Véritables assistants de voyage, aujourd’hui les applications de mobilité ont pour principale mission de guider au mieux l’utilisateur. Notamment en incluant sur une seule et même plateforme la planification de trajets, voire la réservation d’une myriade de mode de transports publics et privés avec les solutions appelées MaaS. Des plateformes de mobilité permettant de faire économiser pas moins de 90 heures par an, d’après une étude de Juniper Research. Meilleur itinéraire, trajet plus court,… Ne pourrions-nous pas encore aller plus loin ? Découvrez à travers cet article, dans quel cas d’usage le Machine Learning s’allie parfaitement à la recherche d’itinéraires…
Le Machine Learning en quelques mot
Sous branche d’un concept connu depuis des années, le Machine Learning est en partie basée sur l’intelligence artificielle (IA). Utilisé pour la première fois par Arthur Samuel, pionnier de l’IA en 1959, le Machine Learning traduit la capacité à une machine d’apprendre par elle-même. Et sans pour autant la programmer de façon explicite.
C’est notamment le cas dans les programmes de reconnaissance faciale par exemple. De par la complexité de la sélection des données d’entrée, ce type de programme ne serait possible qu’en récupérant les pixels de chaque visage. Pour ensuite, les comparer à différents modèles. De quoi vous laisser imaginer le volume de lignes de codes nécessaires pour un tel programme. À première vue, un programme impossible à développer, mais dont les ingénieurs sont parvenus à coder. Et ce, grâce au Machine Learning fondé sur les statistiques et les mathématiques.
Un concept révolutionnant aujourd’hui de nombreux secteurs. Tels que la santé via des programmes capables de détecter des cellules cancéreuses. Ou encore l’industrie aérospatiale, l’industrie biomécanique, et bien évidemment l’industrie du tourisme.
À l’ère du MaaS et de l’intermodalité, le Machine Learning s’apparente aujourd’hui comme une solution pouvant rendre encore plus intelligentes les plateformes de mobilité. Notamment au niveau des calculateurs de trajets. Le rendant plus flexibles en se basant sur différents facteurs de prédiction. Des facteurs que nous avons décidé de scinder en 3 parties. À savoir : le profil de l’utilisateur, l’environnement, et enfin le contexte d’utilisation.
1. Planifier un trajet en fonction du profil de l’utilisateur
Et si le meilleur itinéraire ne se résumait pas seulement à la durée avec le trajet le plus court. Mais également au plus agréable ? Une problématique dont le Machine Learning pourrait apporter la solution. Notamment en personnalisant au maximum l’expérience client. Mais comment ? Pour y répondre, prenons l’exemple de trois amis, Thibault Alex & Roxanne. Nous ne sommes plus en période de COVID et ces derniers ont décidé de se retrouver dans un café en centre-ville. Comme à leur habitude, au moment de rentrer, chacun utilise la même application mobile afin de planifier son propre itinéraire.
Du côté de Matthieu, ce dernier se voit proposer un trajet à pied. Grand sportif, ce dernier n’est pas dérangé à l’idée de n’être chez lui que dans 28 minutes. Un temps de trajet surement plus long, mais lui permettant d’économiser le coût de trajet. Alors qu’au contraire, pour Alex l’application lui proposera en premier choix un trajet en bus. Du fait qu’il soit plus sensible au confort de son trajet. Une envie également partagée par Roxanne. Mais sachant qu’elle ne supporte pas les transports en commun, l’application lui a alors proposé comme première option un VTC.
2. Planifier un itinéraire en fonction de l’environnement
Et si au-delà de l’analyse du profil de nos utilisateurs, notre planificateur de trajets se basait également sur l’environnement ? Aujourd’hui certaines applications sont capables d’informer sur l’état du trafic routier. Mais imaginez un instant, faire rentrer en jeu d’autres paramètres tels que la météo. Des données issues de différentes API telles que Météo Concept, OpenWeatherMap, DarkSky, ou encore WeatherStack. Ou encore des données relatives à la pollution de l’air, fournies par des organismes tels que Atmo, IQAir ou encore OpenAQ. En ajoutant ce type de données, tout calculateur de trajet passerait à un niveau au-dessus.
Reprenons le cas de nos 3 amis présentés ci-dessus. Au moment de rechercher leurs itinéraires, l’application leur informe que durant le trajet, il y a de fortes chances qu’il se mette à pleuvoir des cordes. Une prévision signalée en amont à Thibault, qui a ainsi décidé de finalement prendre le bus. Autre cas encore plus révélateur avec Roxanne. Cette dernière a l’habitude tous les soirs de suivre son feuilleton à 19 h. Ayant choisi d’opter pour le VTC, cette dernière se retrouve finalement bloquée sur la route. Une donnée susceptible d’être prédite avec le Machine Learning permettant ainsi de proposer à Roxanne un autre mode de transport plus rapide.
3. Proposer un trajet en fonction du contexte
Par contexte, nous entendons par là dans quelles circonstances, pour quelle raison l’application est-elle utilisée. Reprenons l’exemple de nos 3 amis, pour illustrer ce dernier critère. Sportif chevronné, il arrive souvent à Thibault d’utiliser l’application à la suite de sa séance à la salle de sport. D’ordinaire, l’application lui propose un trajet intermodal combinant le bus suivi de 15 minutes de marche. Pas toujours évident après avoir couru 20 kilomètres sur le tapis de course. Une condition physique et un niveau de fatigue, pouvant être prédits par lE Machine Learning.
Et nous pouvons aller encore plus loin avec Alex. En effet, toutes les 3 semaines, il a l’habitude d’effectuer de grandes courses alimentaires. Et qui dit grandes courses, dit forcément plusieurs sacs à porter. Pas toujours évident en bus et encore plus s’il y a plusieurs correspondances. Une information qu’en amont le Machine Learning aurait pu prédire et ainsi proposer le trajet le moins “contraignant”.
Favoriser l’utilisation des opérateurs en free-floating
L’une des principales attentes vis-à-vis du MaaS résulte dans la promotion de modes de transports plus durables. Notamment avec les opérateurs en free-floating. À la différence des autres moyens de transports, ces derniers sont libres d’accès. Un modèle rendant parfois difficile la planification de trajets intermodaux.
Prenons le cas d’Alex qui décide de choisir un itinéraire intermodal comprenant trajet en métro + trottinette. Trois stations et quelques minutes de marche plus tard, plus aucune trottinette de disponible à la Défense. Contraint de continuer à pied, ce dernier arrive avec plus de 15 minutes de retard au travail.
En effet, entre l’étape de recherche de trajets, jusqu’au moment de déverrouiller la trottinette ou le vélo, il peut s’écouler plusieurs minutes. Une problématique pouvant être résolue via le Machine Learning notamment à l’aide des données d’utilisation des opérateurs en free-floating. Des informations susceptibles de permette au Machine Learning de faire des prévisions sur des scénarios d’utilisation, sur telle zone géographique recherchée. De quoi garantir la disponibilité !
