WO2023094602A1 - Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport - Google Patents

Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport Download PDF

Info

Publication number
WO2023094602A1
WO2023094602A1 PCT/EP2022/083301 EP2022083301W WO2023094602A1 WO 2023094602 A1 WO2023094602 A1 WO 2023094602A1 EP 2022083301 W EP2022083301 W EP 2022083301W WO 2023094602 A1 WO2023094602 A1 WO 2023094602A1
Authority
WO
WIPO (PCT)
Prior art keywords
validation
prediction
term
validations
short
Prior art date
Application number
PCT/EP2022/083301
Other languages
English (en)
Inventor
Stéphane Duguet
Original Assignee
Thales Transport & Security (Hong-Kong) Limited
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 Transport & Security (Hong-Kong) Limited filed Critical Thales Transport & Security (Hong-Kong) Limited
Publication of WO2023094602A1 publication Critical patent/WO2023094602A1/fr

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"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Definitions

  • TITLE Method and system for automated supervision of short-term passenger influx in a transport network
  • the present invention relates to a method and a system for automated supervision of the influx of short-term passengers in a transport network, in particular an urban rail transport network.
  • the invention lies in the field of systems for the automated management of urban transport networks, for example metro networks, and more generally in any passenger transport network.
  • a passenger transport network in particular an urban rail 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, generally in two directions of opposing traffic.
  • such a transport network comprises, in each station, a set of platforms for loading and/or unloading passengers, for example metro platforms.
  • Such a network has a topology which is specific to it, certain stations comprising several such platforms and being served by several lines of the network.
  • each station is equipped with gates for validating transport tickets, and each user is provided with a transport ticket, for example a card readable by a sensor, allowing to validate the ticket for a journey, a duration, etc.
  • a transport ticket for example a card readable by a sensor, allowing to validate the ticket for a journey, a duration, etc.
  • Some networks may contain such validation portals on access platforms to a plurality of stations or platforms of the network. More generally, we will call validation place any place of the network comprising one or more ticket validation gates.
  • the transport network is equipped with a system making it possible to record validation data for transport tickets, in connection with a place of validation and a date of validation, for example of entry into the network.
  • the methods and systems for predicting affluence or load of the loading/unloading platforms of a transport network are generally based on a processing of historical validation data for so-called long-term prediction, which makes it possible to generate load predictions, for example according to weekdays or weekends, and according to times of day, thus making it possible to distinguish busy periods, and to characterize the expected load, for example on weekdays during time slots generally called "office hours".
  • the load or affluence prediction allows an operator, operator of the transport network, to predict various network parameters, i.e. vehicle operating parameters and station equipment, and also the number of assistance agents in station, to ensure the safety of passengers and to maintain their comfort. For example, more frequent, larger capacity transport vehicles, e.g. double-decker vehicles, are provided for peak days and times, and conversely, a spacing out of vehicle frequency is provided at busy times. of low attendance. In addition to ensuring safety and quality of service, this makes it possible to better adjust the consumption of resources (for example, spent electrical energy), the wear and tear of vehicles.
  • resources for example, spent electrical energy
  • An object of the present invention is to remedy this drawback of the state of the art.
  • the invention proposes, according to one aspect, a method for automated supervision of the influx of short-term passengers in a transport network, in particular an urban rail transport network, the transport network comprising a set of passenger entry and/or exit validation locations and a system for recording actual validation data by validation location.
  • This method comprises the following steps implemented by a calculation system: at a first execution frequency, o learning and application of long-term statistical prediction models, each long-term statistical prediction model being associated with a place of validation and being calculated to obtain, for a first prediction duration, a time series of predictions of numbers of validations per time interval of chosen unit duration, said time series forming reference validation predictions; o learning of a single short-term prediction model, applicable for all validation locations, and making it possible to predict, for a second prediction duration less than the first prediction duration, a number of validations per time interval of duration unitary and by place of validation forming predictions of short-term validations; at a second execution frequency, higher than the first execution frequency, of the steps implemented at an execution time instant: o aggregation of the actual validation data by validation location and by time interval of unit duration during a historical period relative to the time instant of execution, to obtain aggregated validation data, o application of said single short-term prediction model on the aggregated validation data, to obtain short-term validation predictions on the second prediction duration, by place
  • the method for automated supervision of the influx of short-term passengers in a transport network makes it possible to predict numbers of validations over time intervals following a time instant of execution, taking into account recent data thus making it possible to capture changes from baseline validation predictions, calculated at a lower frequency.
  • the process is thus able to provide a better forecast of attendance in the event of a non-recurring one-off change.
  • an alert is raised in the event of a change being observed, greater than a first predetermined threshold, with respect to the reference validation predictions.
  • the method of automated supervision of the influx of short-term passengers in a transport network according to the invention can also have one or more of the characteristics below, taken independently or according to all the technically possible combinations.
  • a first priority level alert is raised.
  • an alert of second priority level is raised, the method comprising in in addition to real-time implementation of a corrective measure in the transport network to regulate the flow of passengers arriving at platforms associated with the place of validation.
  • a network equipment regulation measure is implemented.
  • the unique short-term prediction model also takes as input predictions of reference validations over a period later than the time instant of execution and reference data of the transport network.
  • the reference data of the transport network includes vector data representative of the places of validation and vector data representative of distances between places of validation of the transport network.
  • the unique short-term prediction model is a multi-layered deep neural network trained on actual validation data to perform short-term validation prediction for each validation location and time interval.
  • Each long-term statistical prediction model is an auto-regressive model suitable for predicting a time series of reference validation numbers.
  • the first execution frequency is equal to one week
  • the first prediction duration is equal to one day
  • the method comprising learning a long-term statistical prediction model per day of the week, per type of day of the week and by place of validation, on the basis of actual validation data collected for the same day of the week, of the same type and for said place of validation.
  • the second execution frequency is less than one hour, said second prediction duration is equal to a number of hours, and the unit time interval duration is equal to a quarter of an hour.
  • the invention relates to a system for the automated supervision of the influx of short-term passengers in a transport network, in particular an urban rail transport network, the transport network comprising a set of places of validations of entries and/or exits of passengers and a system making it possible to record effective validation data by place of validation.
  • This automated supervision system comprises a calculation system configured to implement: at a first execution frequency, o a module for learning and applying long-term statistical prediction models, each long-term statistical prediction model being associated with a place of validation and being calculated to obtain, for a first prediction duration, a time series of predictions of numbers of validations per time interval of chosen unit duration, said time series forming reference validation predictions; o a module for learning a single short-term prediction model, applicable for all validation locations, and making it possible to predict, for a second prediction duration less than the first prediction duration, a number of validations per time interval of unit duration and per validation location forming short-term validation predictions; at a second execution frequency, greater than the first execution frequency, at an execution time instant: o a module for aggregating the actual validation data by place of validation and by time interval of unit duration during a period of history with respect to the time instant of execution, to obtain aggregated validation data, o a module for applying said single short-term prediction model to the aggregated validation data, to obtain short-term validation predictions over the
  • This system is configured to implement a method of automated supervision of the influx of short-term passengers in a transport network as briefly described above, according to all its embodiments.
  • the alert lifting module is configured to raise a first priority level alert if the prediction of short-term validations exceeds the prediction of reference validations by a value greater than a first alert threshold for at least one validation location.
  • the alert lifting module is configured to raise a second priority level alert, the system further comprising a module for real-time implementation of a corrective measure in the transport network making it possible to regulate the flow of passengers arriving at platforms associated with the place of validation
  • the invention relates to an information recording medium, on which are stored software instructions for the execution of a method of automated supervision of the influx of short-term passengers in a transport network as briefly described above, when these instructions are executed by a programmable electronic device.
  • the invention relates to a computer program comprising software instructions which, when implemented by a programmable electronic device, implement a method for the automated supervision of short-term passenger influx in a transport network as briefly described above.
  • Figure 1 is a schematic example of an automated supervision system for the influx of short-term passengers in a transport network according to one embodiment of the invention
  • FIG 2 is a block diagram of the main steps of an automated method for supervising the influx of short-term passengers in a transport network according to one embodiment of the invention
  • Figure 3 is a schematic graphical representation of validation number time series
  • FIG. 4 schematically illustrates the temporal distribution of validation data at the input and output of the short-term prediction according to one embodiment.
  • the invention will be described below in its application in the supervision of an urban rail transport network, typically a metro network.
  • Figure 1 schematically illustrates a supervision system 2 of a passenger transport network.
  • the supervision system comprises 4A...4N sensors, for example integrated into validation gates, simply called gates hereafter, configured to recover passenger transport ticket validation data, for example ticket validation data. entry when entering the transport network and/or exit validation data from the transport network.
  • the validation data used is the entry validation data, a ticket validation, hereinafter called validation effective, being recorded when a passenger presents his ticket when entering the transport network.
  • Each sensor 4A...4N is associated with a spatial location in the network, for example with a station.
  • Validation data comprises a spatial location identifier in the network, and dating information comprising a validation date/time.
  • the dating information may also include an indication of the day of the week. The time is indicated in any known standard form, for example hour/minutes/seconds on a 24 hour interval.
  • validation data comprises, in one embodiment, a transport ticket identifier.
  • the supervision system also comprises a central computing system 6, comprising one or more programmable electronic devices (e.g. computers) adapted to communicate with each other.
  • a central computing system 6 comprising one or more programmable electronic devices (e.g. computers) adapted to communicate with each other.
  • the computing system 6 is a programmable electronic device.
  • This calculation system comprises a communication interface 8 adapted to communicate with the sensors 4A to 4N, by a wired or wireless communication protocol, the communication interface 8 being in particular adapted to receive the actual validation data recovered by the sensors .
  • These effective validation data 10 are memorized progressively in an electronic memory unit 12, adapted to memorize data.
  • the calculation system 6 further comprises an electronic calculation unit 14, composed of one or more calculation processor(s), adapted to communicate with the electronic memory unit 12 and with the communication interface 8 via a bus data communications.
  • Calculation processor 14 is capable of executing calculations and computer program code instructions or software instructions when programmable electronic device 6 is powered up.
  • the calculation processor 14 is configured to execute for modules produced in the form of software instructions to implement a method of automated supervision of the influx of short-term passengers in a transport network according to the invention.
  • modules include: a module 18 for learning and applying long-term statistical prediction models, each long-term statistical prediction model being associated with a place of validation and being calculated to obtain, for a first prediction duration, a time series of predictions of numbers of validations per time interval of chosen unit duration, said time series forming reference validation predictions; a module 20 for learning a single short-term prediction model, applicable to all validation locations, and making it possible to predict, for a second prediction duration less than the first prediction duration, a number of validations per time interval of unit duration and by place of validation forming predictions of short-term validations.
  • the reference validation predictions 25 are stored between two implementations of the module 18.
  • the long-term statistical prediction models are not stored after being calculated and applied for prediction.
  • the various parameters 27 defining the single short-term prediction model are stored in the electronic memory unit 12.
  • the single short-term prediction model is a neural network using a vector representation of the data as explained further below. detail below.
  • Modules 18 and 20 are for example implemented at a first execution frequency, for example every week.
  • the first prediction duration is for example equal to one day, the number of trained statistical prediction models being sufficient to predict a complete week, per place of validation and per time interval in the day.
  • the time interval has a chosen unit duration, for example equal to a quarter of an hour, to a half hour, to an hour.
  • the module 18 implements distinct statistical prediction models by place of validation, type of day of the week (working or non-working day) and day of the week. Such statistical prediction models will be described in detail below.
  • the second prediction duration is for example of the order of H hours, for example from 2 to 5 hours, the single short-term prediction model being suitable for, when it is implemented, predicting the validations for the set of validation locations during the H hours following the time instant of execution, in other words during the second prediction duration, by time intervals of unit duration.
  • the calculation processor 14 is further configured to implement, with a second execution frequency greater than the first execution frequency: a module 22 for aggregating the actual validation data by place of validation and by time interval of unit duration during a history period with respect to the time instant of execution, to obtain aggregated validation data;
  • two alert thresholds are considered, a first alert threshold indicating passenger discomfort induced by a larger crowd than that predicted by the reference validation predictions, and a second alert threshold indicating a risk of safety for passengers.
  • alerts can be transmitted via a notification system to one or more network operators.
  • the second execution frequency corresponds to the unit duration, for example the execution is carried out every 15 minutes.
  • the calculation processor 14 is configured to implement, optionally, a module 30 for monitoring/commanding equipment 32A, 32B, 32M of the network, these equipment being for example escalators (or escalators) or treadmills 32A, 32B gates, 32M display panels, etc., following the exceeding of one of the alert thresholds, in order to take corrective measures almost in real time.
  • a module 30 for monitoring/commanding equipment 32A, 32B, 32M of the network these equipment being for example escalators (or escalators) or treadmills 32A, 32B gates, 32M display panels, etc., following the exceeding of one of the alert thresholds, in order to take corrective measures almost in real time.
  • escalators or escalators
  • This control/command module 30 is for example programmed to automatically order corrective measures for slowing down access to certain stations or loading platforms of the transport network by: slowing down the speed of escalators or treadmills, modifying the direction some entry/exit portals; control displays on station panels; order modifications to the frequency of circulation of vehicles and the dynamic modification of timetables, or modification of the capacity of the vehicles put into circulation.
  • modules 18, 20, 22, 24, 26, 28 and 30 are implemented as software instructions forming a computer program, which when executed by a programmable electronic device, implements implement a process of automated supervision of the influx of short-term passengers in a transport network according to the invention.
  • the modules 18, 20, 22, 24, 26, 28 and 30 are each made in the form of programmable logic components, such as FPGAs (Field Programmable Gate Array), microprocessors, GPGPU components (General-purpose processing on graphics processing), or even dedicated integrated circuits, such as ASICs (Application Specific Integrated Circuit).
  • programmable logic components such as FPGAs (Field Programmable Gate Array), microprocessors, GPGPU components (General-purpose processing on graphics processing), or even dedicated integrated circuits, such as ASICs (Application Specific Integrated Circuit).
  • the computer program comprising software instructions is further capable of being recorded on a non-transitory and computer-readable information recording medium.
  • This computer-readable medium is, for example, a medium capable of storing electronic instructions and of being coupled to a bus of a computer system.
  • this medium is an optical disc, a magneto-optical disc, a ROM memory, a RAM memory, any type of non-volatile memory (for example EPROM, EEPROM, FLASH, NVRAM), a magnetic card or an optical card.
  • FIG. 2 is a flowchart of the main steps of an automated method for supervising the influx of short-term passengers in a transport network according to one embodiment.
  • the method comprises a preliminary step 40 for obtaining alert thresholds, consisting in configuring the first alert threshold indicating passenger discomfort induced by a larger crowd than that predicted by the reference validation predictions, and the second alert threshold indicating a safety risk for passengers.
  • these first and second alert thresholds are set by experts and stored for the transport network as a whole.
  • first and second alert thresholds are associated with the places of validation, according to information characterizing the transport network, e.g. size of the station, number or capacity of reception of the passages of platforms of loading/unloading at a station etc.
  • the method also includes a step 42 of learning and applying long-term statistical prediction models.
  • Step 42 is implemented at a first execution frequency, for example weekly, in order to make predictions of validation data for a following week, each statistical prediction model being adapted to make a prediction of the validations in the network transportation over a following week.
  • the statistical prediction models are auto-regressive prediction models for predicting time series, for example ARIMA models (for “Auto-Regressive Integrated Moving Average”).
  • step 42 includes the learning of eight time series statistical prediction models per validation location, one per day of the week, and another for public holidays.
  • the learning of a model is based on a history of previously memorized effective validation data. For example, for a given day of the week, e.g. a non-holiday Monday, the validation data of the Q preceding non-holiday Mondays recorded are extracted from the validation data 10 recorded, with for example Q between 10 and 30.
  • Figure 3 schematically illustrates an example of time series of validation numbers.
  • a time series 45 of numbers of validations recorded per time unit (or unit duration), for example per quarter of an hour, for a given validation location is illustrated in the form of a graph.
  • the x-axis is a time axis and the y-axis represents the number of commits in units of 1000 commits (1K).
  • a statistical prediction model e.g. ARIMA model
  • a prediction of validations i.e. a prediction of the number of validations per time interval of unit duration (e.g. quarter of an hour) for the day of the week considered. If we consider a time interval of a quarter of an hour, a whole day is represented by 96 points. The prediction then makes it possible to obtain a time series of 96 samples ⁇ n ⁇ , each sample of index i having a value ni being equal to the number of validations predicted for the time interval t. This makes it possible to predict the load according to the time of day, with a fine granularity.
  • the numbers of validations calculated by this prediction are subsequently called reference validations D1, which are stored until the next application of step 42.
  • the statistical prediction models are not stored, they are re-trained at the first chosen execution frequency, eg every week.
  • the method then comprises a step 44 of learning a short-term prediction model, for a second prediction duration, for example equal to 3 hours, and for all of the validation locations considered. .
  • this short-term prediction model is a dense and deep neural network including vector representations.
  • a dense neural network is composed of a succession of layers, each layer comprising a plurality of elements called neurons.
  • each neuron of a layer receives as input results provided by each neuron of the previous layer and calculates an output value, provided as input of the next layer.
  • Each input from a neuron is associated with a weight, also called synaptic weight, which is typically a real number.
  • the neuron performs a summation of its weighted inputs, the result of this summation being supplied to a function called the activation function.
  • the activation function is a function allowing to introduce a non-linearity in the treatment.
  • Various activation functions (hyperbolic, sigmoid, rectified linear) are applicable.
  • each neuron also applies a multiplicative factor called bias, the value delivered to the next layer is then the product of the bias value and the output value of the activation function.
  • the architecture of a deep neural network as described above is defined by the number of layers, the number of neurons per layer, the number of input and output parameters.
  • the neural network is also defined by the values of the various parameters (synaptic weights and, where appropriate, bias values), these values being obtained in a learning phase on training data.
  • the training makes it possible to determine values of the parameters of the neural network which minimize a distance between the predicted validation data and recorded actual validation data, e.g. the numbers of predicted and recorded validations per time interval of unit duration, the distance to be minimized being for example the mean square error.
  • the short-term prediction model is formed by a 5-layer neural network, implementing an activation function ReLU (for “Rectified Linear Unit”) and comprising a decreasing number of neurons per layer (e.g. 600, 480, 300, 240,12) for an input number of 1500 and an output number of 12.
  • the short-term prediction model provides 100x12 predicted numbers of validations.
  • the data provided as input to the neural network are for example:
  • first validation data which are effective validation data previously recorded, in the past with respect to the time instant of calculation, over a historical period, for example for each time interval, for example quarter-hourly on a duration of 12 hours, i.e. 12x4 time intervals per place of validation;
  • the vector representation of the places of validation and the matrix of distances are obtained from reference data of the transport network, these reference data being data which define the transport network (its topology, the number of lines, stations, platforms etc).
  • FIG. 4 schematically illustrates, on respective time axes T 1 and T2 , a segment 51 representative of the first validation data on the axis T1, and a segment 53 representative of the second validation data on the axis T2, with respect to a time instant of execution t considered. These two segments form the data supplied as input to the short-term prediction model.
  • the prediction model When implemented, the prediction model performs a prediction of the validation data over the second time duration (e.g. 3 hours), represented as segment 55 in Figure 4.
  • the second time duration e.g. 3 hours
  • steps 42 and 44 are repeated with a first execution frequency, for example weekly.
  • the method further comprises repeated steps with a second execution frequency, greater than the first execution frequency, for example every quarter of an hour.
  • the second execution frequency corresponds to the unit duration of the time interval.
  • steps 46 include a step 46 of aggregating the actual validation data by validation location and by time interval to obtain aggregated validation data. Since the actual validation data is provided at the most detailed level, per individual transaction, it is aggregated by station and over the time interval (e.g. last quarter of an hour) at each time interval, and stored for use in the step 48, combined with the previous aggregations. Aggregation will also be used later in step 42 and 44.
  • the method then includes a frequent prediction step 48, by applying the single prediction model, developed in step 44, for example the deep neural network, to obtain predicted validation data for the second duration of prediction (e.g. 3h), according to the time instant of execution, in other words, for the next 3 hours, and for each time interval and each place of validation.
  • the single prediction model developed in step 44, for example the deep neural network
  • the prediction model is applied at the frequent prediction step 48, as explained above, on a set of input data comprising first aggregated effective validation data, obtained over a history period, and second data of validations, which are predictions of reference validations, obtained at step 42.
  • step 48 provides, for each validation location, a predicted number of validations per time interval for the next H hours, eg the next 3 hours.
  • a comparison 50 is implemented which performs, by place of validation and by time interval, the comparison of the prediction of reference validations and the prediction of short-term validations.
  • the comparison consists in performing the difference, for each validation location and each time interval, between the predicted number of validations and the corresponding reference number of validations.
  • the prediction of short-term validations i.e. the number of validations predicted by the short-term prediction model, exceeds the prediction of reference validations, over the same time interval and the same place of validation, by a value greater than or equal to the first threshold the alert, an alert indicating a degradation of the quality of service (passenger comfort) is lifted at the step of raising the alert 52.
  • the alert an alert indicating a security risk for the passengers is lifted at alert lift step 52.
  • alerts are for example differentiated by an associated processing priority, the exceeding of the first alert threshold causing the lifting of an alert of first priority level, the exceeding of the second alert threshold causing the lifting of an alert of second priority level, higher than the first priority level. In other words, if the second alert threshold is exceeded, the processing priority is higher.
  • an alert transmitted for example to an alert notification system to be managed, indicating an overrun of the second alert threshold
  • network equipment such equipment being for example escalators or conveyor belts, gantries, display panels.
  • the speed of escalators, conveyor belts and entrance gates is reduced according to the alert to slow down the flow of passengers arriving at the platform and regulate the flow with queues upstream of the platform.
  • the supervision system receiving the alert informs the operators and can, for example, trigger a standard operating procedure, i.e. a predefined sequence of events provided for this use case.
  • alert thresholds under the reference function eg a third alert threshold which is a lower alert threshold
  • alert thresholds under the reference function eg a third alert threshold which is a lower alert threshold
  • Steps 42 and 44 form a first group 60 of process steps carried out repeatedly at the first execution frequency, for example weekly.
  • Steps 46 to 50 form a second group 62 of method steps, which are the frequent steps, carried out repeatedly at the second execution frequency which is preferably less than one hour, for example every 15 minutes or every 30 minutes.
  • Steps 52 and 54 are only performed when needed, following a positive comparison at step 50.
  • the proposed method provides a short-term prediction with good precision thanks to the combination of the stored actual validation data and reference validation data predicted by a long-term statistical prediction model.
  • the learning of the parameters, or in other words, the training, of the various prediction models is done at a first frequency while a short-term prediction is done at a second higher frequency, which makes it possible to save computational resources.
  • the learning of the models being carried out very regularly, for example on a weekly basis, this makes it possible to absorb the annual seasonalities.
  • the method presented carries out an automated regulation of the resources of the transport network according to the prediction of short-term affluence, making it possible both to improve the comfort and the safety of the passengers and to save resources (e.g. consumption electrical energy) from the network.
  • resources e.g. consumption electrical energy

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Elevator Control (AREA)
  • Traffic Control Systems (AREA)

Abstract

Ce procédé de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport comporte, à une première fréquence d'exécution, des étapes d'apprentissage et application (42) de modèles de prédiction statistique long terme permettant d'obtenir, pour une première durée de prédiction, des prédictions de validations de référence et d'apprentissage (44) d'un unique modèle de prédiction court terme, permettant d'obtenir, pour une deuxième durée de prédiction inférieure à la première durée de prédiction, des prédictions de validations court terme. A une deuxième fréquence d'exécution, supérieure à la première fréquence d'exécution : une agrégation (46) des données de validation effectives, une application (48) dudit unique modèle de prédiction court terme sur les données de validation agrégées, pour obtenir des prédictions de validations court terme. Une levée d'alerte (52) est prévue si la différence entre prédictions de validation de référence et à court terme dépasse un seuil d'alerte prédéterminé.

Description

DESCRIPTION
TITRE : Procédé et système de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport
La présente invention concerne un procédé et un système de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport, en particulier un réseau de transport ferré urbain.
L’invention se situe dans le domaine des systèmes de gestion automatisée des réseaux de transport urbains, par exemple des réseaux de métro, et plus généralement dans tout réseau de transport de passagers.
Dans de tels réseaux de transport, la régulation en fonction de l’affluence des passagers est critique, une affluence dépassant un certain seuil pouvant induire, au-delà de l’inconfort, des risques de sécurité pour les passagers.
Un réseau de transport de passagers, en particulier un réseau ferré urbain, 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, en général selon deux sens de circulation opposés.
De plus, un tel réseau de transport comporte, dans chaque station, 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 de validation des titres de transport, et chaque usager est muni d’un titre de transport, par exemple une carte lisible par un capteur, permettant de valider le titre de transport pour un trajet, une durée etc. Certains réseaux peuvent contenir de tels portiques de validation sur des plateformes d’accès à une pluralité de stations ou de plateformes du réseau. Plus généralement, on appellera lieu de validation tout lieu du réseau comportant un ou plusieurs portiques de validation de titres de transport.
Ainsi, le réseau de transport est équipé d’un système permettant d’enregistrer des données de validation de titres de transport, en lien avec un lieu de validation et une date de validation, par exemple d’entrée dans le réseau.
Les procédés et systèmes de prédiction d’affluence ou de charge des plateformes de chargement/déchargement d’un réseau de transport sont généralement basés sur un traitement des données de validation historiques pour une prédiction dite long terme, qui permet de dégager des prédictions de charge par exemple en fonction des journées de semaine ou de week-end, et en fonction d’horaires dans la journée, permettant ainsi de distinguer des périodes de forte affluence, et de caractériser la charge attendue, par exemple en semaine ouvrée pendant les créneaux généralement appelés « horaires de bureau ».
La prédiction de charge ou d’affluence permet à un opérateur, exploitant du réseau de transport, de prévoir divers paramètres du réseau, i.e. des paramètres de fonctionnement des véhicules et des équipements des stations, et également le nombre d’agents d’assistance en station, pour assurer la sécurité des passagers et pour maintenir leur confort. Par exemple, des véhicules de transport plus fréquents, de plus grande capacité, par exemple des véhicules à étage, sont prévus pour les jours et horaires de forte affluence, et à l’inverse, un espacement de la fréquence des véhicules est prévu aux horaires de faible affluence. En plus d’assurer la sécurité et la qualité de service, cela permet d’ajuster au mieux la consommation de ressources (par exemple, d’énergie électrique dépensée), l’usure des véhicules.
Néanmoins, de tels procédés de prédiction automatisés ne permettent pas de s’adapter en temps réel à des pics d’affluence inattendus, dus à des évènements qui ne sont pas récurrents sur une longue période temporelle, et donc il existe un risque de surcharge ou d’affluence trop important, non anticipé, qui peut aller jusqu’à compromettre la sécurité des passagers.
Un objectif de la présente invention est de remédier à cet inconvénient de l’état de la technique.
A cet effet, l’invention propose, selon un aspect, un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport, en particulier un réseau de transport ferré urbain, le réseau de transport comportant un ensemble de lieux de validations d’entrées et/ou de sorties de passagers et un système permettant d’enregistrer des données de validations effectives par lieu de validation. Ce procédé comporte les étapes suivantes mises en œuvre par un système de calcul: à une première fréquence d’exécution, o apprentissage et application de modèles de prédiction statistique long terme, chaque modèle de prédiction statistique long terme étant associé à un lieu de validation et étant calculé pour obtenir, pour une première durée de prédiction, une série temporelle de prédictions de nombres de validations par intervalle temporel de durée unitaire choisie, lesdites séries temporelles formant des prédictions de validations de référence ; o apprentissage d’un unique modèle de prédiction court terme, applicable pour l’ensemble des lieux de validation, et permettant de prédire, pour une deuxième durée de prédiction inférieure à la première durée de prédiction, un nombre de validations par intervalle temporel de durée unitaire et par lieu de validation formant des prédictions de validations court terme ; à une deuxième fréquence d’exécution, supérieure à la première fréquence d’exécution, des étapes mises en œuvre à un instant temporel d’exécution : o agrégation des données de validation effectives par lieu de validation et par intervalle temporel de durée unitaire durant une période d’historique par rapport à l’instant temporel d’exécution, pour obtenir des données de validation agrégées, o application dudit unique modèle de prédiction court terme sur les données de validation agrégées, pour obtenir des prédictions de validations court terme sur la deuxième durée de prédiction, par lieu de validation et par intervalle temporel ; o comparaison, par lieu de validation et par intervalle temporel, de la prédiction de validations de référence et de la prédiction de validations à court terme, et en cas de différence supérieure à un seuil d’alerte prédéterminé, levée d’alerte.
Avantageusement, le procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport permet de prédire des nombres de validations sur des intervalles temporels suivant un instant temporel d’exécution, prenant en compte des données récentes permettant ainsi de capter des changements par rapport à des prédictions de validations de référence, calculées à une fréquence moins élevée. Le procédé est ainsi apte à apporter une meilleure prévision d’affluence en cas de changement ponctuel non récurrent.
Avantageusement, une alerte est levée en cas de constatation d’un changement, supérieur à un premier seuil prédéterminé, par rapport aux prédictions de validations de référence.
Le procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport selon l’invention peut également présenter une ou plusieurs des caractéristiques ci-dessous, prises indépendamment ou selon toutes les combinaisons techniquement envisageables.
Si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un premier seuil d’alerte pour au moins un lieu de validation, une alerte de premier niveau de priorité est levée.
Si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un deuxième seuil d’alerte pour au moins un lieu de validation, une alerte de deuxième niveau de priorité est levée, le procédé comportant en outre une mise en œuvre en temps réel d’une mesure corrective dans le réseau de transport permettant de réguler le flux de passagers arrivant sur des plateformes associées au lieu de validation.
Si la prédiction de validations de référence dépasse la prédiction de validations à court terme d’une valeur supérieure à un troisième seuil d’alerte pour au moins un lieu de validation, une mesure de régulation d’équipements du réseau est mise en œuvre.
L’unique modèle de prédiction court terme prend en entrée en outre des prédictions de validations de référence sur une période ultérieure à l’instant temporel d’exécution et des données de référence du réseau de transport.
Les données de référence du réseau de transport incluent des données vectorielles représentatives des lieux de validation et des données vectorielles représentatives de distances entre lieux de validation du réseau de transport.
L’unique modèle de prédiction court terme est un réseau de neurones profond comportant une pluralité de couches, entraîné sur des données de validations effectives pour effectuer la prédiction de validations court terme pour chaque lieu de validation et chaque intervalle temporel.
Chaque modèle de prédiction statistique long terme est un modèle auto-régressif adapté pour prédire une série temporelle de nombres de validations de référence.
La première fréquence d’exécution est égale à une semaine, la première durée de prédiction est égale à un jour, le procédé comportant un apprentissage d’un modèle de prédiction statistique long terme par jour de la semaine, par type de jour de la semaine et par lieu de validation, sur la base de données de validation effectives collectées pour un même jour de la semaine, de même type et pour ledit lieu de validation.
La deuxième fréquence d’exécution est inférieure à une heure, ladite deuxième durée de prédiction est égale à un nombre d’heures, et la durée unitaire d’intervalle temporel est égale à un quart d’heure.
Selon un autre aspect, l’invention concerne un système de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport, en particulier un réseau de transport ferré urbain, le réseau de transport comportant un ensemble de lieux de validations d’entrées et/ou de sorties de passagers et un système permettant d’enregistrer des données de validations effectives par lieu de validation. Ce système de supervision automatisée comporte un système de calcul configuré pour mettre en oeuvre: à une première fréquence d’exécution, o un module d’apprentissage et d’application de modèles de prédiction statistique long terme, chaque modèle de prédiction statistique long terme étant associé à un lieu de validation et étant calculé pour obtenir, pour une première durée de prédiction, une série temporelle de prédictions de nombres de validations par intervalle temporel de durée unitaire choisie, lesdites séries temporelles formant des prédictions de validations de référence ; o un module d’apprentissage d’un unique modèle de prédiction court terme, applicable pour l’ensemble des lieux de validation, et permettant de prédire, pour une deuxième durée de prédiction inférieure à la première durée de prédiction, un nombre de validations par intervalle temporel de durée unitaire et par lieu de validation formant des prédictions de validations court terme ; à une deuxième fréquence d’exécution, supérieure à la première fréquence d’exécution, à un instant temporel d’exécution : o un module d’agrégation des données de validation effectives par lieu de validation et par intervalle temporel de durée unitaire durant une période d’historique par rapport à l’instant temporel d’exécution, pour obtenir des données de validation agrégées, o un module d’application dudit unique modèle de prédiction court terme sur les données de validation agrégées, pour obtenir des prédictions de validations court terme sur la deuxième durée de prédiction, par lieu de validation et par intervalle temporel ; o un module de comparaison, par lieu de validation et par intervalle temporel, de la prédiction de validations de référence et de la prédiction de validations à court terme, et en cas de différence supérieure à un seuil d’alerte prédéterminé, un module de levée d’alerte.
Ce système est configuré pour mettre en œuvre un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport tel que brièvement décrit ci-dessus, selon tous ses modes de réalisation.
Selon une caractéristique, si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un premier seuil d’alerte pour au moins un lieu de validation, le module de levée d’alerte est configuré pour lever une alerte de premier niveau de priorité.
Selon une caractéristique, si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un deuxième seuil d’alerte pour au moins un lieu de validation, le module de levée d’alerte est configuré pour lever une alerte de deuxième niveau de priorité, le système comportant en outre un module de mise en œuvre en temps réel d’une mesure corrective dans le réseau de transport permettant de réguler le flux de passagers arrivant sur des plateformes associées au lieu de validation
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 supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport tel que brièvement décrit ci-dessus, lorsque ces instructions sont exécutées par un dispositif électronique 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 électronique programmable, mettent en œuvre un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport 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 :
[Fig 1] la figure 1 est un exemple schématique de système de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport selon un mode de réalisation de l’invention ;
[Fig 2] la figure 2 est un synoptique des principales étapes d’un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport selon un mode de réalisation de l’invention ;
[Fig 3] la figure 3 est une représentation graphique schématique de séries temporelles de nombres de validations ;
[Fig 4] la figure 4 illustre schématiquement la répartition temporelle de données de validation en entrée et sortie de la prédiction court terme selon un mode de réalisation.
L’invention sera décrite ci-après dans son application dans la supervision d’un réseau de transport ferré urbain, typiquement un réseau de métro.
La figure 1 illustre schématiquement un système de supervision 2 d’un réseau de transport de passagers.
Le système de supervision comprend des capteur 4A...4N, par exemple intégrés dans des portiques de validation, appelés simplement portiques par la suite, configurés pour récupérer des données de validation de titres de transport de voyageurs, par exemple des données de validation d’entrée lors de l’entrée dans le réseau de transport et/ou des données de validation de sortie du réseau de transport.
Dans un mode de réalisation, les données de validation utilisées sont les données de validation d’entrée, une validation de titre de transport, appelée ci-après validation effective, étant enregistrée lorsqu’un passager présente son titre de transport à son entrée dans le réseau de transport.
Chaque capteur 4A ... 4N est associé à une localisation spatiale dans le réseau, par exemple à une station.
Une donnée de validation comporte un identifiant de localisation spatiale dans le réseau, et une information de datation comportant une date/heure de validation. L’information de datation peut également comporter une indication de jour de la semaine. L’heure est indiquée sous toute forme standard connue, par exemple heure/minutes/secondes sur un intervalle de 24h.
De plus, une donnée de validation comprend, dans un mode de réalisation, un identifiant de titre de transport.
Le système de supervision comprend également un système de calcul central 6, comportant un ou plusieurs dispositifs électroniques programmables (e.g. des ordinateurs) adaptés à communiquer entre eux.
Dans un mode de réalisation, le système de calcul 6 est un dispositif électronique programmable.
Ce système de calcul comporte une interface de communication 8 adaptée à communiquer avec les capteurs 4A à 4N, par un protocole de communication filaire ou sans fil, l’interface de communication 8 étant notamment adaptée à recevoir les données de validations effectives récupérées par les capteurs. Ces données de validation effectives 10 sont mémorisées au fur et à mesure dans une unité de mémoire électronique 12, adaptée à mémoriser des données.
Le système de calcul 6 comporte en outre une unité électronique de calcul 14, composée d’un ou plusieurs processeur(s) de calcul, adaptée à communiquer avec l’unité de mémoire électronique 12 et avec l’interface de communication 8 via un bus de communication de données.
Le processeur de calcul 14 est apte à exécuter des calculs et des instructions de code de programme d’ordinateur ou instructions logicielles lorsque le dispositif électronique programmable 6 est mis sous tension.
Le processeur de calcul 14 est configuré exécuter pour des modules réalisés sous forme d’instructions logicielles pour mettre en œuvre un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport selon l’invention.
Ces modules comprennent : un module 18 d’apprentissage et d’application de modèles de prédiction statistique long terme, chaque modèle de prédiction statistique long terme étant associé à un lieu de validation et étant calculé pour obtenir, pour une première durée de prédiction, une série temporelle de prédictions de nombres de validations par intervalle temporel de durée unitaire choisie, lesdites séries temporelles formant des prédictions de validations de référence ; un module 20 d’apprentissage d’un unique modèle de prédiction court terme, applicable à l’ensemble des lieux de validation, et permettant de prédire, pour une deuxième durée de prédiction inférieure à la première durée de prédiction, un nombre de validations par intervalle temporel de durée unitaire et par lieu de validation formant des prédictions de validations court terme.
Les prédictions de validations de référence 25 sont mémorisées entre deux mises en œuvre du module 18.
Dans un mode de réalisation, les modèles de prédiction statistique long terme ne sont pas mémorisés après avoir été calculés et appliqués pour la prédiction.
Les divers paramètres 27 définissant l’unique modèle de prédiction court terme sont mémorisés dans l’unité de mémoire électronique 12. Par exemple, l’unique modèle de prédiction court terme est un réseau de neurones utilisant une représentation vectorielle des données comme expliqué plus en détail ci-après.
Les modules 18 et 20 sont par exemple mis en œuvre à une première fréquence d’exécution, par exemple toutes les semaines.
La première durée de prédiction est par exemple égale à une journée, le nombre de modèles de prédiction statistique entraînés étant suffisant pour prédire une semaine complète, par lieu de validation et par intervalle temporel dans la journée. L’intervalle temporel a une durée unitaire choisie, par exemple égale au quart d’heure, à la demi-heure, à l’heure.
De préférence, une distinction entre jours ouvrés et jours non ouvrés (week-end ou jours fériés) est effectuée.
De préférence, le module 18 met en œuvre des modèles de prédiction statistique distincts par lieu de validation, type de jour de la semaine (jour ouvré ou non ouvré) et jour de la semaine. De tels modèles de prédiction statistique seront décrits en détail ci-après.
La deuxième durée de prédiction est par exemple de l’ordre de H heures, par exemple de 2 à 5 heures, l’unique modèle de prédiction court terme étant adapté pour, lorsqu’il est mis en œuvre, prédire les validations pour l’ensemble des lieux de validation pendant les H heures suivant l’instant temporel d’exécution, en d’autres termes pendant la deuxième durée de prédiction, par intervalles temporels de durée unitaire.
Le processeur de calcul 14 est en outre configuré pour mettre en œuvre, avec une deuxième fréquence d’exécution supérieure à la première fréquence d’exécution : -un module 22 d’agrégation des données de validation effectives par lieu de validation et par intervalle temporel de durée unitaire durant une période d’historique par rapport à l’instant temporel d’exécution, pour obtenir des données de validation agrégées ;
-un module 24 d’application de l’unique modèle de prédiction court terme sur les données de validation agrégées, pour obtenir des prédictions de validations court terme sur la deuxième durée de prédiction, par lieu de validation et par intervalle temporel de durée unitaire;
-un module 26 de comparaison des prédictions de validations de référence et des prédictions de validation à court terme et
-un module 28 d’alerte en cas de dépassement de seuils d’alerte.
En particulier, deux seuils d’alerte sont considérés, un premier seuil d’alerte indiquant un inconfort des passagers induit par une affluence plus importante que celle prévue par les prédictions de validations de référence, et un deuxième seuil d’alerte indiquant un risque de sécurité pour les passagers.
Ces alertes peuvent être transmises via un système de notification à un ou plusieurs opérateurs du réseau.
De préférence, la deuxième fréquence d’exécution correspond à la durée unitaire, par exemple l’exécution est effectuée toutes les 15 minutes.
De plus, le processeur de calcul 14 est configuré pour mettre en œuvre, optionnellement, un module 30 de contrôle/commande d’équipements 32A, 32B, 32M du réseau, ces équipements étant par exemple des escaliers mécaniques (ou escalators) ou tapis roulants 32A, des portiques 32B, des panneaux d’affichage 32M etc, suite au dépassement d’un des seuils d’alerte, afin de prendre des mesures correctives quasiment en temps réel. Bien entendu la liste d’équipements 32A à 32M n’est pas exhaustive.
Ce module 30 de contrôle/commande est par exemple programmé pour automatiquement commander des mesures correctives de ralentissement de l’accès à certaines stations ou plateformes de chargement du réseau de transport par : ralentissement de la vitesse des escalators ou tapis roulants, modification de la direction de certains portails d’entrée/sortie ; commander des affichages sur des panneaux de station ; commander des modifications de la fréquence de circulation de véhicules et la modification dynamique des tables d’horaires, ou modification de capacité des véhicules mis en circulation.
Dans un mode de réalisation, les modules 18, 20, 22, 24, 26, 28 et 30 sont réalisés sous forme d’instructions logicielles formant un programme d’ordinateur, qui, lorsqu’il est exécuté par un dispositif électronique programmable, met en œuvre un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport selon l’invention.
En variante non représentée, les modules 18, 20, 22, 24 26, 28 et 30 sont réalisés chacun sous forme de composants logiques programmables, tels que des FPGA (de l’anglais Field Programmable Gate Array), des microprocesseurs, des composants GPGPU (de l’anglais General-purpose processing on graphies processing), ou encore de circuits intégrés dédiés, tels que des ASIC (de l’anglais Application Specific Integrated Circuit).
Le programme d’ordinateur comportant des instructions logicielles est en outre apte à être enregistré sur un support d’enregistrement d’informations, non-transitoire et lisible par ordinateur. Ce support lisible par ordinateur est par exemple, un médium apte à mémoriser les instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, ce support est un disque optique, un disque magnéto- optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non-volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique.
La figure 2 est un logigramme des principales étapes d’un procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport selon un mode de réalisation.
Le procédé comprend une étape préliminaire 40 d’obtention de seuils d’alerte, consistant à configurer le premier seuil d’alerte indiquant un inconfort des passagers induit par une affluence plus importante que celle prévue par les prédictions de validations de référence, et le deuxième seuil d’alerte indiquant un risque de sécurité pour les passagers.
Dans un mode de réalisation, ces premier et deuxième seuils d’alerte sont fixés par des experts et mémorisés pour le réseau de transport dans son ensemble.
Dans un mode de réalisation alternatif, des premier et deuxième seuils d’alerte sont associés aux lieux de validation, en fonction d’informations caractérisant le réseau de transport, e.g. taille de la station, nombre ou capacités d’accueil des passages de plateformes de chargement/déchargement dans une station etc.
Ces premier et deuxième seuils d’alerte sont mémorisés.
Le procédé comprend également une étape 42 d’apprentissage et d’application de modèles de prédiction statistique long terme. L’étape 42 est mise en œuvre à une première fréquence d’exécution, par exemple hebdomadaire, afin de réaliser des prédictions de données de validation pour une semaine suivante, chaque modèle de prédiction statistique étant adapté pour réaliser une prédiction des validations dans le réseau de transport sur une semaine suivante. Dans un mode de réalisation, les modèles de prédiction statistique sont des modèles de prédiction auto-régressifs de prédiction de séries temporelles, par exemple des modèles ARIMA (pour « Auto-Regressive Integrated Moving Average »).
Par exemple l’étape 42 comprend l’apprentissage de huit modèles de prédiction statistique de séries temporelles par lieu de validation, un par jour de la semaine, et un autre pour les jours fériés.
Ainsi, pour un réseau comportant P lieux de validation (7+1 )xP modèles de prédiction statistique sont mis au point.
L’apprentissage d’un modèle est basé sur un historique de données de validations effectives préalablement mémorisées. Par exemple, pour un jour donné de la semaine, e.g. un lundi non férié, des données de validations des Q précédents lundis non férié enregistrées sont extraites des données de validations 10 enregistrées, avec par exemple Q compris entre 10 et 30.
La figure 3 illustre schématiquement un exemple de séries temporelles de nombres de validations. Dans cet exemple, une série temporelle 45 de nombres de validations enregistrées par unité temporelle (ou durée unitaire), par exemple par quart d’heure, pour un lieu de validation donné, est illustrée sous forme de graphe. L’axe des abscisses est un axe temporel et l’axe des ordonnées représente le nombre de validations par unités de 1000 validation (1 K).
Des séries temporelles 43A, 43B, 43C correspondant au jour de la semaine choisi, e.g. le lundi, lorsqu’il ne s’agit pas d’un jour férié, sont extraites et agrégées pour former une nouvelle série temporelle 45, qui est utilisée comme séquence d’entraînement pour l’apprentissage d’un modèle de prédiction statistique (e.g. modèle ARIMA).
L’apprentissage permet d’obtenir les coefficients du modèle à appliquer pour obtenir une prédiction de validations, i.e. une prédiction de nombres de validations par intervalle temporel de durée unitaire (e.g. quart d’heure) pour le jour de la semaine considéré. Si on considère un intervalle temporel d’un quart d’heure, une journée entière est représentée par 96 points. La prédiction permet alors d’obtenir une série temporelle de 96 échantillons {n}, chaque échantillons d’indice i ayant une valeur ni étant égale au nombre de validations prédit pour l’intervalle temporel t. Cela permet de prédire la charge selon le moment de la journée, avec une granularité fine.
Les nombres de validations calculés par cette prédiction sont appelés par la suite validations de référence D1 , qui sont mémorisées jusqu’à l’application suivante de l’étape 42. Dans un mode de réalisation, les modèles de prédiction statistique ne sont pas mémorisés, ils sont ré-entraînés à la première fréquence d’exécution choisie, e.g. chaque semaine.
De retour à la figure 2, le procédé comprend ensuite une étape 44 d’apprentissage d’un modèle de prédiction court terme, pour une deuxième durée de prédiction, par exemple égale à 3 heures, et pour l’ensemble des lieux de validation considérés.
De préférence, ce modèle de prédiction court terme est un réseau de neurones dense et profond incluant des représentations vectorielles.
De manière connue, un réseau de neurones dense est composé d’une succession de couches, chaque couche comprenant une pluralité d’éléments appelés neurones. Dans un réseau de neurones dense, chaque neurone d’une couche reçoit en entrée de résultats fournis par chaque neurone de la couche précédente et calcule une valeur de sortie, fournie en entrée de la couche suivante. Chaque entrée d’un neurone est associée à un poids, également appelé poids synaptique, qui est typiquement un nombre réel. Le neurone effectue une sommation de ses entrées pondérées, le résultat de cette sommation étant fourni à une fonction dite fonction d’activation. La fonction d’activation est une fonction permettant d’introduire une non-linéarité dans le traitement. Diverses fonctions d’activation (hyperbolique, sigmoïde, linéaire rectifiée) sont applicables. En complément optionnel, chaque neurone applique en outre un facteur multiplicatif appelé biais, la valeur délivrée à la couche suivante est alors le produit de la valeur de biais et de la valeur de sortie de la fonction d’activation.
L’architecture d’un réseau de neurones profond tel que décrit ci-dessus est définie par le nombre de couches, le nombre de neurones par couche, le nombre de paramètres d’entrée et de sortie.
Le réseau de neurones est également défini par les valeurs des divers paramètres (poids synaptiques et, le cas échéant, valeurs de biais), ces valeurs étant obtenues dans une phase d’apprentissage sur des données d’entraînement.
Par exemple, l’entrainement permet de déterminer des valeurs des paramètres du réseau de neurones qui minimisent une distance entre les données de validation prédites et des données de validation effectives enregistrées, e.g. les nombres de validations prédites et enregistrées par intervalle temporel de durée unitaire, la distance à minimiser étant par exemple l’erreur quadratique moyenne.
Dans son application dans le procédé décrit, le réseau de neurones profond forme un modèle de prédiction court terme permettant de prédire, pour chaque intervalle temporel (e.g. quart d’heure) de la deuxième période de prédiction (e.g. H=3 heures), un nombre de validations pour chaque lieu de validation du réseau de transport. A titre d’exemple non limitatif, le modèle de prédiction court terme est formé par un réseau de neurones à 5 couches, mettant en œuvre une fonction d’activation ReLU (pour « Rectified Linear Unit ») et comportant un nombre décroissant de neurones par couche (par exemple 600, 480, 300, 240,12) pour un nombre d’entrée de 1500 et un nombre de sortie de 12.
Par exemple, pour un réseau comportant L=100 lieux de validation, le modèle de prédiction court terme fournit 100x12 nombres de validations prédits.
Les données fournies en entrée du réseau de neurones sont par exemple :
- une représentation vectorielle des lieux de validation, les lieux de validation étant les stations du réseau de transport dans un cas d’application ;
- une matrice de distances, représentative de distances entre lieux de validation, par exemple en utilisant une distance de 1 entre lieux adjacents sur une ligne du réseau ; une représentation vectorielle des jours de la semaine et d’une valeur booléenne représentant un jour férié ; une représentation vectorielle des indices d’intervalles temporels à prédire, par exemple numérotés de 0 à 95 sur une journée lorsque la durée d’intervalle temporel est d’un quart d’heure ; des premières données de validations, qui sont des données de validations effectives préalablement enregistrées, dans le passé par rapport à l’instant temporel de calcul, sur une durée d’historique, par exemple pour chaque intervalle temporel par exemple au quart d’heure sur une durée de 12 heures, soit 12x4 intervalles temporels par lieu de validation ;
- des deuxièmes données de validations, qui sont des prédictions de validation de référence, prédites à l’étape 42, pour chaque lieu de validation, pour la deuxième durée de prédiction, par exemple pour les 3 heures démarrant à l’instant temporel de calcul, pour chaque intervalle temporel par exemple au quart d’heure, soit 3x4 = 12 valeurs (le nombre de sortie du modèle).
La représentation vectorielle des lieux de validation et la matrice de distances sont obtenues à partir de données de référence du réseau de transport, ces données de références étant des données qui définissent le réseau de transport (sa topologie, le nombre de lignes, de stations, de plateformes etc).
Avantageusement, l’utilisation des prédictions de validations de référence en entrée du modèle de prédiction court terme, ces prédictions de validations de référence étant par exemple calculées en début de semaine, permet de corriger le modèle en fonction d’informations récentes. La figure 4 illustre schématiquement, sur des axes temporels respectifs T 1 et T2, un segment 51 représentatif des premières données de validation sur l’axe T1 , et un segment 53 représentatif des deuxièmes données de validation sur l’axe T2, par rapport à un instant temporel d’exécution t considéré. Ces deux segments forment les données fournies en entrée du modèle de prédiction court terme.
Lorsqu’il est mis en œuvre, le modèle de prédiction réalise une prédiction des données de validations sur la deuxième durée temporelle (e.g. 3 heures), représentées sous forme de segment 55 à la figure 4.
Comme déjà indiqué ci-dessus, les étapes 42 et 44 sont répétées avec une première fréquence d’exécution, par exemple hebdomadaire.
Le procédé comprend en outre des étapes répétées avec une deuxième fréquence d’exécution, supérieure à la première fréquence d’exécution, par exemple tous les quarts d’heure. Ainsi la deuxième fréquence d’exécution correspond à la durée unitaire d’intervalle temporel.
Ces étapes comprennent une étape 46 d’agrégation des données de validation effectives par lieu de validation et par intervalle temporel pour obtenir des données de validation agrégées. Les données de validation effectives étant fournies au niveau le plus détaillé, par transaction individuelle, elles sont agrégées par station et sur l’intervalle temporel (e.g. dernier quart d’heure) à chaque intervalle temporel, et stockées pour pouvoir être utilisés dans l’étape 48, combinées aux agrégations précédentes. L’agrégation sera aussi utilisée plus tard dans l’étape 42 et 44.
Le procédé comporte ensuite une étape de prédiction fréquente 48, par application de l’unique modèle de prédiction, mis au point à l’étape 44, par exemple le réseau de neurones profond, pour obtenir des données de validations prédites pour la deuxième durée de prédiction (e.g. 3h), suivant l’instant temporel d’exécution, en d’autres termes, pour les 3 prochaines heures, et pour chaque intervalle temporel et chaque lieu de validation.
Le modèle de prédiction est appliqué à l’étape de prédiction fréquente 48, comme expliqué ci-dessus, sur un ensemble de données d’entrée comportant des premières données de validations effectives agrégées, obtenues sur une durée d’historique, et des deuxièmes données de validations, qui sont des prédictions de validations de référence, obtenues à l’étape 42.
A l’issue de l’étape de prédiction fréquente 48 sont obtenues des prédictions de validations D2 à court terme. En particulier, l’étape 48 fournit, pour chaque lieu de validation, un nombre de validations prédit par intervalle temporel pour les H prochaines heures, e.g. les 3 prochaines heures.
Ensuite est mise en œuvre une comparaison 50 qui effectue, par lieu de validation et par intervalle temporel, la comparaison de la prédiction de validations de référence et de la prédiction de validations à court terme. Par exemple, la comparaison consiste à effectuer la différence, pour chaque lieu de validation et chaque intervalle temporel, entre le nombre de validations prédit et le nombre de validations de référence correspondant.
Si la prédiction de validations court terme, ie le nombre de validations prédit par le modèle de prédiction court terme, dépasse la prédiction de validations de référence, sur un même intervalle temporel et un même lieu de validation, d’une valeur supérieure ou égale au premier seuil l’alerte, une alerte indiquant une dégradation de la qualité de service (confort des passagers) est levée à l’étape de levée d’alerte 52.
Si la prédiction de validations court terme dépasse la prédiction de validations de référence, sur un même intervalle temporel et un même lieu de validation, d’une valeur supérieure ou égale au deuxième seuil l’alerte, une alerte indiquant un risque de sécurité pour les passagers est levée à l’étape de levée d’alerte 52.
Ainsi, dès que le nombre de validations prédit est supérieur au nombre de validations de référence correspondant d’une valeur supérieure ou égale au premier seuil d’alerte, une alerte est levée.
Ces alertes sont par exemple différenciées par une priorité de traitement associée, le dépassement du premier seuil d’alerte provoquant la levée d’une alerte de premier niveau de priorité, le dépassement du deuxième seuil d’alerte provoquant la levée d’une alerte de deuxième niveau de priorité, supérieur au premier niveau de priorité. En d’autres termes, en cas de dépassement du deuxième seuil d’alerte, la priorité de traitement est supérieure.
Suite à une alerte, transmise par exemple vers un système de notifications d’alertes à gérer, indiquant un dépassement du deuxième seuil d’alerte, il est également prévu, dans un mode de réalisation, d’effectuer un contrôle/com mande automatique d’équipements réseau, ces équipements étant par exemple des escalators ou tapis roulants, des portiques, des panneaux d’affichage. Par exemple, la vitesse des escalators, tapis roulants et portiques d’entrée est diminuée en fonction de l’alerte pour ralentir le flux des passagers arrivant en plateforme et réguler le flux avec des files d’attente en amont de la plateforme. Le système de supervision recevant l’alerte informe les opérateurs et peut par exemple déclencher une procédure d’opération standard, c’est-à-dire une séquence d’évènements prédéfinie prévue pour ce cas d’usage.
Il sera possible aussi de définir des seuil d’alertes sous le fonctionnent de référence (eg un troisième seuil d’alerte qui est un seuil d’alerte inferieur) afin d’alerter et de de réguler automatiquement des équipements électriques consommateurs d’énergie électrique comme la climatisation. Par exemple, si la différence entre la prédiction de validations de référence, et la prédiction de validations court terme, sur un même intervalle temporel et un même lieu de validation, est un nombre positif supérieur audit troisième seuil d’alerte, une alerte de régulation des ressources est levée.
Cela permet d’ajuster leur fonctionnement en prévision d’un flux de passager prédit de façon consécutive plusieurs fois sous le seuil d’alerte inferieur, par exemple une prédiction basse pour une station pour les 2 prochaines heures.
Les étapes 42 et 44 forment un premier groupe 60 d’étapes du procédé effectuées répétitivement à la première fréquence d’exécution, par exemple hebdomadaire.
Les étapes 46 à 50 forment un deuxième groupe 62 d’étapes du procédé, qui sont les étapes fréquentes, effectuées répétitivement à la deuxième fréquence d’exécution qui est de préférence inférieure à une heure, par exemple toutes les 15 minutes ou toutes les 30 minutes.
Les étapes 52 et 54 ne sont effectuées qu’en cas de besoin, suite à une comparaison positive à l’étape 50.
Avantageusement, le procédé proposé fournit une prédiction court terme avec une bonne précision grâce à la combinaison des données de validations effectives mémorisées et de données de validations de référence prédites par un modèle de prédiction statistique long terme.
Avantageusement, l’apprentissage des paramètres, ou en d’autres termes, l’entraînement, des divers modèles de prédiction se fait à une première fréquence alors qu’une prédiction court terme se fait à une deuxième fréquence plus élevée, ce qui permet d’économiser des ressources calculatoires.
Avantageusement, l’apprentissage des modèles s’effectuant très régulièrement, par exemple à fréquence hebdomadaire, cela permet d’absorber les saisonnalités annuelles.
Avantageusement, le procédé présenté réalise une régulation automatisée des ressources du réseau de transport en fonction de la prédiction d'affluence à court terme, permettant à la fois d’améliorer le confort et la sécurité des passagers et d’économiser des ressources (e.g. consommation d’énergie électrique) du réseau.

Claims

REVENDICATIONS
1. Procédé de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport, en particulier un réseau de transport ferré urbain, le réseau de transport comportant un ensemble de lieux de validations d’entrées et/ou de sorties de passagers et un système permettant d’enregistrer des données de validations effectives par lieu de validation, le procédé étant caractérisé en ce qu’il comporte les étapes suivantes mises en œuvre par un système de calcul (6): à une première fréquence d’exécution, o apprentissage et application (42) de modèles de prédiction statistique long terme, chaque modèle de prédiction statistique long terme étant associé à un lieu de validation et étant calculé pour obtenir, pour une première durée de prédiction, une série temporelle de prédictions de nombres de validations par intervalle temporel de durée unitaire choisie, lesdites séries temporelles formant des prédictions de validations de référence ; o apprentissage (44) d’un unique modèle de prédiction court terme, applicable pour l’ensemble des lieux de validation, et permettant de prédire, pour une deuxième durée de prédiction inférieure à la première durée de prédiction, un nombre de validations par intervalle temporel de durée unitaire et par lieu de validation formant des prédictions de validations court terme ; à une deuxième fréquence d’exécution, supérieure à la première fréquence d’exécution, des étapes mises en œuvre à un instant temporel d’exécution : o agrégation (46) des données de validation effectives par lieu de validation et par intervalle temporel de durée unitaire durant une période d’historique par rapport à l’instant temporel d’exécution, pour obtenir des données de validation agrégées, o application (48) dudit unique modèle de prédiction court terme sur les données de validation agrégées, pour obtenir des prédictions de validations court terme sur la deuxième durée de prédiction, par lieu de validation et par intervalle temporel ; o comparaison (50), par lieu de validation et par intervalle temporel, de la prédiction de validations de référence et de la prédiction de validations à court terme, et en cas de différence supérieure à un seuil d’alerte prédéterminé, levée d’alerte (52).
2. Procédé selon la revendication 1 , dans lequel, si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un premier seuil d’alerte pour au moins un lieu de validation, une alerte de premier niveau de priorité est levée.
3. Procédé selon la revendication 1 ou 2, dans lequel, si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un deuxième seuil d’alerte pour au moins un lieu de validation, une alerte de deuxième niveau de priorité est levée, le procédé comportant en outre une mise en œuvre (54) en temps réel d’une mesure corrective dans le réseau de transport permettant de réguler le flux de passagers arrivant sur des plateformes associées au lieu de validation.
4. Procédé selon l’une des revendications 1 à 3, dans lequel, si la prédiction de validations de référence dépasse la prédiction de validations à court terme d’une valeur supérieure à un troisième seuil d’alerte pour au moins un lieu de validation, une mesure de régulation d’équipements du réseau est mise en œuvre.
5. Procédé selon l’une des revendications 1 à 4, dans lequel l’unique modèle de prédiction court terme prend en entrée en outre des prédictions de validations de référence sur une période ultérieure à l’instant temporel d’exécution et des données de référence du réseau de transport.
6. Procédé selon la revendication 5, dans lequel les données de référence du réseau de transport incluent des données vectorielles représentatives des lieux de validation et des données vectorielles représentatives de distances entre lieux de validation du réseau de transport.
7. Procédé selon l’une quelconque des revendications 1 à 6, dans lequel ledit unique modèle de prédiction court terme est un réseau de neurones profond comportant une pluralité de couches, entraîné sur des données de validations effectives pour effectuer la prédiction de validations court terme pour chaque lieu de validation et chaque intervalle temporel.
8. Procédé selon l’une quelconque des revendications 1 à 7, dans lequel chaque modèle de prédiction statistique long terme est un modèle auto-régressif adapté pour prédire une série temporelle de nombres de validations de référence.
9. Procédé selon l’une quelconque des revendications 1 à 8 dans lequel ladite première fréquence d’exécution est égale à une semaine, la première durée de prédiction est égale à un jour, le procédé comportant un apprentissage d’un modèle de prédiction statistique long terme par jour de la semaine, par type de jour de la semaine et par lieu de validation, sur la base de données de validation effectives collectées pour un même jour de la semaine, de même type et pour ledit lieu de validation.
10. Procédé selon l’une quelconque des revendications 1 à 9, dans lequel ladite deuxième fréquence d’exécution est inférieure à une heure, ladite deuxième durée de prédiction est égale à un nombre d’heures, et la durée unitaire d’intervalle temporel est égale à un quart d’heure. 19
11. Programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont mises en œuvre par un dispositif électronique programmable, mettent en œuvre de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport conforme aux revendications 1 à 10.
12. Système de supervision automatisée de l’affluence de passagers à court terme dans un réseau de transport, en particulier un réseau de transport ferré urbain, le réseau de transport comportant un ensemble de lieux de validations d’entrées et/ou de sorties de passagers et un système permettant d’enregistrer des données de validations effectives par lieu de validation, le système de supervision automatisée étant caractérisé en ce qu’il comporte un système de calcul (6) configuré pour mettre en œuvre: à une première fréquence d’exécution, o un module d’apprentissage et d’application (18) de modèles de prédiction statistique long terme, chaque modèle de prédiction statistique long terme étant associé à un lieu de validation et étant calculé pour obtenir, pour une première durée de prédiction, une série temporelle de prédictions de nombres de validations par intervalle temporel de durée unitaire choisie, lesdites séries temporelles formant des prédictions de validations de référence ; o un module d’apprentissage (20) d’un unique modèle de prédiction court terme, applicable pour l’ensemble des lieux de validation, et permettant de prédire, pour une deuxième durée de prédiction inférieure à la première durée de prédiction, un nombre de validations par intervalle temporel de durée unitaire et par lieu de validation formant des prédictions de validations court terme ; à une deuxième fréquence d’exécution, supérieure à la première fréquence d’exécution, à un instant temporel d’exécution : o un module d’agrégation (22) des données de validation effectives par lieu de validation et par intervalle temporel de durée unitaire durant une période d’historique par rapport à l’instant temporel d’exécution, pour obtenir des données de validation agrégées, o un module d’application (24) dudit unique modèle de prédiction court terme sur les données de validation agrégées, pour obtenir des prédictions de validations court terme sur la deuxième durée de prédiction, par lieu de validation et par intervalle temporel ; o un module de comparaison (28), par lieu de validation et par intervalle temporel, de la prédiction de validations de référence et de la prédiction de validations à court terme, et en cas de différence supérieure à un seuil d’alerte prédéterminé, un module de levée d’alerte (28). 20
13. Système selon la revendication 12, dans lequel, si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un premier seuil d’alerte pour au moins un lieu de validation, le module de levée d’alerte (28) est configuré pour lever une alerte de premier niveau de priorité.
14. Système selon la revendication 12 ou 13, dans lequel, si la prédiction de validations à court terme dépasse la prédiction de validations de référence d’une valeur supérieure à un deuxième seuil d’alerte pour au moins un lieu de validation, le module de levée d’alerte (28) est configuré pour lever une alerte de deuxième niveau de priorité, le système comportant en outre un module (30) de mise en œuvre en temps réel d’une mesure corrective dans le réseau de transport permettant de réguler le flux de passagers arrivant sur des plateformes associées au lieu de validation.
PCT/EP2022/083301 2021-11-25 2022-11-25 Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport WO2023094602A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2112483 2021-11-25
FR2112483A FR3129512B1 (fr) 2021-11-25 2021-11-25 Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport

Publications (1)

Publication Number Publication Date
WO2023094602A1 true WO2023094602A1 (fr) 2023-06-01

Family

ID=81328224

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/083301 WO2023094602A1 (fr) 2021-11-25 2022-11-25 Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport

Country Status (2)

Country Link
FR (1) FR3129512B1 (fr)
WO (1) WO2023094602A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455078A (zh) * 2023-12-20 2024-01-26 中铁第四勘察设计院集团有限公司 基于空间圈层需求的都市圈轨道交通一体化客流预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256760A1 (en) * 2004-05-12 2005-11-17 Ashok Siddhanti System, method, and software for short term forecasting using predictive indicators
CN104700159A (zh) * 2015-02-12 2015-06-10 广州市地下铁道总公司 一种轨道交通客流监测预警系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256760A1 (en) * 2004-05-12 2005-11-17 Ashok Siddhanti System, method, and software for short term forecasting using predictive indicators
CN104700159A (zh) * 2015-02-12 2015-06-10 广州市地下铁道总公司 一种轨道交通客流监测预警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG DAN ET AL: "Urban rail transit passenger flow forecast based on LSTM with enhanced long-term features", IET INTELLIGENT TRANSPORT SYSTEMS, THE INSTITUTION OF ENGINEERING AND TECHNOLOGY, MICHAEL FARADAY HOUSE, SIX HILLS WAY, STEVENAGE, HERTS. SG1 2AY, UK, vol. 13, no. 10, 1 October 2019 (2019-10-01), pages 1475 - 1482, XP006082483, ISSN: 1751-956X, DOI: 10.1049/IET-ITS.2018.5511 *

Also Published As

Publication number Publication date
FR3129512A1 (fr) 2023-05-26
FR3129512B1 (fr) 2024-04-26

Similar Documents

Publication Publication Date Title
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
CN108830504B (zh) 用车需求预测方法、系统、服务器及计算机存储介质
FR3004841A1 (fr) Procede et dispositif de gestion dynamique de la mobilite urbaine
WO2023094602A1 (fr) Procédé et système de supervision automatisée de l'affluence de passagers à court terme dans un réseau de transport
FR3071647A1 (fr) Prediction de charges reelles a partir de donnees de collecte de prix
US11285961B2 (en) Predictive car wash services for a vehicle based on anticipated routes of travel
CN112990610A (zh) 一种基于多元线性回归预测火车站出租车运力需求的方法
CN107798522A (zh) 一种车费代付方法及装置
CN113112076B (zh) 一种客流集散模式发现及预测方法
FR2958776A1 (fr) Procede et systeme de gestion de flux de skieurs se deplacant dans un reseau skiable.
WO2020039061A1 (fr) Procédé et système de prédiction quasi temps réel d'au moins un indicateur de fonctionnement d'un réseau de transport de passagers
CN106855963B (zh) 引导警力部署的数据处理方法和装置
EP2803550A1 (fr) Dispositif et procédé de régulation de la vitesse d'un équipement de transport
CN113298350A (zh) 一种基于人工智能的公交综合监管与服务系统
EP3854136A1 (fr) Procédé de réattribution d'un serveur périphérique de traitement de données
US20230133248A1 (en) Utilization-specific vehicle selection and parameter adjustment
WO2023001914A1 (fr) Procede et systeme pour controler le deplacement de vehicules autonomes appartenant a une flotte de vehicules partages
WO2023118514A1 (fr) Système de supervision du déplacement de passagers dans un réseau de transport, procédé et produit programme d'ordinateur associé
EP4354367A1 (fr) Procédé de génération d'un classificateur d'un système d'eau chaude sanitaire
CN117592638A (zh) 一种景区客流分析与管控的方法及系统
Huang et al. Study of Piecewise UBI Pricing Strategy based on the Risk Probability
CN115985103A (zh) 一种交通事件持续时长的预测方法及系统
EP4374305A1 (fr) Procédé et système pour modifier la durée de mise en veille et/ou la fréquence de réactivation et/ou la durée de réveil d'un équipement informatique embarqué dans un véhicule appartenant à une flotte de véhicules partagés
FR3131407A1 (fr) Procédé de caractérisation du déplacement d'entités mobiles et produit programme d'ordinateur associé
EP4374304A1 (fr) Procédé et système pour commander l'activation de bornes de recharges de véhicules électriques

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22822122

Country of ref document: EP

Kind code of ref document: A1