▼

Vers une loi universelle des mobilités urbaines ? (Senseable City Lab - MIT)


Wanderlust, The Universel Visitation Law of Human Mobility (SCL - MIT) :
http://senseable.mit.edu/wanderlust/


En général, on ne se déplace pas très loin. Cette idée simple et intuitive a conduit les chercheurs du Senseable City Lab (SCL) à décrire de manière précise les mobilités humaines en se concentrant sur le cadre spatio-temporel de ces mobilités. En examinant des données à grande échelle stockées sur des téléphones portables, les chercheurs du SCL ont analysé les déplacements dans les aires métropolitaines d'Abidjan (Côte d'Ivoire), de Boston (Etats-Unis), de Braga, Lisbonne et Porto (Portugal) ainsi que de Dakar (Sénégal) et Singapour. Ils ont constaté que les mobilités urbaines suivaient un modèle prévisible et universel : le nombre de visiteurs dans n'importe quel lieu diminue inversement à sa fréquence de visite et à la distance de déplacement. Cette loi d'échelle, simple et robuste, permet de prédire non seulement le nombre total de déplacements, mais aussi le nombre d'individus qui se déplacent d'un lieu à l'autre et leur fréquence, une clé essentielle pour comprendre les mobilités urbaines. 

Trip frequency is key ingredient in new law of human travel (source : Nature)


Ce modèle généralisé de déplacements rend compte de la manière dont les individus organisent leur vie sur la base des infrastructures urbaines existantes et comment les décisions collectives, à leur tour, façonnent la configuration physique des villes. Sur la base de ces flux spatio-temporels, les chercheurs de SCL ont calculé l'attractivité intrinsèque de lieux sur des espaces de 500 m² et ont défini des grappes de lieux particulièrement attrayants. Ils ont construit un modèle de mobilité individuelle pour expliquer le mécanisme derrière cette loi d'échelle et la structure spatiale émergente, établissant un lien entre les mouvements périodiques au niveau individuel et les flux résultants au niveau de la population.


Référence scientifique :

Markus Schläpfer, Lei Dong, Kevin O’Keeffe, Paolo Santi, Michael Szell, Hadrien Salat, Samuel Anklesaria, Mohammad Vazifeh, Carlo Ratti & Geoffrey B. West, The universal visitation law of human mobility, Nature, vol. 593, 522–527 (2021)
http://www.nature.com/articles/s41586-021-03480-9

Explication sur la démarche :

Study reveals a universal travel pattern across four continents. Globally, people follow a “visitation law” — an inverse relationship between distance and frequency of visits. Peter Dizikes | MIT News Office. http://news.mit.edu/2021/travel-pattern-global-0526


Lien ajouté le 28 novembre 2021

Lien ajouté le 1er juillet 2025

« De 4 à 52 km/jour parcourus, de la marche à la voiture toute-puissante... Un expert a visualisé l'évolution de la mobilité des Français en deux siècles » (France-Info).
Mise à disposition des animations sur les distances parcourues en France de 1800 à 2023 (Visual Data Flow). Ces animations sont issues de la collaboration d'Aurélien Bigo, chercheur sur la transition énergétique des transports et Daniel Breton, expert en visualisation de données.

Lien ajouté le 8 mars 2026

Yichen Xu, Chanson Gao, Qunying Huang, Aslıgül Göçmen, Qiang Zhu & Feng Zhang «  » [Prédire les flux de mobilité humaine dans les villes grâce à l'apprentissage profond appliqué à l'imagerie satellite], Nature Communications, volume 16, 10372 (2025), https://www.nature.com/articles/s41467-025-65373-z

Comprendre l'interaction entre les environnements urbains complexes et les flux de mobilité humaine est essentiel pour des systèmes de transport adaptatifs, des communautés résilientes et un développement urbain durable. Or, la mise à jour des données interrégionales sur les flux de mobilité origine-destination issues d'enquêtes traditionnelles est coûteuse. L'imagerie satellitaire offre des informations actualisées sur la surveillance urbaine et ouvre la voie à l'étude de la dynamique morphologie-mobilité urbaine. Cette étude développe un modèle d'apprentissage profond, Imagery2Flow, pour prédire les flux de mobilité humaine avec précision dans les zones urbaines, à partir d'images satellitaires à résolution moyenne (10 à 30 mètres), de manière rapide et économique. De nombreuses expériences démontrent la performance et la grande flexibilité de généralisation spatio-temporelle de ce modèle sur les dix plus grandes aires métropolitaines des États-Unis. En explorant les effets hétérogènes spatiaux, nous étudions les facteurs urbains (centralité et compacité) qui influencent la distribution des flux de mobilité humaine, améliorant ainsi notre compréhension de leurs interactions. La transférabilité spatiale d'Imagery2Flow contribue à réduire les inégalités régionales en éclairant les décisions dans les régions pauvres en données, grâce aux enseignements tirés des régions riches en données. Il est intéressant de noter que les typologies d'étalement urbain permettent d'expliquer la capacité de généralisation du modèle entre villes. La transférabilité temporelle démontre que la dynamique humaine des villes et le processus d'urbanisation peuvent être fidèlement appréhendés à partir de l'environnement bâti observé par télédétection.

Articles connexes


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

Le rythme cardiaque de la ville : Manhattan heure par heure



-