Le document présente des stratégies d'optimisation des connexions de covoiturage et de transport en commun, en utilisant des algorithmes de machine learning et des données ouvertes. L'objectif principal est de minimiser les temps de détour pour les conducteurs tout en améliorant les mises en relation passager-conducteur en tenant compte des habitudes de déplacement. Il souligne également l'importance de l'intermodalité et de la coopération avec les acteurs territoriaux pour un impact environnemental et social positif.

1. Meetup Optimisation
28/03/2019

6. Optimisation(s) ?
Nos enjeux métier

7. Optimiser ...
Les mises en relation par rapport aux habitudes de
déplacements
Les mises en relation par rapport à des critères géographiques
Les complémentarités territoriales entre modes de
déplacements (covoiturage, transports en commun, …)
Notre impact sociétal (environnemental + social)

8. Comment ?

9. Apprendre les habitudes de déplacements
Algorithmes de machine learning
Basés sur différents événements : traces GPS, historique des
créations et recherches de trajets dans l’application, etc...
Objectif : connaître le plus précisément possible les
récurrences de trajets des utilisateurs afin de les mettre en
relation entre eux

10. Algorithmes basés sur des graphes
A
B
C
LMMJV 18h - 19h
Mer 17h - 18h
LMJV 18h - 19h
Mer19h30-20h30
Pondération de chaque arc en fonction de l’historique (données GPS, créations de
trajets et poids différent en fonction du type de donnée historique. Adaptation des
graphes de chaque utilisateur en temps réel en base de données (on ne stocke pas
forcément toute la donnée historique si elle n’est pas utile)

11. Choix d’implémentation : développement des
algorithmes en interne (en Go, comme l’ensemble de nos
algorithmes)
Stockage des données graphes dans MongoDB (choix lié aux fonctionnalités de
recherche géographiques de MongoDB et non à cette implémentation en
particulier : PostgreSQL/PostGIS pourrait être une autre solution viable pour
nos usecases)

12. Matching géographique
Calcul d’itinéraire en temps réel
Proximité entre le trajet d’un conducteur et le besoin de
déplacement d’un passager
En lien avec les habitudes de déplacements précédemment
évoquées
Objectif : Minimiser les temps de détour pour les
conducteurs et trouver des mises en relation réalistes

13. Open Data + Open Source
Utilisation de données ouvertes : OpenStreetMap, OpenAddresses,
Geonames, Who’s on First …
S’appuyer sur des calculateurs d’itinéraires libres (Valhalla, …)
Contribution aux projets amonts (Pelias : interpolation d’adresses, ...)

14. Intermodalité
Inscrire le covoiturage au sein de l’écosystème de mobilité
territorial
Calcul d’itinéraire « intermodal » (combinant covoiturage +
transports en commun + ...)
Objectif : optimiser le potentiel d’alternatives à la voiture
individuelle en combinant les modes de déplacements

15. Mixer nos données avec les données publiques
Utilisation de données ouvertes des collectivités (transport.data.gouv.fr)
S’appuyer sur des calculateurs d’itinéraires libres (Valhalla, Navitia …) et
contribution aux projets amonts (Transitland ...)
Intégration des points d’échanges multimodaux au sein de nos données
de trajets dans Ridygo.
Difficulté : trouver l’arrêt adéquat : le meilleur arrêt n’est pas forcément
celui pour lequel le temps de trajet théorique est le meilleur.
Besoin de coopération avec les acteurs du territoire dont les collectivités

16. Générer de l’impact (environnemental et social)
Maximiser le nombre d’offres de covoiturage par
l’interopérabilité : projet « Lyon Covoiturage Expérimentation »
avec la Blockchain (Hyperledger)
Optimisation des flux financiers pour générer de l’impact social
(monnaie virtuelle, diminution des frais bancaires pour reverser
aux personnes en insertion)
Si nous faisons tout ça, finalement c’est avant tout pour
répondre à ces enjeux de société !!!!! ;)

17. Merci !
arnaud.delcasse@scity.coop
@scity_arnaud
https://www.ridygo.fr