Blogue

L’apprentissage automatique – qu’est-ce que c’est et en quoi est-il intéressant pour le transport collectif ?

TripSpark

Qu’est-ce que l’apprentissage automatique ?

L’apprentissage automatique peut être considéré comme une composante de l’intelligence artificielle. L’apprentissage automatique cherche des tendances dans les données et les utilise pour faire de meilleures prédictions fondées sur les données. Les ordinateurs utilisent des données collectées (données d’entraînement) pour prendre des décisions sans être explicitement programmés ou sans l’assistance des utilisateurs. L’apprentissage automatique repose sur l’idée que les machines devraient pouvoir utiliser les données pour apprendre par elles-mêmes, tirer des leçons des tendances ou des comportements et utiliser cette information pour prendre la meilleure décision possible pour les activités futures. Idéalement, au fil du temps et avec des données plus riches, ces algorithmes de prédiction devraient s’améliorer par eux-mêmes et produire des résultats plus précis. Au fond, l’apprentissage automatique utilise des algorithmes pour analyser des données, en tirer des enseignements, puis effectuer des choix ou des prédictions relativement à un objet1.

En quoi l’apprentissage automatique est-il intéressant pour le transport collectif ?

Il n’y a rien de surprenant à ce que les usagers n’aiment pas attendre à un arrêt d’autobus en ne sachant pas exactement quand leur autobus arrivera. Dans la mesure où de nombreuses variables entrent en ligne de compte – conditions météorologiques, configurations de la circulation, changements dans les flots de passagers, comportement des conducteurs, etc. –, il n’est pas toujours facile de mesurer les données de déplacement en temps réel. Par conséquent, les algorithmes de prédiction qui calculent les temps de déplacement sont extrêmement utiles. L’abondance des données en temps réel et les innovations en technologie informatique ont contribué à améliorer la précision des algorithmes au moyen de l’apprentissage automatique.

Des renseignements précis et en temps réel sur les déplacements dans le domaine du transport collectif jouent un rôle essentiel pour les exploitants et les usagers. En plus d’aider les passagers à planifier leurs déplacements pour réduire les temps d’attente, ils permettent également aux exploitants de gérer les flottes. La plus grande victoire ? Des passagers heureux, favorisant une augmentation de la fréquentation.

TripSpark Technologies a intégré un nouvel algorithme de prédiction à ses solutions pour itinéraires fixes. Ce nouvel algorithme a entraîné des gains d’exactitude de 30 % en moyenne. Il a ainsi considérablement réduit le temps d’attente quotidien des usagers aux arrêts d’autobus.

En outre, le nouvel algorithme de prédiction tient compte des éléments suivants :

  • Historique des temps de trajet – si un autobus est habituellement en retard au même moment le même jour chaque semaine, il est probable que cette tendance se maintienne.
  • Temps de trajet récents – si la circulation est lente entre les arrêts en raison d’une réduction de voie, il est probable que ces circonstances influent sur le trajet actuel.
  • Changements de vitesse – même si un conducteur quitte le terminal en retard, cela ne signifie pas que l’autobus arrivera en retard à chaque arrêt tout au long du trajet.

Le graphique ci-dessous illustre le gain d’exactitude dans la prédiction des heures de départ des autobus – (comparaison du nouvel algorithme avec l’ancien) : 

La capacité à prévoir les heures de départ des autobus aura une grande incidence sur le monde moderne du transport collectif. Bien que le concept d’apprentissage automatique ne soit pas tout à fait nouveau, il jouera un rôle crucial lorsque nous entrerons dans la « nouvelle normalité » du transport collectif.


Au sujet de TripSpark :

TripSpark Technologies est une entreprise de technologie du transport des personnes qui vise à aider les organismes de transport collectif de taille moyenne et les exploitants privés à atteindre leurs objectifs opérationnels. L’entreprise offre des solutions logicielles et matérielles intégrées pour les itinéraires fixes, le transport adapté, le transport médicalisé non urgent, le covoiturage et le transport scolaire des élèves de la maternelle à la 12e année.

Références

  1. https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/ -

Ajouter un commentaire