Estimer et prédire le nombre de passagers en transport en commun
Par Moov AI | Publiée le 8 avril 2022
Problématique et objectifs poursuivis
Problème
- À partir de mars 2020, la pandémie de COVID-19, combiné au télétravail généralisé qui s’en est suivi pour plusieurs Montréalais ont réduit rapidement et considérablement le nombre de passagers du métro de Montréal. Des usagers avaient des inquiétudes quant à leur sécurité à l’intérieur du réseau métropolitain. La STM a dû rapidement réagir et mettre en place de mesures de prévention afin de favoriser la distanciation physique dans les transports publics.
- Pour pallier ces problèmes, la STM voulait se munir d’un outil permettant d’estimer en temps réel et de prédire le nombre de passagers dans les voitures de métro. La STM pourrait ainsi faciliter la distanciation physique à l’intérieur même de ces voitures, en augmentant le sentiment de sécurité pour les passagers.
Objectifs
- Estimer le nombre de passagers en temps réel
- Prédire le nombre de passagers futurs
Solution proposée
Solution
La STM a fait appel à Moov AI pour accompagner son équipe dans la réalisation d’un projet d’apprentissage machine pour prédire le trafic dans les voitures de train afin de mieux respecter la distanciation sociale et ainsi minimiser la propagation du virus dans le réseau de métro. La réalisation du projet s’est effectuée en mode accéléré dû à l’éclosion de la pandémie de COVID-19.
Principe
Les équipes ont utilisé des données fournies par la télémétrie des voitures de train, qui sont équipées d’une quantité phénoménale de capteurs en tout genre.
Afin d’évaluer le nombre de passagers dans les voitures de train, la solution utilise les capteurs de charge qui calculent le poids des voitures. Logiquement, une voiture plus lourde aura plus de passagers. Ces données sont ultra précises et ont permis d’arriver à une marge d’erreur satisfaisante pour le premier projet.
Nous avons accompagné les spécialistes en science de données et développeurs de données de la STM à franchir les obstacles pour déployer la première version de leur solution dans le cloud.
Rôle de l'IA
En raison de la complexité et du caractère pluridimensionnel du réseau de métro, qui comprend une multitude de quais et de voitures ayant chacun une configuration unique, une solution centrée autour de l’IA s’imposait. Sans IA et un algorithme capable de réagir aux multiples signaux qui lui sont envoyés, il aurait été impossible pour les équipes du projet d’arriver à un degré de précision élevé.
Techniques utilisées :
- Algorithmes;
- Apprentissage automatique;
- Apprentissage profond (perceptron multicouche);
- Réseaux de neurones profonds;
- Encodeurs;
- Décodeurs;
- Régression;
- Modèle d’apprentissage actif en ligne;
- Apprentissage ensembliste (XGBoost);
- Apprentissage profond récurrent (LSTM)
Retombées obtenues
Retombées principales
Impacts sur la STM
Le projet a eu un impact considérable sur la modernisation de la plateforme technologique, de son infrastructure, de ses algorithmes en apprentissage profond et de l’avancement de la connaissance en IA à la STM. Ces derniers ont maintenant les outils pour mieux s’adapter aux situations sanitaires changeantes et peuvent utiliser les données reçues dans leurs prises de décisions.
Grâce à ces apprentissages, leur équipe a déployé une nouvelle version du modèle d’IA, de manière autonome, basé sur des données temps réel des voitures de la ligne orange pour encore mieux prédire le trafic dans le métro.
Ce nouveau système d’IA est affiché sur les écrans de vos stations préférées sur la ligne orange.
Nous sommes fiers d’avoir accompagné les équipes de la STM qui ont redonné confiance aux Montréalais usagers du métro de pouvoir revenir dans les installations sous terraines en toute sécurité.
Démocratiser l’IA dans les organisations passe entre autres par l’autonomisation des équipes chez nos clients.
Impacts sur Moov AI
Chez Moov AI, le mandat a été un catalyseur de développement d'affaires. Ayant livré la solution en six mois, les résultats de ce projet ont donné à Moov AI une exposition importante auprès des organisations qui recherchent des solutions similaires. À l’interne, le projet a permis à Moov AI d‘enrichir leur expérience en équipe mixte (Moov AI-STM) et d’améliorer leurs processus de déploiement de projets en apprentissage profond.
Génération et diffusion de nouvelles connaissances
Moov AI a contribué au transfert technologique en formant deux membres de l’équipe de la STM. Les connaissances acquises leur ont permis de maintenir et d’améliorer les modèles en IA, dont ils ont aujourd’hui l’autonomie complète.
Défis relevés
Dans le cadre de ce mandat, les capteurs de charge étaient sensibles à la vitesse des voitures et aux courbes que celles-ci empruntaient. Dû à cette sensibilité, les données collectées par les pèse-personnes variaient constamment. Ces variables ont par la suite été considérées dans les algorithmes en apprentissage profond.
De plus, il a été important pour les équipes de la STM et Moov AI de considérer les normes et les réglementations lors de l’élaboration d’un projet avec un organisme de transports publics. L’entreprise a dû se conformer aux réglementations de la STM et utiliser des outils normalisés.
La précision des résultats était un facteur important, car l'impact qu’un faux négatif peut avoir est considérable, c’est-à-dire, une estimation laissant présager qu’il y a peu de personnes à l’intérieur de la voiture du métro et qu’en réalité, la limite des passagers est dépassée. Par exemple, une des situations à éviter était qu’une personne ayant un système immunitaire affaibli prenne le métro à un moment de trafic plus dense, après avoir consulté l’information de la STM. C’est pourquoi Moov AI a fourni davantage d’efforts pour la conception d’une solution dépassant la cible de précision établie dans la phase de conception du projet. Le modèle en apprentissage profond que Moov AI a développé conjointement avec la STM a développé a permis d’estimer le nombre d’usagers par voiture, et ce, à trois personnes près.
Conditions de réussite
Équipe mobilisée
Ressources internes
- Analystes de données;
- Architectes de solutions;
- Scientifiques de données;
- Ingénieurs de données;
- Développeurs de logiciels;
- Concepteurs UI/UX;
- Gestionnaire de projet d’IA.
Ressources externes
- Équipe hybride STM-Moov AI
- Gestionnaires de projet
Étapes du projet
Organisation d’un atelier d’un jour pour comprendre la problématique et établir la stratégie;
Conception d’un modèle minimum viable (conception du modèle sans les connexions aux infrastructures);
Développement des infrastructures d’apprentissage automatique;
Conception d’un produit minimum viable (connexion du modèle aux infrastructures);
Amélioration du flux de travail;
Remise de la documentation et du code à la STM