Analysis and prediction of pedestrian flows in a multimodal transport hub using multi-source data
Analyse et prédiction des flux piétons dans un pôle de transport multimodal à partir de données multi-sources
Résumé
Within large cities, business districts are major attractors that concentrate activities; attracting a large population every day, thanks to the public transport system. A good understanding of the dynamics of pedestrian flows in the transport areas of these districts, is a subject of primary importance. Especially in order to avoid poorly managed situations of very high affluence. This thesis is applied to the particular case of the La Défense business district in western Paris.In this context, the thesis focuses on developing methods for processing multi-source mobility data in order to synthesize and understand the highly noisy data from pedestrian counts at multiple points in the transportation areas, and then to predict short-term traffic in these same areas. These two lines of work aim to enrich passenger information for public transport users, but can also be used by transport operators to regulate transport supply on demand. The first chapter focuses on the implementation of a dynamic linear model for decomposition in order to understand how the variations of pedestrian count time series are translated in the different hidden components of the model, each one linked to a contextual element (trend, seasonality, impact of contextual variables, ...). The focus is on the comparative decomposition of the series of counts of incoming flows to two massively used transport lines in the business district. The second chapter proposes a clustering approach based on statistical learning in order to synthesize multivariate, overdispersed and correlated pedestrian flow data of the whole transport hub, in relation with the context (calendar and event variables), within easily interpretable categories. The approach allows to detect time periods with homogeneous travel dynamics and to associate them with characteristic travel profiles. Mixture models based on « sum and shares » and Poisson log-normal distributions are developed and compared on the basis of their ability to model the data well and to detect homogeneous time periods as continuously as possible. The third chapter focuses on the implementation of probabilistic prediction models of passenger flows with methods based on deep learning. The strength of these models lies in their ability to model uncertainty, which is particularly adapted to the transportation domain, by relying on an abstraction of contextual data and by assuming output distributions. To this end, we propose a model based on the distributions « sums and shares » and compare it to other models from the state of the art, both on available open data and on data collected in the transport areas of the La Défense district
Au sein des grandes métropoles, les quartiers d'affaires sont des pôles attracteurs majeurs qui concentrent les activités ; attirant chaque jour, via des systèmes de transports en commun, une population nombreuse. La bonne compréhension de la dynamique des flux piétons dans les espaces de transport de ces quartiers est un sujet de première importance, notamment afin d'éviter les situations de très forte affluence mal gérées. Cette thèse est appliquée au cas particulier du quartier d'affaire de La Défense dans l'ouest parisien. Dans ce contexte, la thèse s'attache à développer des méthodes de traitements de données multi-sources de mobilité afin de synthétiser et comprendre les données fortement bruitées des comptages piétons en de multiples points des espaces de transport ; puis de prévoir l'affluence à court terme dans ces mêmes espaces. Ces deux axes de travail ont vocation à enrichir l’information voyageurs à destination des usagers des transports collectifs mais peuvent également servir aux opérateurs de transport pour une régulation « à la demande » de l'offre de transport. Le premier chapitre se concentre sur la mise en place d'un modèle linéaire dynamique de décomposition afin de comprendre comment les variations de séries temporelles de comptages piétons se traduisent dans les différentes composantes cachées du modèle, chacune liée à un élément de contexte (tendance, saisonnalitée(s), impact de variables contextuelles, ...). L'accent est mis sur la décomposition comparée des séries de comptage de flux entrants vers deux lignes de transport massivement empruntées dans le quartier d'affaires. Le deuxième chapitre propose une approche de clustering à base d'apprentissage statistique afin de synthétiser les données de fréquentation multivariées, surdispersées et corrélées de l'ensemble du pôle de transport, en lien avec du contexte (variables calendaires et d'événementiel) et au sein de catégories facilement interprétables. L'approche permet de détecter des périodes de temps aux dynamiques de déplacements homogènes et de leur associer des profils de déplacement caractéristiques. Des modèles de mélange basés sur des distributions « somme et partages » et Poisson log-normal sont développés et comparés sur la base de leur capacité à bien modéliser les données et à détecter des périodes homogènes les plus continues possibles. Le troisième chapitre s'attache à la mise en place de modèles de prédiction probabilistes des flux voyageurs avec des méthodes basées sur l'apprentissage profond. La force de ces modèles réside dans leur capacité à modéliser l'incertitude, particulièrement adaptée dans le domaine des transports, en s'appuyant sur une abstraction des données contextuelles et en faisant l'hypothèse de distributions en sortie. Nous proposons pour cela un modèle basé sur les distributions « sommes et partages » et le comparons à d'autres modèles issus de l'état de l'art à la fois sur des données ouvertes disponibles et sur les données collectées dans les espaces de transport du quartier de La Défense
| Origine | Version validée par le jury (STAR) |
|---|