Quiconque a déjà circulé en Vélib’ à Paris, ou en Villo! à Bruxelles connaîtra sans doute ce sentiment de frustration, lorsqu’arrivé à sa destination finale, plus une seule place disponible dans la station pour y déposer son vélo. Et si plusieurs applications comme Univelo Paris ou Vivez Vélo existent déjà pour informer les usagers du remplissage des stations en temps réel, Qucit est la seule à ce jour donnant des prédictions quant aux disponibilités de places jusqu’à 45 minutes à l’avance.

Abréviation de « Quantified Cities », la start-up Bordelaise s’inspire du mouvement du Quantified Self, prônant l’utilisation des technologies pour collecter plus de données qui, une fois analysées, permettent aux acteurs du transport d’optimiser leur gestion et prise de décisions et ainsi de mieux répondre aux besoins des usagers. Centrée sur la mobilité urbaine, Qucit se base sur l’analyse de données contextuelles pour optimiser les déplacements des voyageurs, tout en accompagnant les gestionnaires d’exploitation dans l’anticipation de la demande.

Nous avons rencontré son fondateur, Raphael Cherrier, pour qu’il nous détaille le modèle de fonctionnement et les améliorations que l’étude des données peut amener à nos villes.

L’expérience utilisateur au cœur de la planification de l’offre de transport de demain…

Ces dernières années ont été marquées par de profonds bouleversements de l’offre de transport, avec l’apparition de nouvelles formes de mobilités partagées, et du rôle grandissant du digital dans l’accompagnement des voyageurs. Les progrès technologiques n’y sont pas pour rien : la digitalisation des processus et la démocratisation de l’internet mobile ont permis de générer des quantités de données astronomiques, notamment sur les habitudes de déplacements des usagers, dont l’analyse peut devenir un véritable levier d’optimisation de la planification de l’offre de transport.

C’est de cette révolution que sont nés de nouveaux acteurs comme la start-up Qucit. Raphaël Cherrier, est parti de l’observation qu’aujourd’hui, « les modèles numériques des villes sont de plus en plus complets, permettant de mieux modéliser l’impact des variables contextuelles sur les comportements humains. » Grâce notamment aux capteurs intégrés partout dans les villes, les données collectées et à disposition sont de plus en plus riches et nombreuses, et leur analyse permet une bien meilleure compréhension de la mobilité des populations urbaines.

QucitDans cette optique, M. Cherrier, lui-même docteur en physique théorique et ancien universitaire, affirme avoir « cherché à appliquer la modélisation mathématique aux comportements humains, à la manière dont les physiciens abordent la modélisation des lois de la  Nature. » Il mise alors sur ses années de recherche en analyse des données pour développer des modèles prédictifs pouvant décrire et anticiper les comportements de mobilité des populations. « Utilisateur fréquent des vélos en libre-service, je me suis rendu compte que l’on pouvait aller plus loin dans l’anticipation des besoins de rééquilibrage des stations. Je suis donc parti des données d’historique de Keolis Bordeaux pour développer un modèle, adaptable à d’autres services de VLS, permettant de prédire le remplissage des différentes stations jusqu’à quelques heures à l’avance. A ces données d’historique s’ajoutent des données extérieures comme les données de météo ou d’évènements spéciaux, qui ont un impact considérable sur le déplacement des populations. ».

 Des modèles prédictifs qui pourraient s’adapter aussi bien aux flottes de vélos ou voitures en libre-service, qu’à des systèmes de transports en commun ou à des parkings par exemple. La start-up est déjà ainsi fréquemment sollicitée pour réaliser des missions de conseil pour optimiser les systèmes de transport. L’utilisation des données peut en effet permettre de développer des modèles pour estimer l’impact d’implantation de nouvelles stations, ou la création de nouvelles lignes dans un réseau de transport par exemple.

…avec des applications intégrant des données multiples pour estimer le véritable temps de transport urbain…

BikePredictLa solution de Qucit se décompose aujourd’hui en deux activités majeures : d’un côté des modèles prédictifs vendus aux opérateurs de systèmes de mobilité, et de l’autre des applications grand public disponibles gratuitement sur tous les stores.

Plus concrètement, les modèles prédictifs BikePredict fonctionnent de manière assez différente selon la taille des villes dans lesquelles ils sont utilisés. « Pour les villes de taille moyenne, comme Bordeaux par exemple, nous proposons des applications pour tablettes par le biais desquelles nous communiquons directement avec les conducteurs des camionnettes en charge du déplacement des VLS entre stations. Dans les villes de taille plus importante comme Paris ou Londres, où la gestion de la relocalisation des flottes est centralisée, notre solution s’adresse directement au poste de gestion central. » Dans les deux cas, il s’agit d’accompagner les opérateurs dans leurs efforts logistiques de déplacement, afin de rééquilibrer les flux en estimant quelles stations risquent de se retrouver surchargées ou au contraire désertées dans les heures à venir. L’application grand public, disponible gratuitement sur tous les Stores, donne elle aux usagers des prédictions sur le remplissage des stations de vélos en libre-service, jusqu’à 45 minutes à l’avance.

De la même manière, l’application CityPark dédiée aux automobilistes leur permet d’estimer le temps qu’ils passeront à rechercher une place de parking dans un quartier donné. Les données mobilisées sont d’une part des données de type plans de transport, densité de population, météo, évènements spéciaux, mais aussi des données récupérées sur des plateformes de données ouvertes, de parkings publics par exemple. Celles-ci sont par ailleurs enrichies de données de géolocalisation émanant directement des usagers : « avec leur accord, nous géolocalisons les utilisateurs pendant une heure maximum, afin de connaître le temps qu’ils auront réellement passé à trouver une place de stationnement. Plus la base d’utilisateurs est importante, meilleures sont nos prédictions. » Cette fameuse masse critique d’utilisateurs reste un enjeu majeur pour tout nouvel acteur du transport, car c’est grâce à elle que leurs prédictions deviendront représentatives des véritables besoins des populations.

…mais qui peinent parfois encore à trouver un business model rentable

Comfort ParisSi les solutions BikePredict et CityPark ont déjà trouvé un modèle économique viable et adaptable à de nombreux systèmes de transport, tous les modèles prédictifs que la start-up envisage de développer ne sont pas aussi facilement réutilisables et rentables. A l’instar de son projet ComfortPredict, il reste parfois difficile de produire un service pouvant être monétisé et apportant une véritable valeur ajoutée aux usagers.

Réalisée en collaboration avec la ville de Paris et Cisco, l’application dédiée propose un index d’évaluation de confort des piétons dans les espaces publics, créé grâce aux retours directs des usagers. « Nous avons ainsi pu développer des cartes de stress détaillées et une analyse précise de l’impact de différents facteurs environnementaux sur le confort ressenti par les piétons. » Grâce à de telles applications, les citoyens sont de plus en plus investis dans l’amélioration de leur ville, permettant aux collectivités et autres acteurs publics de toujours mieux répondre à leurs besoins.

Les perspectives apportées par l’analyse des données sont pléthoriques, et Qucit en est un parfait exemple. Mises à disposition, les données de transport permettent l’émergence de start-ups dont les solutions peuvent non seulement permettre d’augmenter l’efficacité des systèmes, mais aussi de répondre plus finement aux besoins de mobilité des usagers. Ceux-ci ont également un rôle nouveau à jouer dans l’écosystème des villes, et sont de plus en plus sollicités pour en devenir des acteurs à part entière grâce aux nouvelles technologies du digital.