Modélisation dynamique du trafic et transport de marchandises en ville

Réduction de capacité fixe due à un stationnement en double file

     Une livraison en double file peut se traduire de manière physique par une réduction fixe dans l’espace et temporaire de la capacité (en anglais fixed bottleneck). Cet arrêt « sauvage » peut engendrer une remontée de file d’attente dans le cas où la demande est supérieure au débit maximum pouvant dépasser le véhicule stationné. Cette congestion en amont provoque des temps de parcours individuels plus longs et incertains. L’effet de la réduction de capacité sur l’écoulement du trafic a par ailleurs déjà été étudié. Le modèle LWR (Lighthill et Whitham, 1955 ; Richards, 1956) permet de reproduire simplement la propagation de la congestion due à une telle contrainte. Kladeftiras et Antoniou (2013) étudient en simulation microscopique les impacts des stationnements en double file réalisés par les VL sur le trafic et sur l’environnement (émission de polluants atmosphériques). Les auteurs montrent une augmentation de 10 à 15% des vitesses si les phénomènes de double file étaient limités. De plus, leurs résultats présentent une diminution de 15% et de 20% des retards et des temps d’arrêt respectivement. Dans le cas où les stationnements en double file seraient strictement absents (par exemple par des stratégies de sanction ou de prévention), la vitesse moyenne peut augmenter de 44% et les délais et les temps d’arrêt peuvent diminuer de 33% et 47% respectivement.

Réduction mobile de capacité due à un véhicule lent

     De plus, le phénomène de véhicules lents appelé moving bottleneck en anglais contraint le débit de véhicules. Une littérature assez dense étudie ce phénomène (Gazis et Herman, 1992 ; Newell, 1998 ; Muñoz et Daganzo, 2002 ; Leclercq et al., 2004 ; Chanut, 2005 ; Daganzo et Laval, 2005 ; Juran et al., 2009 ; Chiabaut et al., 2012). Le moving bottleneck peut se traduire par une vitesse moindre des gros véhicules, par la recherche de place de stationnement pour les VL ou les PL, ou encore par les décélérations moins prononcées de bus (Chiabaut et al., 2012) ou de PL. La recherche de parking est communément caractérisée par une vitesse réduite du véhicule. De nombreux travaux étudient l’impact négatif de la recherche de parking VL sur l’écoulement du trafic (Horni et al., 2013 ; Leclercq et al., 2017). Simicevic (2014) étudie l’impact d’une stratégie de rotation de parking à court terme sur la capacité d’une intersection à feux. La capacité est calculée analytiquement à partir des formules du Highway Capacity Manual (HCM) (Transportation Research Board, 2000). Les résultats montrent une capacité variant jusqu’à 27% en fonction du prix du parking fixé et du temps limite donné.

Simulation dynamique du trafic

     Nous utilisons le modèle LWR (Lighthill et Whitham, 1955 ; Richard, 1956) pour reproduire le comportement dynamique de l’écoulement du trafic. Il s’agit du modèle le plus communément utilisé en modélisation du trafic routier. Sa robustesse est due à ses expressions pouvant être microscopique (à l’échelle particulaire des véhicules) et macroscopique (à l’échelle d’un flux). La théorie variationnelle est une méthode de résolution du modèle LWR qui permet de calculer ?(?,?) où ?(?,?) est un ensemble de courbes interpolé linéairement en ? et ? (surface de Moskowitz (1965)). Cette méthode permet de réduire le calcul de la solution à un principe de minimisation. La demande est le nombre de véhicules souhaitant circuler sur le réseau et l’offre est la capacité du réseau. Des phénomènes de congestion sur un réseau sont notamment reproductibles lorsque la demande de véhicules dépasse la capacité de l’infrastructure. Sur un réseau urbain, la demande peut être calée par deux approches possibles : (i) statique et (ii) dynamique. Dans notre étude, nous considérons la première approche. (i) Une demande et une offre statiques par scénario permet de fixer un état de trafic particulier. Ainsi, plusieurs simulations à scénarios fixes permettent de réaliser une étude systématique. L’avantage est que le panel d’états de trafic, allant des états fluides aux états congestionnés, peut être balayé dans son intégralité. L’inconvénient de cette approche est qu’elle est plus coûteuse, et en particulier pour les scénarios en états congestionnés (où les trajectoires de davantage de VL sont calculées). (ii) La demande est dynamique dans le temps et l’espace dans le sens où elle varie au cours de la journée et peut se répartir de manière spatialement hétérogène. La scénarisation d’une demande dynamique peut être réalisée par l’utilisation des données du terrain ou de modèles de demande (Bonnel, 2004). Cette chronique comprend les pics de la matinée et en fin d’après-midi ainsi que les heures creuses de la nuit. L’avantage de la scénarisation dynamique est qu’une seule simulation permet de reproduire une demande réaliste. La trajectoire est la représentation du trafic communément utilisée à l’échelle microscopique (Figure 5-a et b). Une courbe noire représente la trajectoire d’un véhicule donné projetée dans un plan espace-temps noté (?,?) . Les tronçons rouges et verts représentent les phases des feux. L’accumulation des véhicules (la file d’attente) est identifiable aux feux rouges. Dans la Figure 5-a, les feux ne permettent pas aux véhicules de circuler en onde verte, c’est-à-dire sans arrêt. Ceci est rendu possible par le paramétrage des feux dans la Figure 5-b. Notons que les Figure 5-a et b représentent les trajectoires de véhicules parcourant une voie donnée.

Prise en compte exogène du TMV par les stationnements en double file

    Dans une perspective d’écoulement du trafic, le TMV peut être définit à l’échelle d’un boulevard urbain par la présence de véhicules susceptibles de stationner sur la voie. Nous considérons une livraison comme l’action de s’arrêter sur la voirie à une position donnée durant un temps défini. Cette expression simplifiée du TMV permet de réaliser une première étude des impacts de celui-ci sur le trafic. L’outil de simulation microscopique de trafic utilisé permet de reproduire l’écoulement physique de véhicules (VL et PL) dans un réseau. Pour autant, l’intégration exogène de modèles de TMV à l’échelle microscopique est requise. Des scénarios doivent donc être définis à travers cinq paramètres qualifiant la demande TMV : (i) le nombre de PL noté ???, (ii) les heures de départ, (iii) les points de livraison, (iv) les modes de livraison et (v) les temps de livraison. Dans cette première étude, le calage des paramètres est le suivant :
(i) Le nombre de PL passant sur le boulevard pour effectuer leurs livraisons par heure est fixe pour chaque scénario. Nous considérons treize situations où ??? varie de 1 à 13 par pas de 1.
(ii) Les heures de départ sont définies par une distance inter-PL constante.
(iii) Les localisations des stationnements en double file sont stochastiques. Les positionnements sur les tronçons du réseau sont tirés aléatoirement de manière uniforme. De plus, nous considérons une contrainte de stationnement bornée entre 15 mètres en aval d’une intersection et 15 mètres en amont de la prochaine intersection. Cette contrainte est basée sur une mise en vigueur appliquée sur la rue Grenette à Lyon permettant la livraison de marchandise sur la voie de droite durant une certaine plage horaire. Par ailleurs, la position des livraisons en double file par rapport aux feux peut influencer l’écoulement du trafic. Si la réduction de capacité fixe due à un stationnement double file est localisée trop proche d’une intersection, le débit peut être de (? − 1) × ? ×????????? où ? est le nombre de voies, ? est la capacité totale du réseau, ???? est le temps de vert et ????? est le temps d’un cycle de feux. Plus précisément, ces deux situations peuvent se distinguer par la distance ? par rapport à la position du feu. ? peut être calculée analytiquement ? = ???? ???+? où ? est la vitesse libre et ? est la vitesse de remontée de congestion en amont. (iv) Deux modes de livraison peuvent être identifiés : hors voie, la livraison est réalisée sur une AL, sur un parking privé ou sur le couloir à parking ; et sur la voie, i.e. en double file. Dans notre étude, nous considérons un stationnement systématique en double file.
(v) Nous considérons une évaluation systématique du temps de  livraison où les valeurs sont 10, 20 et 30 minutes. Le temps de livraison est influencé par de nombreuses variables telles que le type de livraison (e.g. expressiste, long courrier), le nombre ou le poids des livraisons, la présence d’un hayon, etc. De nombreux travaux étudient la classification du TMV (Gerardin et al., 2000 ; Pluvinet et al., 2012 ; Ambrosini et al., 2013). Figliozzi et Tipagornwong (2017) considèrent deux types de livraison correspondant à 3 et 20 minutes de stationnement. Les auteurs étudient l’impact de la disponibilité des AL sur les coûts logistiques. Plus particulièrement, les auteurs identifient des conditions dans lesquels les transporteurs maximisent leurs profits en stationnant en double file avec une pénalité potentielle plutôt qu’en cherchant une AL disponible. Dans notre étude, nous faisons varier les temps de livraison afin de balayer les différents types de livraison.

Le problème du voyageur de commerce (TSP)

     Le problème du voyageur de commerce (en anglais Traveling Salesman Problem (TSP)) est un des problèmes les plus étudiés en optimisation combinatoire. Le principe est de déterminer le plus court chemin pour visiter une liste de villes données. De plus, l’énoncé contient deux contraintes : chaque ville ne doit être visitée qu’une seule fois ; et la ville de départ est également la ville d’arrivée. Le problème du voyageur de commerce est NP-complet (Lenstra et Rinnooy Kan, 1981), ce qui signifie que sa résolution ne peut pas se faire en un temps polynomial. La Figure 77-a illustre le problème de voyageur de commerce où la ville d’arrivée et de départ, notée 1, représente un entrepôt et les trois autres villes à visiter, notées 2, 3 et 4, représentent trois établissements à livrer, appelés les clients. Une distance est définie entre chaque couple d’objets où l’unité de mesure est ici le kilomètre. La Figure 77-b montre le graphe associé au problème. Les quatre villes sont représentées par les nœuds du graphe. La distance à parcourir pour un couple de nœuds donné est le coût de l’arc.

Table des matières

INTRODUCTION GENERALE
CHAPITRE 1 .QUANTIFICATION DES IMPACTS DES LIVRAISONS DOUBLE FILE SUR LE TRAFIC
1.1 INTRODUCTION
1.2 ÉTAT DE L’ART
1.3 USAGE DE LA SIMULATION DYNAMIQUE POUR EVALUER DES SCENARIOS
1.3.1 Cas d’étude
1.3.2 Simulation dynamique du trafic
1.3.3 Outil macroscopique : le MFD
1.4 ÉTUDE SYSTEMATIQUE DE L’IMPACT DU TMV
1.4.1 Prise en compte exogène du TMV par les stationnements en double file
1.4.2 Indicateurs
1.4.3 Résultats
1.5 APPLICATION A UN CAS REALISTE : LE COURS LAFAYETTE
1.5.1 Estimation microscopique de la demande logistique
1.5.2 Scénarisation
1.5.3 Résultats
1.6 DISCUSSION
1.7 CONCLUSION
CHAPITRE 2 : PARTITIONNEMENT SPATIO-TEMPOREL DE RESEAUX DE TRANSPORT
2.1 INTRODUCTION
2.2 ÉTAT DE L’ART
2.2.1 Positionnement sur le partitionnement de réseaux de transport
2.2.2 Corpus scientifique
2.3 METHODOLOGIE
2.3.1 Méthodes de partitionnement basé sur les graphes
2.3.1.1 NCut
2.3.1.2 La similarité des snakes
2.3.1.3 Étude de sensibilité du point de séparation bipartitionnant
2.3.2 Méthodes de partitionnement basé sur les individus
2.3.2.1 DBSCAN
2.3.2.2 k-means
2.3.2.3 GNG
2.3.3 Algorithme de post-traitement
2.3.4 Indicateurs
2.3.4.1 Métriques
2.3.4.2 Évaluation systématique
2.4 CAS D’ETUDE
2.4.1 Méthode d’estimation des vitesses
2.4.1.1 Filtrage des données
2.4.1.2 Estimation des vitesses agrégées
2.4.1.3 Sélection des données
2.4.2 Construction du réseau basé sur un environnement SIG
2.5 RESULTATS ET ANALYSE
2.5.1 Pour un jour donné
2.5.2 Pour tous les jours
2.6 CONCLUSION
CHAPITRE 3 : ESTIMATION DE TEMPS DE PARCOURS PAR MAPPAGE TEMPS REEL
3.1 INTRODUCTION
3.2 CLUSTERING DES JOURS
3.2.1 Positionnement sur les méthodes de classification
3.2.1.1 Classification basée sur un nuage de points
3.2.1.2 Classification basée sur la géométrie
3.2.1.3 Classification basée sur les partitions
3.2.2 Méthodologie
3.2.2.1 Similarité entre deux partitions
3.2.2.2 Classification de partitions
3.2.3 Indicateur
3.2.4 Cas d’étude
3.2.5 Résultats et analyse
3.3 CLASSIFIER UN NOUVEAU JOUR
3.3.1 État de l’art du consensus clustering
3.3.2 Méthodologie
3.3.2.1 Élaboration de jours-types
3.3.2.2 Mapper un nouveau jour
3.3.2.3 Raffinage des temps de parcours
3.3.3 Indicateurs
3.3.3.1 Performances du mappage temps réel
3.3.3.2 Performances de l’estimation des temps de parcours
3.3.4 Résultats et analyse
3.4 CONCLUSION ET PERSPECTIVES
CHAPITRE 4 RAFFINEMENT DE GENERATION DE TOURNEES PAR LA DYNAMIQUE DU TRAFIC
4.1 INTRODUCTION
4.2 ÉLEMENTS D’INTRODUCTION A LA GENERATION DE TOURNEES
4.2.1 Le problème du voyageur de commerce (TSP)
4.2.2 Problème de tournées de véhicules (VRP)
4.2.3 Les principales contraintes
4.2.4 Les résolutions des problèmes par contraintes
4.3 METHODOLOGIE
4.3.1 Utilisation d’algorithme de résolution du TSP existant
4.3.2 Évolution des temps de parcours dans la fonction
4.4 IMPACT DES NIVEAUX D’INFORMATION SUR LES TOURNEES
4.4.1 Scénarisation
4.4.2 Cas d’étude
4.4.3 Résultats et analyse
4.5 UTILISATION OPERATIONNELLE DE ZONES SPATIO-TEMPORELLES
4.5.1 Cas d’étude
4.5.2 Scénarisation
4.5.3 Indicateur
4.5.4 Résultats et analyse
4.5.5 Introduction de l’incertitude dans la génération de tournées
4.6 CONCLUSION ET PERSPECTIVES
CONCLUSION GENERALE ET PERSPECTIVES

Télécharger le rapport complet