Défi / Objectif
Les services de mobilité partagée sont apparus récemment comme un nouveau modèle économique de transport, rendu possible par la numérisation. Ces services proposent des véhicules partagés à la demande qui peuvent être réservés et utilisés par les citoyens via des applications mobiles. Les services de partage de voitures, de cyclomoteurs, de vélos et de scooters électriques se distinguent comme une alternative à l'utilisation de la voiture individuelle, souvent plus propre, car la plupart des flottes déployées sont électriques. Malgré leur croissance exceptionnelle, ces services ont encore du mal à être rentables, ce qui nuit à leur viabilité financière. Les opérateurs doivent donc améliorer l'efficacité de leurs stratégies de déploiement et de gestion de flotte.
Pour relever ce défi, il est nécessaire de mieux comprendre les modes d'adoption et d'utilisation des services de mobilité partagée. Les opérateurs doivent en savoir plus sur les niveaux de demande attendus et les caractéristiques des utilisateurs. Pour répondre à ce besoin, Nommon développe un outil basé sur des modèles alimentés par l'IA capables de prédire les modèles de demande qui soutiennent les opérateurs dans la planification et la gestion des services de mobilité partagée.
Solution
L'outil exploite la grande quantité de données collectées par les opérateurs de mobilité partagée, qui surveillent en permanence la position et l'utilisation de leurs véhicules, obtenant ainsi une description précise de la demande réelle des services. Ces ensembles de données peuvent être combinés avec d'autres sources de données capables de décrire le contexte dans lequel cette demande est saisie. Il s'agit d'un élément clé pour développer des modèles prédictifs applicables au-delà de la zone d'exploitation actuelle, de sorte que des prévisions de la demande puissent être produites pour soutenir les décisions stratégiques (par exemple, la mise en œuvre dans une nouvelle ville). En particulier, l'utilisation généralisée des appareils mobiles a conduit à la disponibilité de nouvelles sources de données qui enregistrent les schémas d'activité et de mobilité de la population (par exemple, les données des réseaux mobiles, les données des cartes à puce des transports publics). Des indicateurs fins de la demande de transport peuvent être extraits de ces sources, tels que des matrices origine-destination à des échelles temporelles et spatiales hautement désagrégées. La solution appliquée exploite tous ces ensembles de données grâce à un ensemble d'algorithmes d'apprentissage automatique de prédiction de la demande. Ces modèles produisent des estimations de la demande capturée pour une période donnée au niveau d'une paire origine-destination, avec une résolution spatio-temporelle configurable.
En plus des modèles, deux modules sont inclus pour produire des indicateurs personnalisés et soutenir les processus de prise de décision des opérateurs. Tout d'abord, un module de planification stratégique informe sur la façon dont les modifications majeures du service (par exemple, le changement de la taille de la flotte, l'expansion ou la réduction de la zone de service, la mise en œuvre dans une nouvelle ville) changeraient les indicateurs clés de performance du service, tels que les taux de trajets par véhicule ou les revenus du service. Deuxièmement, un module de gestion de l'exploitation indique quelles zones nécessitent certaines actions pour garantir la disponibilité de l'approvisionnement dans les prochaines heures, en fonction de la demande prévue par les modèles, ce qui facilite l'optimisation des procédures de charge et de maintenance. Les indicateurs clés de performance peuvent être visualisés dans un tableau de bord qui permet aux opérateurs et aux autorités de tester différents scénarios et d'analyser l'impact de leurs décisions. Il est également prévu que les indicateurs puissent être fournis via une API, afin de faciliter l'intégration de cette solution avec d'autres outils existants actuellement utilisés par les opérateurs de mobilité partagée.
Tu veux en savoir plus sur les leçons apprises, les détails financiers et les résultats ?
Connexion