Analyse de la qualité de données sur le transport à Montréal… le CRIM, une référence en science de données au Québec!


L’expertise du CRIM a été mise à contribution par la Ville de Montréal en 2016-2017 dans le cadre du projet MTL Trajet. Cette application mobile permet à tout citoyen de fournir des données sur ses déplacements à la ville en téléchargeant l’application MTL Trajet. L’objectif de la Ville de Montréal était d’utiliser les données recueillies afin d’analyser et d’améliorer le système de transport municipal, par exemple en déterminant les quartiers ou artères moins bien desservies. Ce système pourrait permettre de bonifier les trajets d’autobus, les pistes cyclables ou d’autres infrastructures dans une direction qui tient compte des besoins réels des citoyens.

Le Réseau de transport métropolitain (RTM) possède lui aussi un système qui lui permet de recueillir des données sur les déplacements des Québécois : il s’agit des enquêtes Origine-Destination. Ces enquêtes téléphoniques, effectuées tous les cinq ans, ciblent une quantité de personnes au hasard et recueillent de cette manière un échantillon statistique représentatif des déplacements de la population. La Ville de Montréal désirait savoir si le système de MTL Trajet, un projet où la participation se fait sur base volontaire, donc où on ne retrouve pas d’échantillon statistique proportionnellement représentatif de la population, pouvait fournir des données de valeur équivalente que celles des enquêtes du RTM.

La Ville de Montréal a donc fait appel à l’équipe Technologies Émergentes et Science des Données du CRIM pour comparer les ensembles de données des deux systèmes (enquêtes origine-destination du RTM et données de MTL Trajet). Résultat : en général, les données obtenues sont assez similaires, ce qui permet de penser qu’un mode de cueillette de données non statistique tel que MTL Trajet peut être utile pour obtenir rapidement une grande quantité de données. De plus, dans le groupe des 25-34 ans, MTL Trajet a obtenu des résultats plus représentatifs que le RTM : le pourcentage des répondants appartenant à ce groupe d’âge (30%) se rapproche plus de la proportion réelle des Montréalais de cet âge (25%) que la proportion de répondants de 25-34 ans à la dernière enquête du RTM (15%). MTL Trajet permet aussi une plus grande précision dans l’analyse des trajets, car l’application suit le déplacement complet de chaque utilisateur, pas seulement le point de départ et la destination : la plateforme permet à la ville de voir, entre autres, les détours empruntés et le temps passé à tourner en rond à la recherche d’un stationnement. Ces informations risquent d’être fort utiles pour développer des solutions de transport adaptées aux besoins des citoyens.

Le projet de comparaison des ensembles de données réalisé par le CRIM a fait appel aux expertises de ses chercheurs en science des données. MTL Trajet a réalisé en 2017 sa deuxième cueillette de données.

Équipes

Nouvelles récentes

  • Le CRIM partie prenante d'un vaste projet technologique autour des langues autochtones canadiennes!
    05/12/2018

    Le CRIM est fier d’annoncer le début d’une collaboration à long terme avec le Conseil national de recherches du Canada (CNRC) dans le cadre d’un projet visant à encourager la revitalisation et la préservation des langues autochtones grâce aux technologies

    +

Événement à venir

  • HASE 2019
    3/01/19 2019h00
    Hangzhou, China
    Le CRIM présentera deux articles à la 19e édition du IEEE International Symposium on High Assurance Systems Engineering, qui se déroulera du 3 au 5 janvier 2019 à Hangzhou, Chine
    +
  • Montréal International RT @MTLINTL: #DYK Montréal has one of the deepest #AI talent pools in the world ???? More details ???? https://t.co/R073su8k8z #NeurIPS #NeurIPS2…
  • Tom Landry RT @Tom_Landry_: Hey @opengeospatial and @CRIM_ca ! Poster is set up at #AGU18 to present (draft) work of #MachineLearning task of Testbed-…

Publications récentes

  • Towards Automatic Feature Extraction for Activity Recognition from Wearable Sensors: A Deep Learning Approach

    +
  • Checking Sequence Generation for Symbolic Input/Output FSMs by Constraint Solving

    +