Lundi, 8 h 30, quelque part en France. Sur le quai du métro, des dizaines de personnes s’amassent. Une rame entre en station, bondée. L’affluence est à son comble. Les passagers commencent à jouer des coudes pour tenter de se frayer un chemin. Ce sera celui-là, et pas le suivant. Cette scène, bien connue dans les stations de métro des grandes villes, est l’une des cinq principales sources de crispation dans les transports en commun identifiées par l’observatoire des mobilités Keoscopie. C’est même devenu une source d’angoisse depuis la crise sanitaire avec les nouvelles contraintes de distanciation physique. Désormais, l’affluence s’impose comme un critère déterminant dans le choix de trajets des passagers, d’où les efforts conjoints des opérateurs et des AO pour mieux l’anticiper.

Afin d’éviter les scénarios cauchemar, plusieurs villes se sont emparées du sujet de l’affluence. Comment anticiper les pics ? Comment orienter les choix des voyageurs avant leurs trajets ? Sur le terrain, les professionnels de la mobilité innovent avec des solutions d’information et de prédiction d’affluence. C’est le cas de la ville de Dijon, où Keolis Dijon Multimodalité a mis en place une signalétique spécifique à destination de la population estudiantine, afin de faciliter son orientation aux arrêts de bus et de tram de la place de la République. L’objectif ? Décongestionner le tram aux heures de pointe en incitant les étudiants sortant de la ligne T2 à rejoindre l’université via le bus Liane 3 plutôt qu’en empruntant la ligne de tram T1, pour un temps de trajet similaire.

Un dispositif plébiscité, qui a d’ailleurs valu à Keolis Dijon Multimodalité d’être récompensé par l’Agence de l’Innovation pour les Transports.

À Besançon, pour anticiper les pics de sur­­fréquentati­on du réseau, Keolis Besançon Mobilités expérimente depuis septembre 2022 l’application Ginko auprès d’un groupe de bêta-testeurs. Celle-ci permet de connaître l’affluence en temps réel sur le réseau, mais également de prédire l’affluence à venir sur le réseau de bus et de tramway Ginko. Les voyageurs-testeurs peuvent ainsi connaître le nombre de voyageurs à l’instant T, la prévision de fréquentation théorique (par type de jour, ligne, arrêt) en fonction des données récoltées par les cellules de comptage, mais aussi la prévision d’affluence ajustée en temps réel à l’arrêt. Résultats à venir dans les prochains mois !

Aux Pays-Bas, la ville de Twente utilise de son côté l’intelligence artificielle (IA) pour prédire l’affluence à bord en fonction… de la météo. Avec ses côtes longeant la mer du Nord, les Pays-Bas bénéficient d’un climat tempéré, mais bien souvent humide et nuageux. Des conditions météorologiques qui conduisent régulièrement à une augmentation de la demande en transports en commun, notamment durant la semaine. Afin d’optimiser le réseau de bus, Keolis Nederland a décidé de recourir à un algorithme d’apprentissage profond (dit « de deep learning ») pour analyser les réseaux de bus dans cette région située près de la frontière allemande. L’IA a croisé les données historiques de validation des passagers avec celles des conditions météo à l’heure de départ des bus, pour apporter des prédictions fiables sur le niveau d’affluence sur les différentes lignes. Grâce à ces informations, Keolis Nederland peut adapter et optimiser son offre de transport et la répartition des véhicules selon la météo ! L’IA a pu améliorer la précision des prédictions d’affluence sur le réseau de Twente de 27 % en semaine, et de 66 % le week-end. Un franc succès !

Réduction de la surcharge des transports, renforcement de la sécurité, meilleure planification et gestion du réseau, optimisation des coûts : les dispositifs d’information et de prédiction d’affluence sont désormais incontournables pour optimiser la performance des réseaux et améliorer la qualité de l’expérience voyageur. Pas besoin de boule de cristal pour deviner que les solutions de prédiction d’affluence ont de beaux jours devant elles.