Aller au contenu

Étude de cas

Prédire l'affluence en temps réel pour un transport public sécuritaire

L'intelligence artificielle permet d'estimer et de prédire le nombre de passagers dans les voitures de métro en temps réel, favorisant la distanciation physique et augmentant le sentiment de sécurité des usagers lors de situations sanitaires critiques.

Publié et mis à jour le 23 mai 2025
3 min.
Prédire l'affluence en temps réel pour un transport public sécuritaire

La pandémie de COVID-19 a transformé l'utilisation des transports publics, créant des préoccupations majeures concernant la sécurité sanitaire des usagers. Face à cette situation inédite, la Société de transport de Montréal (STM) devait rapidement développer une solution pour permettre aux passagers de prendre des décisions éclairées concernant leur utilisation du métro. L'intelligence artificielle s'est imposée comme la solution pour analyser en continu les données de télémétrie des voitures et fournir des prédictions précises d'affluence.

Les avantages de l'IA

  • Précision élevée : Les modèles d'apprentissage profond atteignent une précision à trois personnes près pour l'estimation du nombre de passagers par voiture

  • Traitement en temps réel : Analyse continue des données de capteurs pour fournir des informations instantanées

  • Prédiction future : Capacité à anticiper l'affluence pour permettre une planification optimale des déplacements

  • Adaptation automatique : Mesures précises du nombre de passagers même lorsque le métro change de vitesse ou prend des virages, évitant ainsi les fausses informations qui pourraient compromettre le calcul de l'occupation réelle des voitures

  • Évolutivité : Possibilité d'étendre la solution à l'ensemble du réseau métropolitain

Avant l'IA

  1. Comptage manuel : Estimation approximative basée sur l'observation visuelle du personnel

  2. Données historiques statiques : Utilisation de moyennes basées sur des périodes passées sans considération des variations en temps réel

  3. Aucune prédiction : Impossibilité d'anticiper l'affluence future pour la planification des usagers

  4. Information limitée : Absence d'outils pour informer les passagers de l'état d'occupation des voitures

  5. Réactivité faible : Ajustements de service basés sur des observations après coup plutôt que sur des prédictions

L'impact positif de l'IA

  • Sécurité sanitaire renforcée : Facilitation de la distanciation physique grâce à une information précise sur l'occupation

  • Confiance des usagers restaurée : Retour progressif des Montréalais dans le réseau souterrain grâce à une information transparente

  • Modernisation technologique : Mise à niveau complète de la plateforme technologique et des infrastructures de données

  • Autonomisation des équipes : Transfert de connaissances permettant à la STM de maintenir et améliorer les modèles de façon autonome

  • Déploiement opérationnel : Affichage en temps réel de l'information sur les écrans des stations de la ligne orange

Quel type de projet d’IA est-ce ?

Exemples d’applications selon la taille de l’entreprise

Petite entreprise :

  • Transport adapté local : Optimisation des trajets pour services de transport médical ou transport scolaire en milieu rural

  • Navettes d'entreprise : Gestion intelligente des navettes d'employés pour petites compagnies technologiques

Entreprise de taille moyenne :

  • Réseau d'autobus régional : Prédiction de l'affluence pour compagnies de transport intermunicipal

  • Flottes de véhicules partagés : Optimisation de la distribution des véhicules selon la demande prévue

Grande entreprise :

  • Réseaux de transport métropolitains : Gestion complète de systèmes de transport urbain avec multiples lignes et stations

  • Compagnies aériennes : Prédiction de l'affluence dans les aéroports et optimisation des opérations au sol

Synthèse

Le projet mené par la STM en collaboration avec Moov AI démontre comment l'intelligence artificielle peut rapidement répondre à des défis sanitaires inédits tout en modernisant durablement les infrastructures de transport public. Cette initiative a non seulement permis de rassurer les usagers montréalais durant la pandémie, mais a également doté la STM d'une expertise interne en IA qui lui permet aujourd'hui de continuer à innover de manière autonome. L'impact va au-delà de la simple gestion de crise, créant une base technologique solide pour l'avenir du transport public intelligent à Montréal.

Autres articles

Automatiser le traitement des documents juridiques complexes

Cas d'usage

Automatiser le traitement des documents juridiques complexes

Une solution d'automatisation documentaire permet de réduire de 50 à 75 % le temps de traitement des contrats et documents juridiques. Les professionnels peuvent ainsi se concentrer sur l'analyse stratégique plutôt que sur les tâches répétitives d'extraction et de vérification.

La correction de textes transformée : quand la technologie redonne du temps aux enseignants

Étude de cas

La correction de textes transformée : quand la technologie redonne du temps aux enseignants

Un outil novateur permet aux enseignants de français de récupérer jusqu'à 30 heures par centaine de copies, transformant radicalement leur approche pédagogique et l'engagement des élèves.

Quand l’intelligence artificielle accélère l’arrivée du matériel médical au port

Étude de cas

Quand l’intelligence artificielle accélère l’arrivée du matériel médical au port

Transformer la gestion des urgences sanitaires par l'identification automatique et l'optimisation des flux de marchandises critiques

Détection en temps réel des infections hospitalières

Étude de cas

Détection en temps réel des infections hospitalières

Une solution technologique détecte automatiquement les infections nosocomiales et identifie les patients à risque, permettant une intervention rapide pour protéger la santé des patients et optimiser les ressources hospitalières.

Des fonds marins cartographiés automatiquement avec une précision inégalée

Étude de cas

Des fonds marins cartographiés automatiquement avec une précision inégalée

Des véhicules sous-marins autonomes équipés de caméras et capteurs collectent désormais des milliers d'images océaniques qui sont analysées par des algorithmes pour identifier et géolocaliser automatiquement les espèces marines.