Big data et choix d'aménagement urbain pour les piétons et les cyclistes

Nous avons commencé à aborder l'intérêt des données géolocalisées à travers un précédent billet : Strava et les enjeux du big data. Nous poursuivons ici l'analyse en nous intéressant plus spécialement à l'usage des traces numériques des cyclistes et des piétons pour orienter les choix d'aménagement urbain. 

L'enjeu est de taille du fait de l'augmentation rapide des moyens de "déplacement doux" dans les métropoles. Il s'agit d'aménager les voies jugées dangereuses ou insuffisantes pour les piétons et les cyclistes, de planifier la croissance future du trafic, de pouvoir aussi justifier les investissements. Strava Metro n'est pas la seule entreprise à fournir ce type de données sur les déplacements urbains. La plateforme Uber se positionne également sur ce créneau, mais pas sur le vélo ni la marche à pied. La demande est de plus en plus forte du côté des métropoles qui cherchent à mettre en place leurs propres solutions de data visualisation et de data mining (voir par exemple cette cartographie 3D des émissions de dioxyde d'azote par le Grand Londres)

Animation mettant en avant le potentiel d'usage des données fournies par Strava Metro


Le département des transports de l'Oregon (ODOT) a été la première agence de transport des États-Unis à signer un accord avec Strava metro en 2014. Jusque là le comportement des piétons et des cyclistes en milieu urbain n'était guère connu que par des enquêtes isolées et coûteuses à renouveler. L'agence américaine ODOT continue à réaliser ses propres comptages manuels, mais elle a décidé d'utiliser les services de Strava metro pour mieux connaître les pratiques et les besoins des cyclistes et des piétons, notamment dans la ville de Portland. Depuis 2014, 75 autres villes et régions dans le monde utilisent les données de Strava metro pour évaluer et définir leur politique de transport, telles Glasgow, Reykjavik, Stockholm ou Brisbane. Cette dernière a par exemple aménagé une piste cyclable le long de Breakfast Creek, offrant ainsi aux cyclistes une voie réservée à travers un paysage varié de champs, de quartiers résidentiels et de zones commerciales. Dans sa forme originale, la piste cyclable était traversée par Kelvin Grove Road, un autoroute à 6 voies de circulation. Cette importante interruption de la piste cyclable obligeait les cyclistes à franchir de multiples signaux tricolores et le trafic se déversait dans les rues adjacentes. La construction d'une nouvelle section de 680 mètres de voie cyclable a permis de contourner l'obstacle et de sécuriser la circulation à vélo :

Aménagement d'une nouvelle voie cyclable (en bleu) à Brisbane pour contourner une voie rapide

D'autres villes ont également adopté ces outils de visualisation de données géolocalisées permettant de prospecter les besoins et de mesurer l'effet des aménagements une fois réalisés. Ainsi par exemple pour la ville d'Austin (Texas), cette vidéo met en évidence les rues les plus utilisées par les cyclistes sur une durée d'une semaine et les problèmes liés aux intersections avec d'autres voies urbaines (les carrefours sont souvent sources de dangers pour les cyclistes) :


Volumes de traces enregistrées par des cyclistes sur le site Strava du 9 au 15 août 2013
(Source : Griffin and Jiao)

Une fois agrégées et anonymées, Strava revend les données de ses utilisateurs sous forme de licence, pour une zone donnée et pour un nombre d'utilisateurs donné. De par ses millions d'utilisateurs, Strava fournit une base de données très conséquente pour suivre les traces des cyclistes, particulièrement dans les grandes villes mondiales à l'exemple de Londres, Amsterdam, Barcelone (Paris est moins représenté)... Pourtant Strava est loin d'agréger tous les piétons et les cyclistes qui se déplacent quotidiennement dans ces espaces urbains. Avec moins de 10% du total des usagers, l'application parvient à donner une vue relativement fidèle de leurs comportements sur différents pas de temps et différents secteurs de la ville. La précision dépend tout de même des comptages réalisés par ailleurs qui permettent d'extrapoler, en comparant avec les données de Strava metro, le nombre réel d'usagers. La combinaison avec d'autres couches d'information SIG reste souvent indispensable.

 Nombres de sorties en vélo sur un an dans 6 grandes métropoles (en millions) - Source : Strava

La visualisation des Data Analytics concerne aussi l'entreprise Uber qui souhaite désormais optimiser les temps de parcours urbains dans les grandes villes souvent encombrées par des embouteillages. Au départ l'entreprise cherchait surtout à mettre en place un système de tarification en fonction de la demande (cf système du Geoserve fondé sur l'importance de l'offre et la demande en fonction du lieu). Puis ces données connectées ont servi à optimiser la circulation des chauffeurs pour finalement déboucher sur une nouvelle façon d'appréhender la mobilité.

Vidéo mettant en avant la façon dont le service UberPOOL aide à réduire le trafic automobile en ville

La visualisation de données aide à son tour le public à comprendre ce que Uber fait et comment il fonctionne. Une chose est de comprendre comment Uber utilise les données GPS, une autre est de savoir ce que l'on peut en faire pour le grand public. Uber nous apprend beaucoup sur l'utilisation des données volumineuses. Elles permettent de révéler les rythmes urbains selon une véritable cartographie du "pouls" de la ville en fonction des secteurs et des horaires de circulation :

Cartographie du "pouls" de la ville de New York à travers le service UberPool


Dans les villes européennes, la mise à disposition de vélos en libre service a rendu encore plus cruciale la gestion du parc et l'implantation de stations accessibles pour emprunter et rendre son vélo (voir par exemple l'implantation des stations Velo'v du Grand Lyon). Le choix et les formes d'aménagement ou réaménagement (bandes cyclables ou pistes séparées des autres véhicules, limitations de vitesse, gestion des carrefours...) deviennent un enjeu de taille. Les opérateurs ont en général une vision de leurs parcs en tant que gestionnaires, mais ils ont du mal à connaître les comportements de leurs usagers entre deux stations de collecte. Il s'agit aussi d'aller vers une analyse prédictive. Ainsi s'est développé tout un courant de réflexion sur la mobilité urbaine et l'usage de l'espace public. Les solutions choisies par les différents opérateurs renvoient à nos manières d'habiter et de pratiquer la ville. Elles conduisent à réfléchir à des solutions d'aménagement urbain plus attentives aux usages (voir l'article Bye, bye Gobee, et merci). Dans le cadre du développement des smart cities, l'avenir passe par le recueil, le croisement et l'analyse des données relatives à toutes les activités de la ville. L'objectif principal est d'aller vers un partage intelligent des vélos à usage public.

Probabilité qu'une station Velo'v soit vide ou pleine à Lyon (source : Rouquier et Borgnat, 2014)

Plan visant à faire de Paris la "capitale du vélo" en 2020



 Data visualisation ajoutée le 12 mars 2018 :

 Comparaison de temps de trajet de Kallio à Helsinki (Finlande)

Une image équivaut à une minute de temps de transport. Les points représentent en rose les automobiles, en jaune les transports en commun et en vert les vélos. Les données et le modèle d'accessibilité développé par l'Université d'Helsinki sont consultables sur le site Mapple.



Data visualisation ajoutée le 10 mai 2018 :

Accès automobile dans Berlin et les villes environnantes un vendredi ordinaire

Cette simulation pour Berlin concerne uniquement la circulation automobile. L'animation repose sur le temps d'accessibilité moyen (de 5 à 30 mn).


Data visualisation ajoutée le 23 mai 2018 :

Déplacements à vélo sur une journée à Helsinki.
(cliquer sur la carte pour accéder à l'animation)
https://blogs.helsinki.fi/accessibility/2018/05/18/one-day-of-city-bikes-in-helsinki/

Cette géovisualisation montre tous les voyages (n = 7200) effectués par les vélos du système de partage de vélos d'Helsinki le lundi 15 mai.2017. Comme la base de données ne contient pas de traces GPS mais seulement les points de départ et de destination, les trajets indiqués sur la carte ne sont pas les trajets réels, mais les trajets supposés en utilisant les itinéraires les plus rapides. Les points blancs sont les stations de vélo de ville (n = 140). L'animation a été réalisée à l'aide du plugin QGIS Time Manager par Elias Willberg du Digital Geography Lab (Finlande).


Références :
  • Le site Strava metro est un service de données spatialisées permettant de mettre en lumière sur une carte les déplacements à la fois piétonniers et cyclistes (données accessibles sur inscription)
    http://metro.strava.com/ 
  • La fréquentation des stations vélo’v à Lyon, partout et à tous âges (article de Luc Merchez) sur le site Géoconfluences
  • Des Big Data à la place des enquêtes ? Enjeux scientifiques et éthiques pour l’étude des mobilités quotidiennes. Journée thématique du PR2I Big Data AMU
  • City planners tap into wealth of cycling data from Strava tracking app. Consultable sur le site du journal The Guardian
  • Utilizing GIS and spatial tools to generate new data products from raw GPS cycling tracks on Strava. Consultable sur le site du Center for Geographic Analysis (Harvard University)
  • How Uber Uses Data to Improve Their Service and Create the New Wave of Mobility. Consultable sur Kissmetrics blog