Détection de zones spatio-temporelles à fort potentiel, pour contribuer à la mise en place de services de mobilité partagée et de microtransit - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Detection of high potential spatio-temporal areas, to contribute to the implementation of shared mobility and microtransit services

Détection de zones spatio-temporelles à fort potentiel, pour contribuer à la mise en place de services de mobilité partagée et de microtransit

Résumé

The massive use of personal vehicles for urban journeys has created difficulties today challenging to overcome. The increase in congestion and greenhouse gas emissions in large cities are concrete examples of these abuses. However, many solutions that limit these aspects have been mentioned in the literature, such as developing new public transport lines or creating new shared mobility services. Although these new services have received much attention, most of these advances have focused on behaviors increasingly responsive to user demand. In other words, much work has been aimed at implementing dynamic matching methods between users. These recent developments stand out from so-called “conventional” approaches, traditionally used to implement new public transport lines.However, it seems evident that the objectives of these different approaches are pretty distant from each other. Indeed, public transport lines aim to meet a demand for massive and regular mobility. In contrast, shared mobility services tend to satisfy an individual and highly targeted demand. Therefore, in an attempt to overcome the problems inherent in each of these systems, hybrid methods have appeared. Among them, we can cite microtransit, or on-demand buses, which constitute genuine innovations in the context of urban mobility. Beyond these new services, the emergence of recent technologies such as autonomous vehicles has reinforced the idea that public transport could constitute, in the long term, a realistic solution to the decongestion of agglomerations.This thesis, therefore, aims to identify the limits of current public transport systems in urbanareas, then to constitute a theoretical base allowing the design of transport lines optimizedaccording to the demand for mobility. These methods should make it possible to quantify thisdemand and its spatial and temporal distribution precisely. They should also allow the processingof big data to respond to the issues raised in the literature. Finally, the genericity of the methodsapplied should allow their reuse in different contexts and with different types of services, thusmaking it possible to foreshadow the potential arrival of autonomous vehicles within theframework of collective and sustainable urban mobility.
L’utilisation massive des véhicules personnels pour les trajets urbains, a engendré ces dernières années des difficultés qui paraissent aujourd’hui difficiles à surmonter. L’augmentation de la congestion et, de surcroît, des émissions de gaz à effet de serre dans les grandes agglomérations, sont des exemples concrets de ces dérives. De nombreuses solutions permettant de limiter ces aspects ont cependant été évoquées dans la littérature, comme par exemple, le développement de nouvelles lignes de transports en commun, ou encore la création de nouveaux services de mobilité partagée. Bien que ces avancées aient suscité une vive attention, la plupart d'entre elles se sont orientées vers un fonctionnement de plus en plus réactif à la demande des utilisateurs. En d’autres termes, de nombreux travaux visaient à implémenter des méthodes d’appariement dynamique entre les usagers. Ces récentes évolutions se démarquent des approches dites « conventionnelles », classiquement utilisées pour la mise en place de nouvelles lignes de transports en commun.Il semble néanmoins évident que les objectifs de ces différentes approches soient assez éloignés les uns des autres. En effet, outre les objectifs en termes d'aménagement du territoire, les lignes de transports en commun visent à répondre à une demande de mobilité massive et régulière. Alors que les services de mobilité partagée tendent plutôt à satisfaire une demande individuelle et très ciblée. C'est donc pour tenter de s'affranchir des problématiques inhérentes à chacun de ces systèmes, que des méthodes hybrides ont fait leur apparition. Parmi elles, nous pouvons par exemple citer le microtransit, ou les bus à la demande, qui constituent de réelles innovations dans le cadre de la mobilité urbaine. Au-delà de ces nouveaux services, l'émergence de récentes technologies telles que les véhicules autonomes, est venue renforcer l'idée que les transports collectifs pourraient constituer, à terme, une solution réaliste à la décongestion des agglomérations. Cette thèse vise donc à identifier les limites des systèmes de transports collectifs actuels en zones urbaines. Puis à constituer un socle théorique, permettant la conception de lignes de transports optimisées en fonction de la demande de mobilité. Les méthodes déployées devront permettre de quantifier précisément la demande, ainsi que sa répartition spatiale et temporelle. Elles devront également assurer le traitement de données massives, afin de répondre aux problématiques soulevées dans la littérature. Enfin, la généricité des méthodes appliquées devra permettre leur réutilisation dans différents contextes, et avec différents types de services ; permettant ainsi de préfigurer l’arrivée potentielle des véhicules autonomes dans le cadre d'une mobilité urbaine collective et durable.
Fichier principal
Vignette du fichier
Veve_PhD_thesis_2021.pdf (27.34 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03665974 , version 1 (12-05-2022)

Identifiants

  • HAL Id : tel-03665974 , version 1

Citer

Cyril Julien Veve. Détection de zones spatio-temporelles à fort potentiel, pour contribuer à la mise en place de services de mobilité partagée et de microtransit. Infrastructures de transport. Université de Lyon, 2021. Français. ⟨NNT : 2021LYSET011⟩. ⟨tel-03665974⟩
143 Consultations
19 Téléchargements

Partager

Gmail Facebook X LinkedIn More