Intelligence des données pour un routage écologique des bus

Le défi

Actes de la conférence 2015 sur la recherche en ingénierie industrielle et des systèmes S. Cetinkaya et J. K. Ryan, eds.

Matthew Snead, David Holt, Michael Mullen, Michelle Londa, Tongdan Jin
École d'ingénierie Ingram
Université d'État du Texas
San Marcos, TX 78666, USA

Résumé

Le transport public par autobus est un service vital pour toutes les zones peuplées, et une grande partie de ce service repose sur des itinéraires de conduite structurés. En se déplaçant, les bus consomment de grandes quantités de combustibles fossiles, ce qui a un impact sur l'environnement et entraîne des coûts d'exploitation. L'objectif de cet article est de proposer une solution durable d'acheminement des bus qui minimise la consommation annuelle de carburant tout en garantissant la qualité des services. L'étude est réalisée sur la base d'une flotte de bus qui dessert actuellement plus de 34 000 étudiants dans une université publique du Texas. L'utilisation d'un grand nombre de données historiques provenant de la page web du fournisseur permet de déterminer l'emplacement de certains bus au fur et à mesure qu'ils circulent sur un itinéraire. En plus des observations sur site, les données d'exploitation sont également extraites du site web par le biais de JavaScript Object Notation et introduites dans des outils statistiques avancés pour une prise de décision en temps réel. Le modèle de base est construit dans SIMIO, validé et optimisé à l'aide de fonctions complémentaires afin d'identifier l'itinéraire de bus le plus économe en carburant. L'étude montre qu'en synthétisant l'analyse des big data avec le modèle d'arrivée des passagers, l'efficacité énergétique peut être améliorée de 10 à 20 %, réduisant potentiellement 15 % des coûts d'exploitation et 24 000 tonnes d'émissions de dioxyde de carbone par an.

1. Introduction

En 2013, les Américains ont effectué 10,7 milliards de trajets en transports publics, ce qui représente la fréquentation annuelle la plus élevée depuis 57 ans. Le transport public est une industrie de 58 milliards de dollars qui emploie près de 400 000 personnes dans 7 100 organisations de services aux États-Unis. L'accès aux lignes de bus et de chemin de fer permet de réduire la distance parcourue en voiture de 4 400 miles (1 mile=1,6 km) par ménage et par an, d'économiser 450 millions de gallons de carburant par an à l'échelle nationale et de réduire les embouteillages [1]. L'augmentation constante du trafic entraîne une hausse constante de la demande de transports publics de qualité. Les systèmes d'autobus constituent un outil très polyvalent pour répondre à cette demande. La capacité de ces systèmes à s'adapter aux nouvelles demandes et la flexibilité des ajustements d'itinéraires les rendent plus viables par rapport à d'autres options qui nécessitent des infrastructures coûteuses et rigides telles que les métros ou les systèmes ferroviaires. L'avantage de gérer la croissance organique des zones densément peuplées est important en termes d'optimisation de la performance des transports grâce à l'intelligence du big data, à l'analyse avancée et à la technologie de l'information.

Minimiser le temps d'attente des passagers et réduire les coûts d'exploitation sont deux critères de base pour évaluer le système de service de bus. Afin de programmer et de décider comment une ligne de bus sera organisée pour fournir un service optimal, cela dépend de multiples facteurs, y compris la demande à certains endroits, les horaires des lignes, la taille de la flotte et les installations de soutien. L'un des principaux facteurs à prendre en compte dans cette équation est l'empreinte carbone laissée par les bus et les dépenses qui y sont associées. Par exemple, la flotte de bus étudiée utilise du carburant diesel et chaque bus consomme environ 136 gallons en 12 heures, pour un coût de carburant de 3,05 dollars par gallon. Sachant que la combustion d'un gallon de diesel génère 10,18 kg de CO2 [2], l'émission quotidienne de carbone atteint 1 384 kg par bus. En outre, le coût du service pour exploiter un bus par équipe est d'environ 1 012 $, ce qui contribue à un coût de 1 425 $ par équipe de 12 heures et par bus. C'est pourquoi la création d'un itinéraire et d'un horaire de bus optimaux est essentielle pour minimiser les émissions de gaz à effet de serre et les coûts d'exploitation.

Les études existantes sur les itinéraires et les horaires des bus englobent généralement des méthodes analytiques et des observations sur le terrain. Bien qu'il existe de nombreux outils, une approche bien connue est le guide de planification du Bus Rapid Transit (BRT) [3]. La version actuelle compte plus de 800 pages et inclut des contributions d'un large éventail de professionnels et de praticiens ayant une expérience directe de la conception et de la mise en œuvre de systèmes de BRT dans le monde entier. Le guide permet aux planificateurs de concevoir et de mettre en œuvre un système de lignes de bus. Les méthodes utilisées dans le BRT sont basées sur des modèles analytiques pour l'analyse du trafic et la prise de décision. Certaines méthodes de mise en œuvre des itinéraires fournissent des tableaux de comparaison basés sur les avantages et les inconvénients en tant qu'outil de prise de décision ; un exemple de ceci est l'attribution des arrêts de bus [4]. Cependant, les méthodologies statiques de routage des bus peuvent être inefficaces ou entraîner de grandes quantités d'émissions de carbone et des coûts d'exploitation et de maintenance supplémentaires en raison de l'environnement d'exploitation variable.

Contrairement aux approches actuelles, cette étude intègre les données d'exploitation des bus en temps réel avec des outils de simulation avancés (i.e. SIMIO) pour générer des améliorations possibles à un système d'itinéraire de bus en prenant en compte les variations des passagers. Le modèle de base construit représente l'itinéraire actuel de l'étude et est utilisé dans la conception d'expériences comme approche pour créer un système de transport plus écologique et plus rentable. Excel, Minitab et JMP sont utilisés pour le traitement et l'analyse des données qui sont incorporées dans SIMIO. Le logiciel OptQuest est utilisé dans SIMIO pour générer et simuler des configurations par rapport à la ligne de base et produire des solutions optimales.

Le reste du document est organisé comme suit : La section 2 présente un cadre général dans lequel de multiples sources de données sont synthétisées et introduites dans SIMIO afin de créer un environnement de simulation pour la prise de décision en matière de routage. La section 3 effectue l'analyse initiale des données et la section 4 procède à une vérification et à une validation approfondies du modèle de simulation. La section 5 décrit l'architecture des expériences et la méthodologie de la solution. La section 6 comprend le modèle proposé pour mettre en œuvre le système réel de transport en commun par autobus, ainsi que les économies de CO2 et de coûts prévues. La section 7 conclut le document.

La solution

2. La méthodologie

2. 1 Approche

L'informatique, y compris les données historiques et en temps réel, est utilisée pour améliorer l'efficacité de l'itinéraire de base actuel étudié. Il en résulte une réduction significative des polluants nocifs et des gaz à effet de serre entrant dans l'atmosphère, ainsi qu'une réduction des coûts grâce à la diminution de la distance totale parcourue. Dix lignes régulières composent le système de bus de base. En outre, il y a quatre lignes du soir, quatre lignes de nuit et cinq lignes du samedi. Transdev, l'entreprise de transport par autobus, utilise un total de 45 autobus, dont 43 sont neufs. Dans le cadre de cette étude, l'accent est mis sur la ligne Bobcat Village qui fonctionne avec un maximum de trois bus, mais la méthode proposée peut être généralisée et étendue à d'autres lignes de bus. Comme le montre la figure 1, les trois bus suivent tous la même logique d'itinéraire : les bus vont de Bobcat Village Nord à Bobcat Village Sud, de Bobcat Village Sud à LBJ, de LBJ au Quad, et du Quad à Bobcat Village Nord, et répètent ce cycle pendant toute la durée de chaque journée. L'enchaînement actuel des itinéraires et les horaires quotidiens des bus sont également indiqués sur la figure 1. Notez que Matthews n'est pas un arrêt et que tous les arrêts de Bobcat Village sont situés dans le même complexe avec une séparation de 0,05 miles.

2.2 Collecte de données

Au cours de l'été 2014, le Texas State Bus Service a procédé à d'importantes mises à jour, non seulement des bus, mais aussi de la manière dont ils sont suivis. En utilisant les iPads d'Apple, les bus envoient un signal GPS (Global Positioning System) qui est typique de la plupart des téléphones portables et des appareils de type tablette. Les gestionnaires de sites web sont en mesure de prendre ces données et de les appliquer à une carte, donnant à l'utilisateur final une localisation en temps réel de l'endroit où se trouve un bus sur un itinéraire particulier. Les données en temps réel collectées dans cette étude de cas sont extraites des liens bruts de la carte à l'aide d'une notation d'objet JavaScript. Cela nous a permis de récupérer en permanence les données GPS en temps réel du site et de stocker les informations quotidiennes dans un énorme fichier texte contenant plus de 700 000 lignes de données brutes. Les lignes de données brutes contiennent des informations telles que l'itinéraire, l'identification du bus, l'heure, la date, les enregistrements GPS et d'autres informations qui n'ont pas été directement utilisées mais traitées. Plus de sept millions de cellules générées par chaque fichier sont introduites dans un environnement analytique où elles sont ensuite analysées.

2.3 Données d'appui

Les données quantitatives et qualitatives sont collectées à l'aide des méthodes décrites ci-dessus. En utilisant les pratiques d'étude du temps, les données d'observation sont collectées dans les catégories suivantes : Heure d'arrivée du bus, temps d'attente du bus, temps entre les arrivées des élèves par tranches de cinq minutes, et temps entre Bobcat Village Nord et Bobcat Village Sud. Toutes les données d'observation sont horodatées pour assurer la corrélation entre les sources de données. Des données supplémentaires sont également fournies sur demande par les services de transport de l'État du Texas. Ces informations sont transférées sur Excel où elles sont ensuite interprétées et organisées pour la conception et la validation. Les données qualitatives sont utilisées au cours des processus de conception et d'expérimentation décrits ci-dessous.

3. Analyse des données initiales

3.1 Analyse des grandes données

Les données collectées en vrac sont exploitées et toutes les informations pertinentes sont importées dans des feuilles Excel où les points GPS et les horodatages sont utilisés pour calculer les temps de trajet entre les arrêts adjacents. En utilisant des intervalles de deux heures, les trajectoires GPS sont organisées en fonction de l'heure de la journée afin de tenir compte des différents modèles de trafic et d'environnement.

Les données sont analysées à l'aide d'outils analytiques dans Excel, Minitab et JMP afin de générer les distributions appropriées à mettre en œuvre dans la plateforme de simulation SIMIO. La figure 2 illustre l'intervalle de temps de deux heures en fonction de l'heure d'arrivée des bus entre les arrêts adjacents ; elle montre les variations spatiales et temporelles existant sur l'itinéraire actuel. Les temps entre Bobcat Village Nord et Bobcat Village Sud ne sont pas inclus dans la figure ci-dessus parce que les temps étaient cohérents en raison d'une voie de bus désignée sans interruption pour les 0,05 miles d'espacement entre les arrêts. Les données interprétées sont mises en œuvre dans un environnement organisé qui découle de la théorie des processus de Markov et des files d'attente. SIMIO permet d'exécuter un modèle avec de nombreuses réplications afin d'obtenir des résultats avec un niveau de confiance de 95 %.

3.2 Validation des données

Les données et informations fournies par le service de transport, ainsi que les données collectées, sont utilisées pour valider les résultats du GPS. Les données relatives à l'arrivée des élèves sont introduites dans des feuilles Excel dans le même format que les données enregistrées, qui seront utilisées ultérieurement pour concevoir le modèle de simulation. L'approche de la modélisation du système de bus actuel est déterminée par l'analyse des données dans un environnement organisé. Toutes les données collectées et analysées permettent de modéliser le système actuel avec une représentation précise et en temps réel de l'itinéraire actuel des bus de Bobcat Village, sur la base des données GPS et d'autres sources. Les données sont utilisées pour la programmation, l'affectation des bus et d'autres planifications logiques dans l'environnement SIMIO. Les données qualitatives sont interprétées et contribuent au processus de conception pour déterminer certaines préférences à attribuer à l'itinéraire et des contraintes supplémentaires liées au processus.

4. Méthodologie et mise en œuvre de SIMIO

4.1 Environnement SIMIO

SIMIO est conçu pour soutenir le paradigme de la simulation orientée objet avec des applications à grande échelle basées sur la modélisation à base d'agents. Les objets peuvent être créés et stockés dans des bibliothèques et facilement récupérés et partagés. Un objet générique peut être une machine, un client, un bus, un navire ou toute autre entité que l'on peut rencontrer dans les systèmes. Dans cette étude, les objets sont les bus, les élèves, les arrêts et les itinéraires. Un modèle SIMIO ressemble au système réel, et la logique et l'animation du modèle sont construites en une seule étape. Un objet peut être animé pour refléter l'état changeant de l'objet, ce qui correspond aux mouvements des bus dans cette étude. Ce type de simulation d'événements discrets nous permet de modéliser le comportement du système complexe étudié en utilisant une grande quantité de données collectées. Un modèle de visualisation simple a été construit et présenté dans la figure 3 avec un modèle de réplique de la ligne de bus de San Marcos en utilisant Google Earth, Google Sketch Up, Trimble 3D Warehouse, et SIMIO (non montré ici).

Le modèle fonctionne du lundi au jeudi de 6h00 à 20h00 avec une période d'échauffement et de récupération d'une heure. Quatre types d'entités représentant les étudiants sont créés en fonction de leur destination : LBJ, Quad, Bobcat Village Nord et Bobcat Village Sud. Les entités entrent et sortent du modèle par des "sources" et des "puits", qui représentent collectivement les arrêts de bus. Le système d'itinéraires est connecté à l'aide de chemins temporels tracés sur la base de la séquence d'itinéraires actuelle. Les bus permettent aux entités de voyager entre les arrêts de l'itinéraire. L'analyse des coûts est également mise en œuvre dans le modèle pour les bus sur la base du taux moyen de consommation de carburant et du coût d'exploitation horaire contracté. Le modèle contient des statistiques de sortie qui sont affichées pendant la simulation et génèrent des retours en temps réel pour le coût global, le coût individuel par bus et le nombre de passagers voyageant actuellement dans un bus particulier.

4.2 Entités

Une table de taux est créée pour chacun des quatre arrêts de bus. Les unités de taux pour les tables de processus d'arrivée de Poisson sont les arrivées par heure. Le taux est défini à l'aide de 156 intervalles de cinq minutes. L'heure est basée sur l'horloge interne de la simulation. Toutes les cinq minutes, un taux est donné en fonction du nombre d'événements par heure. Ce taux est généré à l'aide de la distribution exponentielle. Par exemple (voir tableau 1), l'heure d'arrivée entre 7:20:00 et 7:25:00 est distribuée de manière exponentielle avec une moyenne de 43,2 arrivées (c'est-à-dire événements) par heure. Lorsque la source commence à créer une entité, une table distincte est référencée pour déterminer le type d'entité à créer.

Tableau 1 : Extrait d'un tableau d'arrivées à un arrêt de bus le matin du jour 1

Le tableau 2 illustre la table de référence utilisée par les sources lors de la création d'entités. Il s'agit d'une matrice dans laquelle la source est appelée par la colonne et la probabilité d'un type d'étudiant particulier est définie par les lignes de la colonne. Une fois l'entité créée, une destination lui est attribuée par la source en fonction du type d'entité. Les entités attendent ensuite dans les files d'attente de la source d'être prises en charge par les transporteurs.

Tableau 2 : Probabilité de destination des étudiants

4.3 Transporteurs (bus)

La ligne de bus de Bobcat Village utilise trois bus ayant chacun des heures de départ et d'arrivée différentes (voir Figure 1). Les bus suivent les trajectoires temporelles entre les arrêts, qui sont définies pour évaluer le temps dans la simulation et donc déterminer la distribution et les valeurs à utiliser pendant un intervalle de temps particulier de deux heures. Cela permet d'utiliser les données GPS en fonction de l'heure de la journée afin d'imiter les conditions de circulation. Lorsque les entités sont prises en charge, le transporteur doit attendre que les entités se chargent et se déchargent. Ce processus est mis en œuvre à l'aide de la fonction uniforme aléatoire intégrée à Minitab. Le temps de chargement de chaque bus est réparti aléatoirement entre une et trois secondes par entité. Chaque bus a une capacité maximale de 60 sièges, y compris le conducteur. Pour le modèle, il est approprié de choisir 59 comme capacité maximale du bus en excluant le siège du conducteur.

4.4 Processus

Un déclencheur complémentaire, une étape d'exécution ou un événement peuvent lancer un processus. Les processus sont conçus à l'aide de différentes étapes qui sont exécutées lorsqu'elles sont lancées. Les processus sont utilisés dans l'ensemble du modèle de simulation pour exécuter un ensemble de fonctions logiques.

La figure 4 illustre l'un des 14 processus développés dans l'environnement de simulation du transport par autobus. Un processus initialisé au début du modèle évalue quand autoriser un bus à démarrer en fonction des commandes. L'heure d'arrivée de deux bus est déterminée par un processus similaire. Le troisième bus utilise un processus qui permet au bus de s'arrêter pendant la journée et de revenir ensuite jusqu'à l'heure de fin de service. Les opérateurs de bus tentent de maintenir un espacement de dix minutes entre chaque bus tout au long de la journée. Lorsqu'un bus est en avance sur l'horaire, il s'arrête toujours au niveau du quadrilatère. L'espacement est créé en utilisant une entité séparée, une source, un chemin temporel et un puits. Lorsqu'un bus quitte le lieu d'habitation qui lui a été assigné, il déclenche un processus qui amène une source à créer une entité qui suit un chemin temporel avec un espacement par défaut de dix minutes. Le bus suivant qui entre dans le lieu d'habitation assigné évalue s'il y a une entité sur le chemin temporel, si c'est le cas le bus reste jusqu'à ce que le puits soit déclenché par l'entité pour exécuter un processus qui déclenche un événement pour libérer le bus. De nombreux processus sont utilisés dans le modèle, y compris la majorité de la logique responsable des propriétés de référence.

4.5 Propriétés de référence

Les propriétés de référence (contrôles) sont définies dans le modèle à l'aide de méthodes logiques similaires à celles décrites dans le présent document. Comme mentionné, les heures de début et de fin des bus sont contrôlées par l'utilisateur et définies par les processus. En outre, les configurations des logements et l'option de suppression d'un arrêt peuvent être définies à l'aide de différentes combinaisons de contrôles. La relation entre les contrôles et la configuration de base est présentée dans le tableau 3. L'horaire actuel est basé sur l'horloge interne de la simulation qui fonctionne pendant 14 heures, de 6h à 20h. Ces contrôles seront utilisés ultérieurement dans le processus d'expérimentation comme une approche systématique pour générer des améliorations possibles de l'itinéraire.

Tableau 3 : Résumé des paramètres de contrôle

4.6 Validation du modèle

La configuration de base est répliquée 200 fois et testée par rapport aux données. Les simulations SIMIO fournissent une grande quantité de statistiques de sortie pour tous les objets du modèle qui sont utilisées pour valider le système. Les nombreuses répétitions du scénario de base fournissent des données précieuses qui sont comparées aux données d'observation en temps réel ainsi qu'aux données collectées par le bureau des transports de l'université. Les attentes et les résultats de la simulation convergent, ce qui démontre la validité du modèle et sa représentation du système réel étudié. L'utilisation de ces informations permet de déterminer que des solutions peuvent être recherchées après l'utilisation de ce modèle pour concevoir des expériences multiples et identifier une solution probable permettant de réduire les coûts d'exploitation et l'impact sur l'environnement.

5. Expériences

5.1 Conception des expériences

L'expérience est un plan à objectifs multiples où les temps d'attente moyens sont l'objectif le plus fortement pondéré, suivi des temps d'attente maximaux et du coût, respectivement. Les réponses sont définies à l'aide d'expressions qui se rapportent à chaque statistique de sortie particulière. Les réponses sont définies pour minimiser le temps ou le coût et un poids objectif leur est attribué. Les propriétés de référence sont les contrôles de l'expérience qui peuvent être facilement manipulés pour générer des scénarios de routage alternatifs.

Les réponses reçoivent des valeurs minimales et maximales avec l'incrément dans lequel une valeur de réponse particulière peut changer. En outre, les contraintes sont mises en œuvre en écrivant des expressions générales pour empêcher le modèle d'optimisation de générer des configurations infaisables. Les solutions optimales sont produites à l'aide du logiciel complémentaire appelé OptQuest. Un minimum de 35 réplications et un maximum de 3 000 scénarios sont configurés dans OptQuest dans le cadre de cette expérience. Le logiciel génère et simule des scénarios à l'aide des commandes et interprète les réponses avant de générer de nouveaux scénarios. Les données historiques de chaque scénario simulé sont utilisées lors de la création de nouveaux scénarios afin de trouver des solutions possibles basées sur la fonction objective. OptQuest continue à reproduire le processus jusqu'à ce qu'une solution optimale soit trouvée ou que le nombre maximum de scénarios soit simulé.

5.2 Réalisation d'expériences

OptQuest exécute l'expérience et effectue jusqu'à 105 000 simulations en fonction de la conception de l'expérience. Une fois l'expérience terminée, les résultats sont triés en utilisant les paramètres des variables de réponse afin d'éliminer les scénarios qui ne correspondent pas aux objectifs. Les scénarios restants sont exportés dans une autre expérience pour plus de réplications à comparer avec le modèle de base. Dans la nouvelle expérience, la conception est simulée pour 200 répétitions par scénario, y compris les solutions possibles et six configurations de la ligne de base avec le même programme d'itinéraires. À des fins de comparaison, les six configurations représentant différents scénarios sont résumées comme suit
1) Base de référence
2) Scénario de base avec logement LBJ
3) Scénario de référence avec suppression de Bobcat Village South
4) Scénario de base avec suppression de l'arrêt et répartition des logements entre le matin et le soir
5) Scénario de référence avec suppression de l'arrêt et séparation des logements, le logement du soir étant situé à LBJ
6) Ligne de base avec logement séparé

Ensuite, les résultats de la nouvelle expérience sont examinés plus en détail afin de sélectionner les améliorations possibles sur la base des scénarios reproduits en plus grand nombre pour la précision des données.

5.3 Analyse des expériences

Les scénarios qui sont inférieurs à l'itinéraire et au service requis (en ce qui concerne les temps d'attente maximum et moyen) sont éliminés à l'aide des fonctions "moins que" dans l'expérience. Ensuite, la comparaison des configurations et des réponses est analysée plus en détail pour sélectionner les parcours qui surpassent les autres solutions possibles. Des graphiques sont produits dans SIMIO pour déterminer la qualité de chaque scénario. Les graphiques sont basés sur les graphiques MORE (Measure of Risk and Error) développés par Barry Nelson [7] et les labels SIMIO SMORE [8]. Les diagrammes affichent des diagrammes en boîte, des histogrammes et des diagrammes en points améliorés en fonction des réponses souhaitées et des scénarios sélectionnés. La figure 5 donne un exemple de graphique SMORE pour le temps d'attente moyen à Bobcat Village North en fonction des six configurations de la ligne de base. Le logiciel permet de tracer toutes les variables de réponse de cette manière à des fins de comparaison. Les scénarios de solutions possibles sélectionnés qui produisent des variations importantes ou des valeurs aberrantes sont supprimés. Les solutions finales sont déterminées sur la base de la qualité des statistiques de sortie. Bien qu'il existe un grand nombre de solutions réalisables, beaucoup sont éliminées sur la base des comparaisons et des préférences déduites des données qualitatives et quantitatives.

L'impact sur l'entreprise

6. Résultats et recommandations

En utilisant certaines configurations d'horaires, la suppression d'un arrêt et les pratiques de logement des bus, la ligne peut s'attendre à d'importantes réductions de coûts et d'émissions de carbone tout en continuant à fournir des services de qualité aux étudiants (voir tableaux 4-6).

Tableau 4 : Résultats des réponses (l'unité de temps est la minute)

6.1 Réduction des coûts

Le tableau SMORE des scénarios de coûts montre que les coûts calculés à partir des réplications peuvent être considérés comme valables (voir figure 6). Les scénarios présentent de nombreuses solutions valables avec un large éventail d'économies possibles. Le tableau 5 montre les économies prévues sur la base d'un scénario pessimiste, réaliste et optimiste. Les économies attendues se situent entre 10 et 20 %. Par exemple, le scénario pessimiste montre que l'on pourrait économiser jusqu'à 400 dollars par bus et par jour, tandis que la solution optimiste montre que l'économie pourrait atteindre 800 dollars. Même dans le cas du scénario pessimiste, l'économie annuelle peut atteindre 420 000 dollars par an, ce qui réduit le coût actuel de 10 %.

Tableau 5 : Réduction des coûts prévue

Coût calculé ($)

6.2 Économies de carbone

La réduction de la distance de déplacement permet non seulement de réduire les coûts d'exploitation, mais aussi d'économiser sur le plan environnemental. En combinaison avec d'autres contrôles, les économies de carbone projetées sont basées sur les mêmes scénarios que ceux décrits dans la section 6.1 et présentés dans le tableau 6. Les économies de CO2 estimées se situent entre 10 et 23 %. L'ensemble peut représenter jusqu'à 11 556 kg d'économies de carbone par jour ou près de 24 000 tonnes d'émissions de carbone évitées par an.

Tableau 6 : Économies de CO2 prévues

6.3 Recommandations

Sur la base des résultats de la simulation, le service de bus peut être amélioré en mettant en œuvre une ou plusieurs des recommandations suivantes : 1) supprimer l'arrêt Bobcat Village Sud ; 2) réaffecter le logement à Bobcat Village Nord jusqu'à 9h30 ; et 3) continuer jusqu'à LBJ pour le reste de la journée. En outre, la modification de l'horaire des bus peut entraîner une réduction significative des coûts et des émissions de carbone. Bien que de nombreuses solutions puissent être mises en œuvre, la solution proposée (voir tableau 7) fournit le service souhaité tout en réduisant considérablement le budget d'exploitation et les incidences sur l'environnement. L'objectif se situe entre les scénarios réaliste et optimiste, avec plus de 600 dollars d'économies (voir tableaux 5 et 6), ce qui permet de réduire de plus de 15 % les émissions de carbone et les coûts d'exploitation.

Tableau 7 : Solution proposée pour contrôler les paramètres et les variables

7. Conclusion

Cette recherche vise à mettre en place un système de service de bus durable en utilisant des données informatiques en temps réel afin de réduire les coûts d'exploitation et la consommation de carburant sans compromettre la qualité du service. En raison des conditions d'exploitation dynamiques, les méthodologies statiques d'acheminement des bus peuvent être inefficaces et entraîner de grandes quantités d'émissions de carbone ainsi que des coûts d'exploitation et de maintenance supplémentaires. Cette étude de cas démontre que la fusion des données GPS en temps réel avec les informations disponibles sur les déplacements peut créer un modèle de simulation précis qui permet au planificateur d'optimiser le temps de parcours et l'itinéraire physique. Contrairement à l'optimisation statique des itinéraires, le modèle basé sur les données peut évoluer en fonction des caractéristiques changeantes d'un itinéraire et donner naissance à une solution adaptative dans un environnement incertain. Le modèle proposé et l'approche de simulation peuvent être facilement mis en œuvre à l'aide d'un logiciel standard. L'étude en est maintenant à la phase de mise en œuvre éventuelle d'une solution dans le système de transport par bus de l'université, sur la base des résultats préliminaires. La configuration d'itinéraire suggérée devrait permettre de réaliser des économies de 11,3 à 20,2 millions de dollars sur dix ans, avec une réduction supplémentaire de 11,4 à 24,3 milliers de tonnes de l'empreinte carbone. Pour les recherches futures, cette étude étendra et généralisera le modèle de simulation dans le but de promouvoir l'analyse des big data en conjonction avec les systèmes de transport actuels afin de réduire considérablement les gaz polluants nocifs et les coûts.

Remerciements

Nous remercions tout particulièrement Steven Herrera, Stephanie Daniels et Alex Vogt, des services de transport de l'État du Texas, qui nous ont fourni des données essentielles et des informations sur les itinéraires de bus. Nous remercions également Phillip Bateman pour son aide dans la collecte des données et Jacob Warren pour avoir fourni les liens web vers les données brutes et nous avoir orientés vers l'utilisation d'un JSON. Nous remercions également Rick Swan pour avoir créé le JSON et stocké les données. Cette recherche est soutenue en partie par l'USDA dans le cadre de la subvention #2011-38422-30803.

Références

1.(WPTGCG) "Where Publictransport public, la communauté s'agrandit"
http://www.publictransportation.org/news/facts/Pages/default.aspx,(consulté le 20 janvier 2015)
2.EPA, "Greenhouse Gas Emissions froma Typical Passenger Vehicle", disponible à l'adresse suivante
http://www.epa.gov/otaq/climate/documents/420f14040.pdf,(consulté le 21 janvier 2015)
3) L. Wright, W. Hook, Bus Rapid Transit Planning Guide, 3e édition, Institute for Transportation & Development Policy, publié en juin 2007,https://www.itdp.org/wp-content/uploads/2014/07/Bus-Rapid-Transit-Guide-Complete-Guide.pdf,(consulté le 1er décembre 2014).
4) Transit Capacity and Quality of Service Manual, 2e édition, Transportation Research Board, Washington, D.C. http://www.trb.org/main/blurbs/169437.aspx(consulté le 14 novembre 2014).
5) Rapport 118 du TCRP, Bus Rapid Transit Practitioner's Guide, Transportation Research Board, Washington, D.C. http://onlinepubs.trb.org/onlinepubs/tcrp/tcrp_rpt_118.pdf,(consulté le 20 novembre 2014).
6. Route 12-Bobcat Village,http://www.shuttle.txstate.edu/springschedule/Campus/route12.html,(consulté le
30 janvier 2015).
7. B. L Nelson, "The more plot : Displaying measures of risk and error from simulation output," in Proceeding of the 2008 Winter Simulation Conference, 2008, pp. 413-416.
8. D. Kelton, J. Smith, D. Sturrock, Simio & Simulation : Modeling, Analysis, Applications, 2nd Edition, McGraw Hill, Boston, 2011.

Matthew Snead, David Holt et Michael Mullen travaillent à l'université d'État du Texas et représententSimgineers.