicting at least one operating indicator of a passenger transport network, the network comprising a set of stations, each station comprising at least one loading and / or unloading platform. of passengers in a network transport vehicle, the network being equipped with a system making it possible to record, in association with an identifier, network input / output data, the method comprising a step a), prior to a current time instant, for collecting and storing input / output data of actual paths carried out during a past observation window, preceding the current time instant.
  • This method comprises, for at least a first time interval included in said observation window, steps of: b) application of an estimation algorithm, on the basis of said data collected during said first time interval, of at least one operating indicator of the transport network estimated during said first time interval,
  • the invention makes it possible to predict one or more operating indicators in the near future relative to the current time instant, with improved precision. Taking these indicators into account, by the transport network operator and / or by passengers, helps to regulate passenger flows and, in particular, to reduce overloads.
  • the method of predicting at least one operating indicator of a passenger transport network according to the invention may also have one or more of the characteristics below, taken independently or according to any technically conceivable combination.
  • the transport network operation indicator is chosen from an average waiting time for each network platform, an average load in number of passengers waiting on a network platform, an average load, in number of passengers, per vehicle transport.
  • Steps b) to e) are repeated with a predetermined time frequency.
  • the plurality of machine learning algorithms includes decision methods based on decision tree forests and gradient regression methods.
  • Step c) of implementing a plurality of machine learning algorithms comprises implementing the same machine learning algorithm with several different subsets of input / output data, collected during time observation sub-windows of different durations.
  • the method further comprises a prior step of learning parameters for each automatic learning algorithm, using data over at least one long learning period, of duration greater than one month.
  • the invention relates to a method for regulating the flow of a passenger transport network, the network comprising a set of stations, each station comprising at least one platform for loading and / or unloading passengers in a vehicle.
  • network transport the network being equipped with a system making it possible to record, in association with an identifier, network input / output data, the network further comprising one of the electronic equipment and a center for supervision and calculation adapted to communicate with said equipment.
  • This flow regulation method comprises, at a current time instant:
  • the use step comprises steps of:
  • the step of use comprises a publication of said at least one operating indicator intended for user equipment adapted to communicate wirelessly.
  • the invention relates to a system for predicting at least one operating indicator of a passenger transport network, the network comprising a set of stations, each station comprising at least one loading platform and / or unloading of passengers in a network transport vehicle, the network being equipped with a system making it possible to record, in association with an identifier, network input / output data, the system comprising a module for collecting and storing input / output data of actual paths carried out during a past observation window, preceding a current time instant.
  • This system comprises at least one calculation processor adapted to be implemented, for at least one first time interval included in said observation window:
  • an application module of an estimation algorithm from said data collected during said first time interval, of at least one indicator of operation of the transport network estimated during said first time interval,
  • a module for implementing a plurality of automatic learning algorithms for calculating, for each automatic learning algorithm, from at least a subset of the data collected during said observation window and before said first time interval, at least one indicator of operation of the transport network predicted for said first time interval,
  • a module for implementing said weighted mixture of relevant machine learning algorithms determined to calculate at least one operating indicator predicted associated with each second time interval.
  • the invention relates to an information recording medium, on which software instructions are stored for the execution of a method for predicting at least one parameter characterizing the operation of a transport network. passengers as briefly described above, when these instructions are executed by a programmable device.
  • the invention relates to a computer program comprising software instructions which, when implemented by a programmable device, implement a method for predicting at least one parameter characterizing the operation of a passenger transport network as briefly described above.
  • FIG. 1 is a schematic representation of a transport network according to one embodiment
  • FIG. 2 is a diagram illustrating the topology of a part of a transport network in which the invention is applicable;
  • FIG. 3 is a flow diagram of the main steps of a method for predicting at least one operating indicator of a transport network according to one embodiment
  • FIG. 4 is a flowchart of an embodiment of a flow control method in a passenger transport network according to one embodiment.
  • the invention will be described below in its application in an urban transport network R, for example a metro network.
  • a transport network comprises a set of stations and a set of lines, a line being defined by the set of stations served by vehicles, for example trains in the case of a metro network.
  • a transport network includes a set of platforms for loading and / or unloading passengers, for example metro platforms.
  • Such a network has its own topology, certain stations comprising several such platforms and being served by several lines of the network.
  • Each station has an associated geographic location, for example indicated by coordinates in a geolocation reference system such as GPS coordinates.
  • each platform has associated geolocation coordinates.
  • FIG. 1 schematically represents connected elements of a transport network R in which the invention applies.
  • the transport network R comprises a supervision and calculation center 2, comprising programmable electronic devices 4 adapted to perform various calculations and control various pieces of equipment of the network remotely, insofar as these equipment is equipped with command receivers, for example by a radio communication system.
  • a programmable electronic device 4 is mentioned, it being understood that the reference 4 may also designate, as a variant, a plurality of interconnected programmable electronic devices.
  • the computing and processing center 2 also includes electronic information storage units 6, adapted to store a large volume of data.
  • the transport network R comprises electronic equipment, for example each station is equipped with a set 8 of electronic gantries 8A to 8D, and each user is provided with a card allowing access to the network and having an identifier single associate, at least between its entry into the network and its exit.
  • the electronic gantries 8A to 8D are equipped with sensors suitable for reading data from the card, which is for example provided with a chip and with data communication means.
  • the transport network R is equipped with a system making it possible to record, in connection with a card identifier, an entry time on the network and an associated entry station, as well as an exit time and an associated exit station.
  • the electronic gates are suitable for transmitting the input / output data recorded to the supervision and calculation center 2.
  • This input / output data is stored for example in the information storage units 6.
  • the set 10 of transport vehicles comprises trains adapted to communicate with the supervision and calculation center 2, and to receive control orders, for example by means of radio transmitters / receivers.
  • the network R includes equipment 12 facilitating mobility, for example escalators 12A, treadmills 12B or elevators 12C.
  • equipment 12 facilitating mobility, for example escalators 12A, treadmills 12B or elevators 12C.
  • at least part of the equipment 12 is adapted to receive commands from the supervision and calculation center 2, for example for adjusting the operating speed or stopping the escalators and treadmills.
  • the network R also includes electronic equipment 14 such as display panels, distributed in stations or on platforms, making it possible to display various information relating to the operation of the network.
  • electronic equipment 14 such as display panels, distributed in stations or on platforms, making it possible to display various information relating to the operation of the network.
  • the supervision and computing center 2 is adapted to receive complementary information 16 from remote communication systems, for example planning or maintenance information useful for the operation of the various elements of the network R.
  • the programmable electronic device 4 of the supervision and calculation center 2 is adapted to implement a method for predicting at least one indicator of network operation according to the invention, and, if necessary, a modification of the parameters of network operation according to predicted indicators to perform flow regulation in the network.
  • the network performance indicators are predicted, for a future time interval, subsequent to a current time instant.
  • a network performance indicator associated with a given time interval is for example the average waiting time for at least one network platform for said time interval, or an average load in number of passengers waiting on a network platform during the 'time interval or the average load of passenger vehicles on a given line during the time interval or the average number of trains missed due to overload by a passenger, on a given platform, during the time interval considered.
  • a network operating parameter is for example a display on the display panels 14, the frequency of the trains on a given line, the load capacity of the trains (for example the number of trains), the operating speed of the equipment 12 , an operating mode of the electronic access gates 8 (for example blocked or slow operation or fast operation).
  • the programmable electronic device 4 comprises a processor 20 capable of implementing:
  • a module 22 for collecting and storing input / output data of actual paths during a past observation window, preceding the current time instant, said past observation window having a start instant distant from the current time instant of a duration less than or equal to a first predetermined threshold,
  • a module 26 for implementing a plurality of automatic learning algorithms for calculating, for each automatic learning algorithm, from at least a subset of the data collected during said observation window and before said first time interval, at least one indicator of operation of the transport network predicted for the first time interval,
  • the programmable electronic device 4 also includes a module 32 for calculating operating parameters to be modified as a function of the predicted operating indicator or indicators and for transmitting parameters, or commands allowing these parameters to be modified, to the equipment concerned.
  • these modules 22 to 32 are produced in the form of computer program instructions, executable by the programmable device. Alternatively, they are produced by programmable logic components, or in the form of dedicated integrated circuits (or ASICs).
  • the supervision and calculation center 2 allows the transmission of predicted operating indicators to user equipment 18A ... 18C, for example smartphones or any other equipment suitable for receiving wireless communications, so as to warn network users / passengers of possible network congestion.
  • This allows an indirect flow regulation, the passengers receiving for example a congestion alert being then able to modify their route (route or timetable for example).
  • FIG. 2 is a simplified schematic example of the topology of a part of the transport network R comprising lines L 1; L 2 and L 3 , and stations A, B, C and D, as well as other stations, represented by nodes and not referenced in FIG. 2.
  • a route between a departure station A and an arrival station B is defined by a set of lines and connections making it possible to connect A and B.
  • An input datum includes an input station on the network, for example a station A, as well as a date and time of entry into the station, denoted T A , in relation to an identifier Id.
  • An output datum includes an exit station from the network, for example a station B, as well as a date and time of exit from station B, denoted T B , in relation to an identifier Id.
  • the line connects stations A and B in six stops along a first route.
  • FIG. 3 is a block diagram of the main steps of a method for predicting the indicator (s) of operation of a transport network according to an embodiment of the invention.
  • the method comprises a first step 40 of obtaining data 38, either from memories 6, or from a communication interface with a remote server or with an input / output interface of the programmable electronic device implementing the process.
  • the data includes input / output data of actual journeys made during a past observation window.
  • the past observation window is determined with respect to a current time instant T c of application of the method.
  • the observation window is a window of several tens of minutes to several hours preceding the current instant T c .
  • the observation window includes a full day. In a variant, the observation window starts at the start of the current day.
  • the past observation window considered is located in the near past relative to the current time instant.
  • the time instant at the start of the observation window precedes the current time instant by a duration less than or equal to a threshold, for example 15 minutes.
  • the data received 38 also include information on the transport network R, the lines, the stations for example: -GPS coordinates of stations and / or platforms;
  • the data 38 is collected and stored in step 40, which is followed by a step 42 of applying an algorithm for estimating at least one operating indicator of the transport network estimated during a first time interval.
  • the first time interval is included in the past observation window, and it is defined by a starting time instant Tu and an ending time instant T 12 .
  • the first time interval is of the order of 15 minutes.
  • the estimated operating indicator is the average waiting time for each platform of each station on the network during the first time interval.
  • the calculation algorithm used is the algorithm described in patent application FR1700181, which has good calculational efficiency.
  • This transport network operation indicator estimation algorithm comprises a preliminary step of calculation and recording, for each pair of stations of the network, of at least one path chosen between the two stations of the pair of stations, in static data function characterizing the transport network. It then includes, for each input / output data obtained for the first time interval considered:
  • a calculation of at least one indicator characterizing the operation of the network comprising the calculation of an average waiting time for each platform of the network during the first time interval by implementing an iterative algorithm implementing, each iteration:
  • the waiting time during the first time interval for each platform on the network is updated at each iteration.
  • a first indicator of the operation of the estimated network is obtained, associated with the first time interval, which is the average waiting time per platform, and optionally, other estimated operating indicators, eg load. average per platform or per vehicle are also calculated.
  • Step 42 is followed by a step 44 of implementing a plurality of machine learning algorithms to calculate at least one predictor of operation of the transport network predicted for said first time interval.
  • a predicted indicator is calculated from at least a subset of the data collected during said observation window and before said first time interval, and from estimated operating indicator values, by example according to the estimation algorithm previously described with reference to step 42, for time intervals included in the observation window and prior to the first time interval.
  • the automatic learning algorithms are parameterized by learning parameters, which are obtained during a prior learning step 43, and which are stored.
  • the learning step 43 conventionally uses very large volumes of data and requires a lot of calculations. It is performed with a low temporal frequency, for example several months apart, on large volumes of data collected during a long learning period. For example, the learning period is between 1 and 36 months, and preferably equal to 14 months so as to take seasonality into account.
  • the training data includes, over the learning period, values of the indicator of the operation of the transport network by platform estimated by an estimation algorithm, by time intervals, for example 15 minutes, the number input / output by station and by time slot, calendar information (for example weekends and holidays).
  • the learning parameters calculated for each of the automatic learning algorithms are stored.
  • the machine learning algorithms used include on the one hand the prediction method based on forests of decision trees (in English “random forest classifiers"), and on the other hand the method called “gradient boosting” .
  • a first Methl machine learning algorithm using forests of decision trees is applied on N different data sets, N being a positive integer greater than or equal to 2 and therefore N results of prediction of operating indicators are obtained.
  • the datasets differ by the time observation pane chosen, for example: 15 minutes, 30 minutes, 1 hour, 1 hour and 30 minutes, 2 hours, before the first time interval considered.
  • Each dataset is a subset of the data collected in step 40.
  • a second machine learning algorithm Meth2 using the “gradient boosting” is applied to M different data sets, M being a positive integer greater than or equal to 2 and therefore M results of prediction of operating indicators are obtained.
  • the data sets differ by the temporal observation pane chosen, for example: 15 minutes, 30 minutes, 1 hour, 1 hour and 30 minutes, 2 hours , before the first time interval considered.
  • step 44 several sets of predicted operating indicators are obtained for the first time interval considered, each set of predicted indicators being associated with a machine learning algorithm and with a sub-window d 'time observation.
  • each set of predicted operating indicators comprises a single predicted operating indicator, for example the predicted average waiting time for the first time interval by platform of the transport network.
  • step 46 a step of determining a weighted mixture of machine learning algorithms (in English "Mixture Model"), the most relevant at the current time instant, is implemented among the methods tested.
  • relevance refers to predictive efficiency, so it is a weighted mixture of machine learning algorithms that allows you to predict a performance indicator closest to the estimated performance indicator.
  • the weighted mixture of learning algorithms provides an aggregated machine learning algorithm that is performing at the current time, for the selected operating indicator.
  • step 46 implements a weighting optimization loop defining the weighted mixture of machine learning algorithms.
  • the weighted mixture of machine learning algorithms relevant to the current instant determined in step 46 is then used in step 48 to predict a set of network performance indicators ⁇ IFi IF K ⁇ for a second time interval , which is a future time interval, having a start time posterior or equal to the current time instant.
  • the second time interval is defined by a start time T 21 and an end time T 22 , with T 21 equal to the current time instant T c and T 22 equal to the current time instant T c plus 15 minutes.
  • the set of operating indicators predicts ⁇ IF ! , .., IF K ⁇ can be limited, for example, to a predicted average waiting time ⁇ F ⁇ for the second future time interval, for each platform on the network.
  • a series of predicted operating indicators is determined for successive second time intervals. For example, a series of predicted operating indicators is determined in quarter-hour increments for the 3 hours following the current time instant.
  • the method uses a weighted mixture of several machine learning algorithms, trained on different a subset of the data collected in the past, the weighting associated with this weighted mixture being learned in real time.
  • step 52 in connection with a clock not shown, new first and second time intervals are selected, with respect to a future time instant.
  • steps 40 to 48 are iterated.
  • steps 40 to 48 are iterated with a fast time frequency, for example every quarter of an hour.
  • a fast time frequency for example every quarter of an hour.
  • the weighted mixing of the machine learning algorithms relevant to the current time instant is adaptive and is carried out dynamically, almost in real time.
  • the predicted operating indicators ⁇ IFi IF K ⁇ are updated with this rapid repetition time frequency, therefore almost in real time.
  • Figure 4 is a block diagram of the main steps of a flow control method in a passenger transport network according to one embodiment, using a method for predicting network operation indicator (s) as described above.
  • the method comprises a first step 60 of predicting operating indicators over a future time interval relative to the current time instant.
  • step 60 The method described above is implemented in step 60.
  • the predicted operating indicators are published, for example via a dedicated application, to user equipment, for example smartphones, thus allowing users / passengers to be informed almost in real time of the operation of the network at forecast during the second time interval, that is to say in the near future, in particular the average waiting time, the load on platforms and vehicles.
  • These predicted operating indicators can then be used directly by the users, or can be used by intermediate applications, for example to calculate an optimized journey in time or in comfort between a station A and a station B of the network.
  • step 64 implemented substantially in parallel with step 62, the predicted operating indicators are used in calculations to calculate the desired network operating parameters during the associated time interval.
  • the operating speed of escalators 12A, treadmills 12B or electronic gantries 8A to 8D is calculated, to avoid opening access to a given platform for which an overload has been predicted for too large a number of passengers .
  • the capacity of trains for certain lines or the frequency of circulation is increased.
  • the capacity of the trains for certain lines or the frequency of circulation is reduced, and for example certain treadmills or escalators are stopped. Consequently, advantageously, the consumption of electrical energy is reduced.
  • the flow of passengers in the network will be regulated.
  • the operating parameters calculated in step 64 are transmitted, possibly in the form of commands to be applied, to various electronic devices of the network in step 66, for example to devices 12 facilitating mobility in the network.
  • the calculated operating parameters are then applied by the electronic equipment concerned in step 68.
  • the invention makes it possible to improve the regulation of the flow of passengers, and therefore to optimize the use of resources (eg electricity), prevent wear and tear on equipment and, in the event of an anticipated overload, improve passenger safety and comfort.
  • resources eg electricity

Abstract

L'invention concerne un procédé et un système de prédiction d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers. Le procédé de prédiction met en œuvre une estimation (42) d'un indicateur fonctionnement du réseau de transport estimé durant un premier intervalle temporel, et une mise en œuvre (44) d'une pluralité d'algorithmes d'apprentissage automatique pour calculer, pour chaque algorithme d'apprentissage automatique, au moins un indicateur de fonctionnement du réseau de transport prédit pour ledit premier intervalle temporel. Le procédé comprend une détermination d'un mélange pondéré des algorithmes d'apprentissage automatique pertinent à l'instant temporel courant en fonction des indicateurs estimé et prédits pour le premier intervalle temporel, et, pour au moins un deuxième intervalle temporel futur, une mise en œuvre (48) du mélange pondéré pour calculer au moins un indicateur de fonctionnement prédit associé à chaque deuxième intervalle temporel.

Description

Procédé et système de prédiction quasi temps réel d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers
La présente invention concerne un procédé et un système de prédiction quasi temps réel d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers, ainsi qu’un réseau de transport associé.
L’invention se situe dans le domaine du transport de passagers, en particulier du transport urbain, dans le contexte d’un réseau ferroviaire de type métro urbain, pour la régulation de flux de passagers dans le réseau.
Un tel réseau de transport de passagers est caractérisé par un ensemble de stations et un ensemble de lignes, une ligne étant définie par l’ensemble de stations desservies par un véhicule de transport.
De plus, un tel réseau de transport comporte un ensemble de plateformes de chargement et/ou de déchargement des passagers, par exemple des quais de métro.
Un tel réseau a une topologie qui lui est propre, certaines stations comportant plusieurs telles plateformes et étant desservies par plusieurs lignes du réseau.
Dans les réseaux de transport modernes, par exemple dans un réseau de métro, chaque station est équipée de portiques, et chaque usager est muni d’une carte permettant d’accéder au réseau et ayant un identifiant unique associé, au moins entre son entrée sur le réseau et sa sortie. Les portiques sont équipés de capteurs adaptés à lire les données de la carte, qui est par exemple munie d’une puce et de moyens de communication de données. Ainsi, le réseau de transport est équipé d’un système permettant d’enregistrer, en lien avec un identifiant, une heure d’entrée sur le réseau et une station d’entrée associée, ainsi qu’une heure de sortie et une station de sortie associée.
En fonctionnement, le réseau de transport ayant une topologie donnée a des paramètres de fonctionnement, comprenant notamment la fréquence de circulation des véhicules sur chaque ligne, qui varie en général en fonction de paramètres tels que les plages horaires, le type de véhicule utilisé, le taux de charge.
Dans le contexte des réseaux de transport de passagers de ce type, il est critique de connaître divers indicateurs caractérisant le fonctionnement du réseau, notamment le temps d’attente moyen pour au moins une plateforme du réseau, à diverses périodes (heures de la journée, jours de la semaine), ou une charge moyenne en nombre de passagers en attente sur une plateforme du réseau durant ces mêmes périodes, ou la charge moyenne des véhicules de transport de passagers.
L’estimation des indicateurs de fonctionnement d’un réseau de transport qui est un système technique complexe permet ensuite d’améliorer le fonctionnement du réseau et de réguler le flux de passagers, en particulier pour éviter des problèmes de sécurité. En effet, des surcharges de passagers en attente sur une plateforme ou dans une rame de véhicule de transport risquent d’entraîner des accidents. De plus, une surcharge de passagers dans un véhicule de transport provoque une usure trop importante du matériel et risque également d’induire des problèmes de sécurité (temps de freinage par exemple).
Pour estimer des tels indicateurs de fonctionnement d’un réseau de transport, on connaît une méthode classique de sondage, c’est-à-dire de comptage manuel des passagers par des personnes auxquelles on confie cette tâche ponctuelle. Ce travail est effectué ponctuellement dans un sous-ensemble de stations, et fournit des résultats échantillonnés qui ont une fiabilité limitée.
D’autre part, on connaît également des solutions basées sur la théorie des graphes qui impliquent une modélisation du réseau de transport. Ce sont des méthodes complexes, qui nécessitent des temps de calculs longs.
On connaît également des méthodes d’estimation d’indicateurs de fonctionnement par calcul à partir de données d’entrées/sorties de passagers collectées sur des périodes d’observation longues. Ce type de méthodes permet d’obtenir une estimation des indicateurs observés en moyenne, sans toutefois permettre de prédire les valeurs d’indicateurs de fonctionnement avec une bonne précision.
Il existe un besoin de prédire des indicateurs de fonctionnement de manière plus précise et quasiment en temps réel, sur une période donnée à partir d’un instant présent, afin d’améliorer la possibilité de réguler le flux de passagers quasiment en temps réel. En effet, cela permettrait d’améliorer la sécurité des passagers. De plus, cela permettrait d’économiser des ressources et de diminuer l’usure du matériel roulant, en cas de surcharge ou de sous-charge du réseau.
A cet effet, l’invention propose un procédé de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers, le réseau comportant un ensemble de stations, chaque station comportant au moins une plateforme de chargement et/ou déchargement de passagers dans un véhicule de transport du réseau, le réseau étant équipé d’un système permettant d’enregistrer, en association avec un identifiant, des données d’entrée/sortie du réseau, le procédé comportant une étape a), préalable à un instant temporel courant, de collecte et mémorisation de données d’entrées/sortie de trajets effectifs effectués pendant une fenêtre d’observation passée, précédant l’instant temporel courant.
Ce procédé comporte, pour au moins un premier intervalle temporel compris dans ladite fenêtre d’observation, des étapes de : b) application d’un algorithme d’estimation, à partir desdites données collectées durant ledit premier intervalle temporel, d’au moins un indicateur de fonctionnement du réseau de transport estimé durant ledit premier intervalle temporel,
c) mise en œuvre d’une pluralité d’algorithmes d’apprentissage automatique pour calculer, pour chaque algorithme d’apprentissage automatique, à partir d’au moins un sous-ensemble des données collectées durant ladite fenêtre d’observation et avant ledit premier intervalle temporel, au moins un indicateur de fonctionnement du réseau de transport prédit pour ledit premier intervalle temporel,
d) détermination d’un mélange pondéré des algorithmes d’apprentissage automatique, pertinent à l’instant temporel courant, en fonction desdits indicateurs de fonctionnement du réseau de transport prédits et de l’indicateur de fonctionnement du réseau de transport estimé pour ledit premier intervalle temporel,
e) pour au moins un deuxième intervalle temporel futur, ayant un instant de début postérieur ou concomitant à l’instant temporel courant, mise en œuvre dudit mélange pondéré des algorithmes d’apprentissage automatique pour calculer au moins un indicateur de fonctionnement prédit associé à chaque deuxième intervalle temporel.
Avantageusement, l’invention permet de prédire un ou plusieurs indicateurs de fonctionnement dans un futur proche par rapport à l’instant temporel courant, avec une précision améliorée. La prise en compte de ces indicateurs, par l’opérateur du réseau de transport et/ou par les passagers, permet de réguler les flux de passagers et, notamment, de diminuer les surcharges.
Le procédé de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers selon l’invention peut également présenter une ou plusieurs des caractéristiques ci-dessous, prises indépendamment ou selon toutes les combinaisons techniquement envisageables.
L’indicateur de fonctionnement du réseau de transport est choisi parmi un temps d’attente moyen pour chaque plateforme du réseau, une charge moyenne en nombre de passagers en attente sur une plateforme du réseau, une charge moyenne, en nombre de passagers, par véhicule de transport.
Les étapes b) à e) sont répétées avec une fréquence temporelle prédéterminée.
La pluralité d’algorithmes d’apprentissage automatique comprend des méthodes de décision basées sur des forêts d’arbres décisionnels et des méthodes de régression de gradient. L’étape c) de mise en œuvre d’une pluralité d’algorithmes d’apprentissage automatique comprend une mise en œuvre d’un même algorithme d’apprentissage automatique avec plusieurs sous-ensembles de données d’entrée/sortie différents, collectés pendant des sous-fenêtres d’observation temporelle de durées différentes.
Le procédé comporte en outre une étape préalable d’apprentissage de paramètres pour chaque algorithme d’apprentissage automatique, utilisant des données sur au moins une période d’apprentissage longue durée, de durée supérieure à un mois.
Selon un autre aspect, l’invention concerne un procédé de régulation de flux d’un réseau de transport de passagers, le réseau comportant un ensemble de stations, chaque station comportant au moins une plateforme de chargement et/ou déchargement de passagers dans un véhicule de transport du réseau, le réseau étant équipé d’un système permettant d’enregistrer, en association avec un identifiant, des données d’entrée/sortie du réseau, le réseau comportant en outre un des équipements électroniques et un centre de supervision et de calcul adapté à communiquer avec lesdits équipements. Ce procédé de régulation de flux comprend, à un instant temporel courant :
-une prédiction d’au moins un indicateur de fonctionnement du réseau selon un procédé de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers tel que brièvement décrit ci-dessus ;
-l’utilisation dudit au moins un indicateur de fonctionnement du réseau pour la régulation du flux de passagers dans le réseau.
Selon un mode de réalisation, l’étape d’utilisation comporte des étapes de :
-calcul d’au moins un paramètre de fonctionnement du réseau à partir du ou des indicateurs de fonctionnement prédits,
-transmission dudit au moins un paramètre ou d’une commande associée à au moins un équipement électronique du réseau,
-modification du fonctionnement dudit équipement électronique en fonction dudit paramètre.
Selon une variante, l’étape d’utilisation comporte une publication dudit au moins un indicateur de fonctionnement à destination d’équipements utilisateur adaptés à communiquer sans fil.
Selon un autre aspect, l’invention concerne un système de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers, le réseau comportant un ensemble de stations, chaque station comportant au moins une plateforme de chargement et/ou déchargement de passagers dans un véhicule de transport du réseau, le réseau étant équipé d’un système permettant d’enregistrer, en association avec un identifiant, des données d’entrée/sortie du réseau, le système comportant un module de collecte et mémorisation de données d’entrées/sortie de trajets effectifs effectués pendant une fenêtre d’observation passée, précédant un instant temporel courant.
Ce système comporte au moins un processeur de calcul adapté à mettre en œuvre, pour au moins un premier intervalle temporel compris dans ladite fenêtre d’observation :
-un module d’application d’un algorithme d’estimation, à partir desdites données collectées durant ledit premier intervalle temporel, d’au moins un indicateur de fonctionnement du réseau de transport estimé durant ledit premier intervalle temporel,
- un module de mise en œuvre d’une pluralité d’algorithmes d’apprentissage automatique pour calculer, pour chaque algorithme d’apprentissage automatique, à partir d’au moins un sous-ensemble des données collectées durant ladite fenêtre d’observation et avant ledit premier intervalle temporel, au moins un indicateur de fonctionnement du réseau de transport prédit pour ledit premier intervalle temporel,
- un module de détermination d’un mélange pondéré des algorithmes d’apprentissage automatique, pertinent à l’instant temporel courant, en fonction desdits indicateurs de fonctionnement du réseau de transport prédits et de l’indicateur de fonctionnement du réseau de transport estimé pour ledit premier intervalle temporel,
- pour au moins un deuxième intervalle temporel futur, ayant un instant de début postérieur ou concomitant à l’instant temporel courant, un module de mise en œuvre dudit mélange pondéré des algorithmes d’apprentissage automatique pertinent déterminé pour calculer au moins un indicateur de fonctionnement prédit associé à chaque deuxième intervalle temporel.
Selon un autre aspect, l’invention concerne un support d’enregistrement d’informations, sur lequel sont mémorisées des instructions logicielles pour l’exécution d’un procédé de prédiction d’au moins un paramètre caractérisant le fonctionnement d’un réseau de transport de passagers tel que brièvement décrit ci-dessus, lorsque ces instructions sont exécutées par un dispositif programmable.
Selon un autre aspect, l’invention concerne un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont mises en œuvre par un dispositif programmable, mettent en œuvre un procédé de prédiction d’au moins un paramètre caractérisant le fonctionnement d’un réseau de transport de passagers tel que brièvement décrit ci-dessus. D’autres caractéristiques et avantages de l’invention ressortiront de la description qui en est donnée ci-dessous, à titre indicatif et nullement limitatif, en référence aux figures annexées, parmi lesquelles :
- la figure 1 est représentation schématique d’un réseau de transport selon un mode de réalisation ;
- la figure 2 est un schéma illustrant la topologie d’une partie d’un réseau de transport dans lequel l’invention est applicable ;
- la figure 3 est un organigramme des principales étapes d’un procédé prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport selon un mode de réalisation ;
- la figure 4 est un organigramme d’un mode de réalisation d’un procédé de régulation de flux dans un réseau de transport de passager selon un mode de réalisation.
L’invention sera décrite ci-après dans son application dans un réseau de transport urbain R, par exemple un réseau de métro.
Comme expliqué en introduction, un réseau de transport comporte un ensemble de stations et un ensemble de lignes, une ligne étant définie par l’ensemble de stations desservies par les véhicules, par exemple les trains dans le cas d’un réseau de métro. De plus, un tel réseau de transport comporte un ensemble de plateformes de chargement et/ou de déchargement des passagers, par exemple des quais de métro. Un tel réseau a une topologie qui lui est propre, certaines stations comportant plusieurs telles plateformes et étant desservies par plusieurs lignes du réseau.
Chaque station a une localisation géographique associée, par exemple indiquée par des coordonnées dans un référentiel de géolocalisation telles des coordonnées GPS. De même, chaque plateforme a des coordonnées de géolocalisation associées.
Ainsi, il est possible de calculer les distances entre stations et entre plateformes d’une même station, et de calculer le temps moyen nécessaire pour parcourir ces distances pour un passager.
La figure 1 représente schématiquement des éléments connectés d’un réseau de transport R dans lequel s’applique l’invention.
Le réseau de transport R comporte un centre de supervision et de calcul 2, comportant des dispositifs électroniques programmables 4 adaptés à effectuer divers calculs et à contrôler divers équipements du réseau à distance, dans la mesure où ces équipements sont équipés de récepteurs de commandes, par exemple par un système de communication radio. Dans la suite on mentionne un dispositif électronique programmable 4, étant entendu que la référence 4 peut également désigner, en variante, une pluralité de dispositifs électroniques programmables interconnectés.
Le centre de calcul et de traitement 2 comporte également des unités électroniques de stockage d’information 6, adaptées à stocker un large volume de données.
De plus, le réseau de transport R comporte des équipements électroniques, par exemple chaque station est équipée d’un ensemble 8 de portiques électroniques 8A à 8D, et chaque usager est muni d’une carte permettant d’accéder au réseau et ayant un identifiant unique associé, au moins entre son entrée sur le réseau et sa sortie. Les portiques électroniques 8A à 8D sont équipés de capteurs adaptés à lire les données de la carte, qui est par exemple munie d’une puce et de moyens de communication de données.
Ainsi, le réseau de transport R est équipé d’un système permettant d’enregistrer, en lien avec un identifiant de carte, une heure d’entrée sur le réseau et une station d’entrée associée, ainsi qu’une heure de sortie et une station de sortie associée.
Les portiques électroniques sont adaptés à transmettre les données d’entrée/sortie enregistrées au centre de supervision et de calcul 2. Ces données d’entrée/sortie sont mémorisées par exemple dans les unités de stockage d’information 6.
Dans un mode de réalisation l’ensemble 10 de véhicules de transport comporte des trains adaptés à communiquer avec le centre de supervision et de calcul 2, et à recevoir des ordres de commande, par exemple par l’intermédiaire d’émetteurs/récepteurs radio.
Le réseau R comporte des équipements 12 facilitant la mobilité, par exemple des escalators 12A, des tapis roulants 12B ou des ascenseurs 12C. Dans un mode de réalisation, au moins une partie des équipements 12 est adaptée à recevoir des commandes du centre de supervision et de calcul 2, par exemple pour le réglage de la vitesse de fonctionnement ou l’arrêt des escalators et des tapis roulants.
Le réseau R comporte également des équipements électroniques 14 tels que des panneaux d’affichage, distribués dans les stations ou sur les plateformes, permettant d’afficher des informations diverses relatives au fonctionnement du réseau.
Le centre de supervision et de calcul 2 est adapté à recevoir des informations complémentaires 16 de systèmes de communication distants, par exemple des informations de planning ou de maintenance utiles pour la mise en fonctionnement des divers éléments du réseau R. Le dispositif électronique programmable 4 du centre de de supervision et de calcul 2 est adapté à mettre en oeuvre un procédé de prédiction d’au moins un indicateur de fonctionnement du réseau selon l’invention, et, le cas échéant, une modification des paramètres de fonctionnement du réseau en fonction des indicateurs prédits pour effectuer une régulation de flux dans le réseau.
Les indicateurs de fonctionnement du réseau sont prédits, pour un intervalle temporel futur, ultérieur à un instant temporel courant.
Un indicateur de fonctionnement du réseau associé à un intervalle temporel donné est par exemple le temps d’attente moyen pour au moins une plateforme du réseau pour ledit intervalle temporel, ou une charge moyenne en nombre de passagers en attente sur une plateforme du réseau durant l’intervalle temporel ou la charge moyenne des véhicules de transport de passagers d’une ligne donnée durant l’intervalle temporel ou le nombre moyen de trains manqués pour cause de surcharge par un passager, sur une plateforme donnée, durant l’intervalle temporel considéré.
Un paramètre de fonctionnement du réseau est par exemple un affichage sur les panneaux d’affichage 14, la fréquence des trains sur une ligne donnée, la capacité de charge des trains (par exemple le nombre de rames), la vitesse de fonctionnement des équipements 12, un mode de fonctionnement des portiques électroniques d’accès 8 (par exemple bloqué ou fonctionnement lent ou fonctionnement rapide).
Dans un mode de réalisation, le dispositif électronique programmable 4 comporte un processeur 20 apte à mettre en oeuvre :
-un module 22 collecte et mémorisation de données d’entrées/sortie de trajets effectifs pendant une fenêtre d’observation passée, précédant l’instant temporel courant, ladite fenêtre d’observation passée ayant un instant de début distant de l’instant temporel courant d’une durée inférieure ou égale à un premier seuil prédéterminé,
- un module 24 d’application d’un algorithme d’estimation, à partir de données collectées durant un premier intervalle temporel, d’au moins un indicateur de fonctionnement du réseau de transport estimé durant ce premier intervalle temporel,
-un module 26 de mise en oeuvre d’une pluralité d’algorithmes d’apprentissage automatique pour calculer, pour chaque algorithme d’apprentissage automatique, à partir d’au moins un sous-ensemble des données collectées durant ladite fenêtre d’observation et avant ledit premier intervalle temporel, au moins un indicateur de fonctionnement du réseau de transport prédit pour le premier intervalle temporel,
-un module 28 de détermination d’un mélange pondéré des algorithmes d’apprentissage automatique, pertinent à l’instant temporel courant en fonction des indicateurs calculés par les modules 24 et 26, -un module 30 de mise en œuvre du mélange pondéré des algorithmes d’apprentissage automatique déterminé pour calculer, à partir d’au moins un sous- ensemble des données collectées et mémorisées, au moins un indicateur de fonctionnement prédit associé à un deuxième intervalle temporel futur, ayant un instant de début postérieur à l’instant temporel courant.
Le dispositif électronique programmable 4 comporte également un module 32 de calcul de paramètres de fonctionnement à modifier en fonction du ou des indicateurs de fonctionnement prédits et de transmission des paramètres, ou de commandes permettant de modifier ces paramètres, vers les équipements concernés.
Dans un mode de réalisation, ces modules 22 à 32 sont réalisés sous forme d’instructions de programme d’ordinateur, exécutables par le dispositif programmable. En alternative, ils sont réalisés par des composants logiques programmables, ou encore sous forme de circuits intégrés (ou ASIC) dédiés.
Des détails de mise en œuvre des divers modules mis en œuvre par un dispositif électronique programmable apte à mettre en œuvre l’invention sont donnés ci-après.
Dans un mode de réalisation, le centre de supervision et de calcul 2 permet la transmission d’indicateurs de fonctionnement prédits vers des équipements utilisateur 18A...18C, par exemple des smartphones ou tout autre équipement adapté à recevoir des communications sans fil, de manière à prévenir les utilisateurs/passagers du réseau d’éventuelles congestions du réseau. Cela permet une régulation de flux indirecte, les passagers recevant par exemple une alerte de congestionnement étant alors capables de modifier leur trajet (itinéraire ou horaire par exemple).
La figure 2 est un exemple schématique simplifié de topologie d’une partie de réseau de transport R comprenant des lignes L1 ; L2 et L3, et des stations A, B, C et D, ainsi que d’autres stations, représentées par de nœuds et non référencées à la figure 2.
Les plateformes ne sont pas représentées. Ainsi, la correspondance entre lignes impliquant un changement de plateforme n’est pas représentée sur la figure 2.
Un trajet entre une station de départ A et une station d’arrivée B est défini par un ensemble de lignes et de correspondances permettant de relier A et B.
Dans l’exemple illustré, plusieurs trajets sont possibles pour se rendre de la station A à la station B.
Il est prévu d’enregistrer des données d’entrée dans le réseau R/sortie du réseau R sont enregistrées systématiquement dans le réseau de transport, en association avec un identifiant Id, par exemple un identifiant Id de carte d’abonnement de passager.
Il est à noter qu’il est possible de collecter des données d’entrée /sortie associées à un identifiant, sans toutefois connaître le trajet effectif du passager dans le réseau. Une donnée d’entrée comporte une station d’entrée sur le réseau, par exemple une station A, ainsi qu’une date et heure d’entrée dans la station, notée TA, en relation avec un identifiant Id.
Une donnée de sortie comporte une station de sortie du réseau, par exemple une station B, ainsi qu’une date et heure de sortie de la station B, notée TB, en relation avec un identifiant Id.
La ligne relie les stations A et B en six arrêts selon un premier trajet.
Il existe une première possibilité de correspondance avec la ligne L2, à partir de la station C. Le trajet effectué à partir de la station A, sur la ligne puis sur la ligne L2 à partir de la station C de correspondance est un deuxième trajet entre A et B et comporte 3 arrêts.
Il existe également une possibilité de correspondance avec la ligne L3, à partir de la station D, le troisième trajet entre A et B totalisant dans ce cas 9 arrêts. On distingue a priori 3 trajets possibles différents entre les stations A et B. On suppose qu’en l’absence d’incidents le premier trajet et le deuxième trajet ont des durées similaires, et le troisième trajet est deux fois plus long.
La figure 3 est un synoptique des principales étapes d’un procédé de prédiction d’indicateur(s) de fonctionnement d’un réseau de transport selon un mode de réalisation de l’invention.
Le procédé comporte une première étape 40 d’obtention de données 38, soit à partir de mémoires 6, soit à partir d’une interface de communication avec un serveur distant ou avec une interface d’entrée/sortie du dispositif électronique programmable mettant en oeuvre le procédé.
Les données comportent des données d’entrées/sortie de trajets effectifs effectués pendant une fenêtre d’observation passée.
La fenêtre d’observation passée est déterminée par rapport à un instant temporel courant Tc d’application du procédé. Par exemple, la fenêtre d’observation est une fenêtre de plusieurs dizaines de minutes à plusieurs heures précédant l’instant courant Tc. Dans un mode de réalisation, la fenêtre d’observation comprend une journée complète. Dans une variante, la fenêtre d’observation début au début de la journée courante.
De manière plus générale, la fenêtre d’observation passée considérée se situe dans un passé proche par rapport à l’instant temporel courant. De préférence, l’instant temporel de début de la fenêtre d’observation précède l’instant temporel courant d’une durée inférieure ou égale à un seuil, par exemple de 15 minutes.
Les données reçues 38 comportent également des informations sur le réseau de transport R, les lignes, les stations par exemple : -des coordonnées GPS des stations et/ou des plateformes ;
-des durées de transfert entre plateformes ;
-des informations de planification des trains ;
Les données 38 sont collectées et mémorisées à l’étape 40, qui est suivie d’une étape 42 d’application d’un algorithme d’estimation d’au moins un indicateur de fonctionnement du réseau de transport estimé durant un premier intervalle temporel. Le premier intervalle temporel est compris dans la fenêtre d’observation passée, et il est défini par un instant temporel de départ Tu et un instant temporel de fin T12.
De préférence, le premier intervalle temporel est de l’ordre de 15 minutes.
Par exemple, l’indicateur de fonctionnement estimé est le temps moyen d’attente pour chaque plateforme de chaque station du réseau pendant le premier intervalle temporel.
De préférence, l’algorithme de calcul utilisé est l’algorithme décrit dans la demande de brevet FR1700181 , qui présente une bonne efficacité calculatoire.
Cet algorithme d’estimation d’indicateur de fonctionnement de réseau de transport comprend une étape préalable de calcul et d’enregistrement, pour chaque couple de stations du réseau, d’au moins un trajet choisi entre les deux stations du couple de stations, en fonction de données statiques caractérisant le réseau de transport. Il comprend ensuite pour chaque donnée d’entrée/sortie obtenue pour le premier intervalle temporel considéré :
-une estimation d’une durée effective de trajet et une sélection d’un trajet entre station d’entrée et station de sortie parmi les trajets choisis en association avec le couple de stations formé par la station d’entrée et la station de sortie ;
-un calcul d’au moins un indicateur caractérisant le fonctionnement du réseau, comprenant le calcul d’un temps d’attente moyen pour chaque plateforme du réseau durant le premier intervalle temporel par mise en œuvre d’un algorithme itératif mettant en œuvre, à chaque itération :
- pour chaque donnée d’entrée/sortie, un calcul d’une différence temporelle entre la durée estimée du trajet sélectionné et la durée effective du trajet ;
-lorsque le trajet sélectionné comprend au moins une correspondance via une plateforme de chargement/déchargement, une affectation d’une fraction de ladite différence temporelle à chaque temps d’attente associé à une plateforme de correspondance.
Le temps d’attente durant le premier intervalle temporel pour chaque plateforme du réseau est mis à jour à chaque itération. A l’issue de l’étape 42 on obtient un premier indicateur de fonctionnement du réseau estimé, associé au premier intervalle temporel, qui est le temps d’attente moyen par plateforme, et optionnellement, d’autres indicateurs de fonctionnement estimés, e.g. charge moyenne par plateforme ou par véhicule sont également calculés.
L’étape 42 est suivie d’une étape 44 de mise en oeuvre d’une pluralité d’algorithmes d’apprentissage automatique pour calculer au moins un indicateur de fonctionnement du réseau de transport prédit pour ledit premier intervalle temporel. Pour chaque algorithme d’apprentissage automatique, on calcule un indicateur prédit à partir d’au moins un sous-ensemble des données collectées durant ladite fenêtre d’observation et avant ledit premier intervalle temporel, et de valeurs d’indicateurs de fonctionnement estimées, par exemple selon l’algorithme d’estimation préalablement décrit en référence à l’étape 42, pour des intervalles de temps compris dans la fenêtre d’observation et antérieurs au premier intervalle temporel.
Les algorithmes d’apprentissage automatique sont paramétrés par des paramètres d’apprentissage, qui sont obtenus lors d’une étape d’apprentissage 43 préalable, et qui sont mémorisés. L’étape d’apprentissage 43 utilise, de manière classique, de très larges volumes de données et nécessite beaucoup de calculs. Elle est effectuée avec une fréquence temporelle faible, par exemple à plusieurs mois d’intervalle, sur des larges volumes de données collectées pendant une période d’apprentissage longue durée. Par exemple, la période d’apprentissage est comprise entre 1 et 36 mois, et de préférence égale à 14 mois de manière à prendre en compte les saisonnalités. Les données d’apprentissage comprennent, sur la période d’apprentissage, des valeurs d’indicateur de fonctionnement du réseau de transport par plateforme estimé par un algorithme d’estimation, par tranches d’intervalles temporels, par exemple de 15 minutes, le nombre d’entrées/sorties par station et par tranche d’intervalle temporel, des informations de calendrier (par exemple week-ends et jours fériés).
Les paramètres d’apprentissage calculés pour chacun des algorithmes d’apprentissage automatique sont mémorisés.
Par exemple, les algorithmes d’apprentissage automatique utilisés comprennent d’une part la méthode de prédiction basée sur des forêts d’arbres décisionnels (en anglais « random forest classifiers »), et d’autre part la méthode dite de « gradient boosting ».
Bien entendu, d’autres méthodes dans le domaine de l’intelligence artificielle (ou « machine learning » en anglais) connues dans l’état de la technique sont utilisables.
Dans un mode de réalisation particulier de l’étape 44, un premier algorithme d’apprentissage automatique Methl utilisant des forêts d’arbres décisionnels est appliqué sur N jeux de données différents, N étant un nombre entier positif supérieur ou égal à 2 et donc N résultats de prédiction d’indicateurs de fonctionnement sont obtenus.
Par exemple, les jeux de données différent par la sous-fenêtre d’observation temporelle choisie, par exemple : 15 minutes, 30 minutes, 1 heure, 1 heure et 30 minutes, 2 heures, avant le premier intervalle temporel considéré. Chaque jeu de données est un sous-ensemble des données collectées à l’étape 40.
Dans ce mode de réalisation de l’étape 44, un deuxième algorithme d’apprentissage automatique Meth2 utilisant le « gradient boosting » est appliqué sur M jeux de données différents, M étant un nombre entier positif supérieur ou égal à 2 et donc M résultats de prédiction d’indicateurs de fonctionnement sont obtenus.
De la même manière que pour l’algorithme Methl , par exemple, les jeux de données différent par la sous-fenêtre d’observation temporelle choisie, par exemple : 15 minutes, 30 minutes, 1 heure, 1 heure et 30 minutes, 2 heures, avant le premier intervalle temporel considéré.
Ainsi, à l’issue de l’étape 44 on obtient plusieurs ensembles d’indicateurs de fonctionnement prédits pour le premier intervalle temporel considéré, chaque ensemble d’indicateurs prédit étant associé à un algorithme d’apprentissage automatique et à une sous-fenêtre d’observation temporelle.
Dans un mode de réalisation, chaque ensemble d’indicateurs de fonctionnement prédits comprend un seul indicateur de fonctionnement prédit, par exemple le temps d’attente moyen prédit pour le premier intervalle temporel par plateforme du réseau de transport.
Ensuite à l’étape 46 on met en oeuvre une étape de détermination d’un mélange pondéré d’algorithmes d’apprentissage automatique (en anglais « Mixture Model »), le plus pertinent à l’instant temporel courant, parmi les méthodes testées. Ici, la pertinence désigne l’efficacité de prédiction, il s’agit donc du mélange pondéré d’algorithmes d’apprentissage automatique qui permet de prédire un indicateur de fonctionnement le plus proche de l’indicateur de fonctionnement estimé.
Le mélange pondéré d’algorithmes d’apprentissage permet d’obtenir un algorithme d’apprentissage automatique agrégé qui est performant à l’instant courant, pour l’indicateur de fonctionnement choisi.
Par exemple, lors de cette étape on compare les indicateurs de fonctionnement prédits calculés à l’étape 44, un par un, avec les indicateurs de fonctionnement estimés à l’étape 42, et on détermine les indicateurs les plus proches, puis la détermination d’un mélange pondéré d’algorithmes d’apprentissage en découle. Dans une variante de mise en œuvre, l’étape 46 met en œuvre une boucle d’optimisation des pondérations définissant le mélange pondéré d’algorithmes d’apprentissage automatique. Le mélange pondéré des algorithmes d’apprentissage automatique pertinent à l’instant courant déterminé à l’étape 46 est alors utilisé à l’étape 48 pour prédire un ensemble d’indicateurs de fonctionnement {IFi IFK} du réseau pour un deuxième intervalle temporel, qui est un intervalle temporel futur, ayant un instant de début postérieur ou égal à l’instant temporel courant.
Par exemple, le deuxième intervalle temporel est défini par un instant de début T21 et un instant de fin T22, avec T21 égal à l’instant temporel courant Tc et T22 égal à l’instant temporel courant T c plus 15 minutes.
L’ensemble d’indicateurs de fonctionnement prédit {IF! ,.., IFK} peut être limité, par exemple, à un temps d’attente moyen prédit \F^ pour le deuxième intervalle temporel futur, pour chaque plateforme du réseau.
Dans un mode de réalisation, on détermine des séries d’indicateurs de fonctionnement prédits pour des deuxièmes intervalles temporels successifs. Par exemple, on détermine des séries d’indicateurs de fonctionnement prédits par tranches d’un quart d’heure pour les 3 heures suivant l’instant temporel courant.
Avantageusement, le procédé utilise un mélange pondéré de plusieurs algorithmes d’apprentissage automatique, entraînés sur différents un sous-ensemble des données collectées dans le passé, la pondération associée à ce mélange pondéré étant apprise en temps réel.
Ces indicateurs de fonctionnement prédits sont mémorisés et transmis à d’autres modules adaptés à les exploiter pour réguler le fonctionnement du réseau de transport à l’étape 50.
Lors d’une étape ultérieure 52, en lien avec une horloge non représentée, des nouveaux premier et deuxième intervalles temporels sont sélectionnés, par rapport à un instant temporel futur. Lorsque le temps s’est écoulé et l’instant temporel courant est égal à cet instant temporel futur, les étapes 40 à 48 sont itérées.
Par exemple, les étapes 40 à 48 sont itérées avec une fréquence temporelle rapide, par exemple tous les quarts d’heure. Avantageusement, le mélange pondéré des algorithmes d’apprentissage automatique pertinent à l’instant temporel courant est adaptatif et est effectué dynamiquement, quasiment en temps réel.
Ainsi, les indicateurs de fonctionnement prédits {IFi IFK} sont mis à jour avec cette fréquence temporelle de répétition rapide, donc quasiment en temps réel.
La figure 4 est un synoptique des principales étapes d’un procédé de régulation de flux dans un réseau de transport de passager selon un mode de réalisation, utilisant un procédé de prédiction d’indicateur(s) de fonctionnement du réseau tel que décrit ci- dessus.
Le procédé comporte une première étape 60 de prédiction d’indicateurs de fonctionnement sur un intervalle temporel futur par rapport à l’instant temporel courant.
Le procédé décrit ci-dessus est mis en oeuvre à l’étape 60.
Puis à l’étape 62 les indicateurs de fonctionnement prédits sont publiés, par exemple via une application dédiée, vers des équipements utilisateur, par exemple des smartphones, permettant ainsi aux utilisateurs/passagers d’être informés quasiment en temps réel du fonctionnement du réseau à prévoir durant le deuxième intervalle temporel, c’est-à-dire dans un futur proche, notamment le temps d’attente moyen, la charge des plateformes et des véhicules. Ces indicateurs de fonctionnement prédits sont alors soit exploitables directement par les utilisateurs, soit exploitables par des applications intermédiaires, pour calculer par exemple un trajet optimisé en temps ou en confort entre une station A et une station B du réseau.
A l’étape 64, mise en oeuvre sensiblement en parallèle de l’étape 62, les indicateurs de fonctionnement prédits sont mis en oeuvre dans des calculs pour calculer des paramètres de fonctionnement du réseau souhaités durant l’intervalle temporel associé.
Par exemple, la vitesse de fonctionnement des escalators 12A, des tapis roulants 12B ou des portiques électroniques 8A à 8D est calculée, pour éviter d’ouvrir l’accès à une plateforme donnée pour laquelle une surcharge été prédite à un nombre trop important de passagers. En parallèle, la capacité des trains pour certaines lignes ou la fréquence de circulation est augmentée. En cas de sous-charge prédite, la capacité des trains pour certaines lignes ou la fréquence de circulation est diminuée, et par exemple certains tapis roulants ou escalators sont mis en arrêt. Par conséquent, avantageusement, la consommation d’énergie électrique est diminuée. Ainsi, le flux de passagers dans le réseau sera régulé.
Les paramètres de fonctionnement calculés à l’étape 64 sont transmis, éventuellement sous forme de commandes à appliquer, à divers équipements électroniques du réseau à l’étape 66, par exemple aux équipements 12 facilitant la mobilité dans le réseau.
Les paramètres de fonctionnement calculés sont alors appliqués par les équipements électroniques concernés à l’étape 68.
Avantageusement, l’invention permet d’améliorer la régulation du flux de passagers, et par conséquent d’optimiser l’utilisation des ressources (e.g. électricité), de prévenir l’usure du matériel et, en cas de surcharge prévue, d’améliorer la sécurité et le confort des passagers.

Claims

REVENDICATIONS
1.- Procédé de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers, le réseau comportant un ensemble de stations, chaque station comportant au moins une plateforme de chargement et/ou déchargement de passagers dans un véhicule de transport du réseau, le réseau étant équipé d’un système permettant d’enregistrer, en association avec un identifiant, des données d’entrée/sortie du réseau, le procédé comportant une étape, préalable à un instant temporel courant, de :
a) collecte et mémorisation (40) de données d’entrées/sortie de trajets effectifs effectués pendant une fenêtre d’observation passée, précédant l’instant temporel courant, le procédé étant caractérisé en ce qu’il comporte, pour au moins un premier intervalle temporel compris dans ladite fenêtre d’observation, des étapes de :
b) application (42) d’un algorithme d’estimation, à partir desdites données collectées durant ledit premier intervalle temporel, d’au moins un indicateur de fonctionnement du réseau de transport estimé durant ledit premier intervalle temporel,
c) mise en oeuvre (44) d’une pluralité d’algorithmes d’apprentissage automatique pour calculer, pour chaque algorithme d’apprentissage automatique, à partir d’au moins un sous-ensemble des données collectées durant ladite fenêtre d’observation et avant ledit premier intervalle temporel, au moins un indicateur de fonctionnement du réseau de transport prédit pour ledit premier intervalle temporel,
d) détermination (46) d’un mélange pondéré des algorithmes d’apprentissage automatique, pertinent à l’instant temporel courant, en fonction desdits indicateurs de fonctionnement du réseau de transport prédits et de l’indicateur de fonctionnement du réseau de transport estimé pour ledit premier intervalle temporel,
e) pour au moins un deuxième intervalle temporel futur, ayant un instant de début postérieur ou concomitant à l’instant temporel courant, mise en oeuvre (48) dudit mélange pondéré des algorithmes d’apprentissage automatique pour calculer au moins un indicateur de fonctionnement prédit associé à chaque deuxième intervalle temporel.
2.- Procédé selon la revendication 1 , dans lequel ledit indicateur de fonctionnement du réseau de transport est choisi parmi un temps d’attente moyen pour chaque plateforme du réseau, une charge moyenne en nombre de passagers en attente sur une plateforme du réseau, une charge moyenne, en nombre de passagers, par véhicule de transport.
3.- Procédé selon l’une des revendications 1 ou 2, dans lequel les étapes b) à e) sont répétées avec une fréquence temporelle prédéterminée.
4.- Procédé selon l’une quelconque des revendications 1 à 3, dans lequel la pluralité d’algorithmes d’apprentissage automatique comprend des méthodes de décision basées sur des forêts d’arbres décisionnels et des méthodes de régression de gradient.
5.- Procédé selon la revendication 4, dans lequel l’étape c) de mise en oeuvre d’une pluralité d’algorithmes d’apprentissage automatique comprend une mise en oeuvre d’un même algorithme d’apprentissage automatique avec plusieurs sous-ensembles de données d’entrée/sortie différents, collectés pendant des sous-fenêtres d’observation temporelle de durées différentes.
6.- Procédé selon l’une quelconque des revendications 1 à 5, comportant en outre une étape préalable d’apprentissage de paramètres pour chaque algorithme d’apprentissage automatique, utilisant des données sur au moins une période d’apprentissage longue durée, de durée supérieure à un mois.
7.- Procédé de régulation de flux d’un réseau de transport de passagers, le réseau comportant un ensemble de stations, chaque station comportant au moins une plateforme de chargement et/ou déchargement de passagers dans un véhicule de transport du réseau, le réseau étant équipé d’un système permettant d’enregistrer, en association avec un identifiant, des données d’entrée/sortie du réseau, le réseau comportant en outre un des équipements électroniques et un centre de supervision et de calcul adapté à communiquer avec lesdits équipements, le procédé de régulation de flux étant caractérisé en ce qu’il comprend, à un instant temporel courant :
-prédiction (60) d’au moins un indicateur de fonctionnement du réseau selon un procédé de prédiction conforme à l’une quelconque des revendications 1 à 6 ;
-utilisation (62, 64, 66, 68) dudit au moins un indicateur de fonctionnement du réseau pour la régulation du flux de passagers dans le réseau.
8.- Procédé selon la revendication 7, dans lequel l’étape d’utilisation comporte des étapes de : -calcul (64) d’au moins un paramètre de fonctionnement du réseau à partir du ou des indicateurs de fonctionnement prédits,
-transmission (66) dudit au moins un paramètre ou d’une commande associée à au moins un équipement électronique du réseau,
-modification (68) du fonctionnement dudit équipement électronique en fonction dudit paramètre.
9.- Procédé selon la revendication 7, dans lequel l’étape d’utilisation comporte une publication (62) dudit au moins un indicateur de fonctionnement à destination d’équipements utilisateur adaptés à communiquer sans fil.
10.- Programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont mise en œuvre par un dispositif électronique programmable, mettent en œuvre un procédé de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers conforme aux revendications 1 à 6.
1 1 . Système de prédiction d’au moins un indicateur de fonctionnement d’un réseau de transport de passagers, le réseau comportant un ensemble de stations, chaque station comportant au moins une plateforme de chargement et/ou déchargement de passagers dans un véhicule de transport du réseau, le réseau étant équipé d’un système permettant d’enregistrer, en association avec un identifiant, des données d’entrée/sortie du réseau, le système comportant un module de collecte et mémorisation de données d’entrées/sortie de trajets effectifs effectués pendant une fenêtre d’observation passée, précédant un instant temporel courant,
le système étant caractérisé en ce qu’il comporte au moins un processeur de calcul adapté à mettre en œuvre, pour au moins un premier intervalle temporel compris dans ladite fenêtre d’observation :
-un module (24) d’application d’un algorithme d’estimation, à partir desdites données collectées durant ledit premier intervalle temporel, d’au moins un indicateur de fonctionnement du réseau de transport estimé durant ledit premier intervalle temporel,
- un module (26) de mise en œuvre d’une pluralité d’algorithmes d’apprentissage automatique pour calculer, pour chaque algorithme d’apprentissage automatique, à partir d’au moins un sous-ensemble des données collectées durant ladite fenêtre d’observation et avant ledit premier intervalle temporel, au moins un indicateur de fonctionnement du réseau de transport prédit pour ledit premier intervalle temporel,
- un module (28) de détermination d’un mélange pondéré des algorithmes d’apprentissage automatique, pertinent à l’instant temporel courant, en fonction desdits indicateurs de fonctionnement du réseau de transport prédits et de l’indicateur de fonctionnement du réseau de transport estimé pour ledit premier intervalle temporel,
- pour au moins un deuxième intervalle temporel futur, ayant un instant de début postérieur ou concomitant à l’instant temporel courant, un module (30) de mise en oeuvre dudit mélange pondéré des algorithmes d’apprentissage automatique pertinent déterminé pour calculer au moins un indicateur de fonctionnement prédit associé à chaque deuxième intervalle temporel.
EP19755932.1A 2018-08-24 2019-08-23 Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers Withdrawn EP3841537A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1800906A FR3085218B1 (fr) 2018-08-24 2018-08-24 Procede et systeme de prediction quasi temps reel d'au moins un indicateur de fonctionnement d'un reseau de transport de passagers
PCT/EP2019/072567 WO2020039061A1 (fr) 2018-08-24 2019-08-23 Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers

Publications (1)

Publication Number Publication Date
EP3841537A1 true EP3841537A1 (fr) 2021-06-30

Family

ID=65200863

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19755932.1A Withdrawn EP3841537A1 (fr) 2018-08-24 2019-08-23 Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers

Country Status (4)

Country Link
EP (1) EP3841537A1 (fr)
FR (1) FR3085218B1 (fr)
SG (1) SG11202101931YA (fr)
WO (1) WO2020039061A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949939B (zh) * 2021-03-30 2022-12-06 福州市电子信息集团有限公司 基于随机森林模型的出租车载客热点预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014214533A1 (en) * 2013-02-06 2015-09-24 University Of Technology, Sydney Computer-implemented system for influencing commuter behaviour
WO2014121329A1 (fr) * 2013-02-06 2014-08-14 University Of Technology, Sydney Système mis en œuvre par ordinateur pour influencer une foule
CN104952240A (zh) * 2014-03-24 2015-09-30 中国移动通信集团公司 获取公交位置信息及公交到站时间的方法、装置及系统

Also Published As

Publication number Publication date
WO2020039061A1 (fr) 2020-02-27
FR3085218A1 (fr) 2020-02-28
SG11202101931YA (en) 2021-03-30
FR3085218B1 (fr) 2022-04-08

Similar Documents

Publication Publication Date Title
CN111966729B (zh) 一种车辆轨迹数据处理方法、装置、设备及存储介质
US10551842B2 (en) Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive
US20220326025A1 (en) Technologies for route navigation sharing in a community cloud
US20190339087A1 (en) Deep reinforcement learning for optimizing carpooling policies
US11248920B1 (en) Systems and methods for assessment of rideshare trip
US11301948B2 (en) Parking continuity with unused duration between automated vehicles
CA2937414A1 (fr) Procede et systeme de reequilibrage d'une installation d'utilisation partagee de vehicules, installation mettant en oeuvre un tel procede et/ou systeme
US9959339B2 (en) Journey time estimation
JP6939911B2 (ja) 適応的に車両を制御する方法及び装置
US20200201357A1 (en) Systems and methods for vehicle scheduling and routing
US11285961B2 (en) Predictive car wash services for a vehicle based on anticipated routes of travel
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
FR3010238A1 (fr) Procede de regeneration electrique d'un accumulateur d'energie
JP2020524342A (ja) 輸送事業者の効率を最適化するための方法及び装置
EP3841537A1 (fr) Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers
EP4020368A1 (fr) Collaboration avec les opérateurs de transport pour améliorer l'expérience de l'utilisateur et l'efficacité opérationnelle
US20190340315A1 (en) Method and device for providing vehicle navigation simulation environment
CN111667083B (zh) 网约车预估价确定方法和装置
WO2023094602A1 (fr) Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport
US20220110021A1 (en) Flow forecasting for mobile users in cellular networks
CN112101677B (zh) 一种公共交通出行路径规划方法、装置、设备及存储介质
EP3586302A1 (fr) Procédé d'estimation d'au moins un indicateur caractérisant le fonctionnement d'un réseau de transport de passagers et procédé de modification d'au moins un paramètre de fonctionnement de réseau de transport associé
CN113269339A (zh) 一种网约车任务自动创建和分发的方法及系统
EP2803550A1 (fr) Dispositif et procédé de régulation de la vitesse d'un équipement de transport
US20240140239A1 (en) Management of vehicle-related services based on demand and profitability

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210222

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40045246

Country of ref document: HK

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20220408

P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230524

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20230721