Pourquoi les prévisions sont-elles meilleures que le temps réel, à chaque fois (pour la disponibilité des places de stationnement dans la rue)

Alors que nous entrons dans une nouvelle décennie, il est honnête de dire que les « données en temps réel » étaient l’un des mots à la mode des années 2000 et 2010. Dans le domaine du stationnement, lorsque les gens parlent de données en temps réel, ils font généralement référence aux données en temps réel des capteurs fixes. Au départ, les capteurs fixes en temps réel ont joué un rôle important dans les informations relatives à la circulation routière, mais ces jours-là sont bel et bien révolus. En effet les informations sur la circulation routière d’aujourd’hui sont basées sur les données et les prévisions des capteurs du véhicule et du smartphone. Les capteurs fixes sont marginalisés. En sera-t-il de même pour les informations relatives au stationnement ? 

Est-il toujours préférable de s’appuyer uniquement sur des données en temps réel ?

En ce qui concerne le stationnement, les capteurs fixes (électromagnétiques ou infrarouges) sont une source de données en temps réel sur la disponibilité des places dans la rue. Ils sont installés au milieu d’une place de stationnement pour détecter si un véhicule est stationné à cet endroit. Cependant, si un seul capteur tombe en panne dans un ensemble de cinq capteurs, les données des cinq capteurs seront enregistrées de manière inexacte en raison du regroupement des cinq espaces. Le coût de l’installation et de l’entretien des capteurs sur la voirie peut également être prohibitif. Au Royaume-Uni, le conseil municipal de Westminster a désactivé son système de capteurs sur voirie pour un stationnement intelligent qui avait été tant loué, bien qu’il soit difficile de déterminer si cette décision était motivée par les frais d’entretien ou par un autre facteur. 

San Francisco a désactivé ses capteurs de stationnement depuis un certain temps. 

Une autre question qui se pose est de savoir si le « temps réel » est réellement en temps réel ? En réalité, il y a un délai minimum d’au moins une minute entre le moment où le système source signale une place disponible par le biais du Cloud et le moment où les données sont transmises à un prestataire de services de stationnement numérique tel que Parkopedia, puis il faut prendre en compte le transfert de ces données au système embarqué des véhicules connectés qui recherchent des places de stationnement dans ce secteur à ce moment-là. Dans la majorité des cas, la latence sera beaucoup plus importante, de sorte que les données en temps réel des capteurs deviennent  en réalité des informations historiques. 

Quelles sont donc les autres options pour les données de disponibilité des places de stationnement ?

• Une source potentielle provient des données des capteurs de la voiture. Cependant, bien que ces données soient généralement perçues comme exactes, les données du véhicule connecté ont les mêmes problèmes de décalage que les données du capteur stationnaire, et qui plus est, bon nombre d’entre elles sont victimes d’une erreur de GPS. Pour une « place de stationnement occupée » dans un environnement urbain (où la demande des places de stationnement est élevée), la géolocalisation du GPS est généralement précise à un ou deux mètres. À mesure que l’espace urbain est de plus en plus construit avec de grands bâtiments et des gratte-ciels, la visibilité directe du satellite GPS est de plus en plus compromise, ce qui signifie que l’inexactitude des données et le nombre d’erreurs ne feront qu’augmenter. Dans une ville où les marges d’erreur peuvent atteindre des dizaines de mètres, nous nous retrouvons avec des données de capteur de voiture indiquant qu’une place de stationnement est située dans une autre partie de la rue ou dans une rue adjacente à celle où le véhicule se trouve réellement. En testant le système avec nos partenaires automobiles, nous avons constaté que certains résultats indiquaient des places de stationnement « hors voirie » comme des places de stationnement libres et certaines étaient même à l’intérieur de bâtiments !
  
  
• Les données des transactions sont une autre option. Cependant, elles sont également imparfaites si nous les utilisons comme unique source de vérité. Dans de nombreuses villes, nous trouvons des horodateurs couvrant plusieurs places de stationnement et plusieurs rues, ce qui signifie que vous ne pouvez pas dire dans quelle rue (ou à quel niveau d’une rue) des véhicules sont actuellement garés, et donc où sont les places disponibles. Même avec un système capable d’identifier les places de stationnement individuelles, les données rapportées sont souvent incorrectes, car les conducteurs peuvent payer au-delà du temps qu’ils utilisent la place, ce qui signifie que certaines places libres ne sont pas déclarées comme telles. Inversement, les conducteurs peuvent ne pas payer suffisamment, et leur place est alors encore occupée même après l’expiration de la durée de stationnement payée. Les données des transactions ne tiennent pas non plus compte des personnes disposant d’une autorisation de stationnement (par exemple les résidents ou les détenteurs de badges de personne handicapée) qui est exemptée de paiement, mais qui peut malgré tout occuper une place de stationnement payante. Les données des transactions ne couvrent pas non plus les heures où une place est occupée alors que le stationnement est gratuit.

Chez Parkopedia, nous fusionnons plusieurs sources de données : les données de stationnement statique, les relevés sur le terrain, les capteurs de stationnement en temps réel, les capteurs du véhicule, les transactions et les images afin de surmonter les erreurs ou les écarts potentiels, puis nous combinons ces données avec des modèles d’apprentissage automatique, afin de fournir une disponibilité prévue des places de stationnement. Grâce à une combinaison de modèles de comportement historiques et de données en temps réel provenant de capteurs fixes et mobiles, ces prévisions sont en mesure de produire une représentation précise de la situation actuelle (qui est en fait une prévision basée sur des données « en temps réel » qui ont généralement déjà quelques minutes de retard).

Cette approche offre aux clients B2B de Parkopedia une solution de pointe qu’ils peuvent fournir à leurs conducteurs en toute confiance. Les prévisions de Parkopedia sont rigoureusement testées, car nous exécutons un programme continu d’enquêtes sur le terrain pour recueillir et vérifier manuellement toutes les informations pertinentes, y compris l’exactitude de nos modèles de prévision à l’échelle mondiale. 

Lors des tests utilisant les transactions comme seule source de données, les modèles de prévisions de Parkopedia basés sur la fusion de plusieurs sources de données à l’exclusion des transactions sont jusqu’à deux fois plus performants, et nous constatons une amélioration supplémentaire de 15 à 20 % de la précision des prévisions lorsque les transactions sont incluses.

Si vous souhaitez en savoir plus sur nos Prévisions probabilistes, ou si vous souhaitez vous plonger dans les Théories des probabilités et le Score de Brier, n’hésitez pas à nous contacter !