Une prévision d'affluence exploitable dans un hub de transport repose sur trois éléments : un historique de comptages homogène sur plusieurs mois, des variables qui expliquent les variations, et un horizon de prévision aligné sur le délai nécessaire pour agir. Sans le troisième, la prévision reste un exercice d'analyse sans effet sur l'exploitation.

La différence avec la mesure temps réel est nette. Mesurer permet de réagir à une congestion déjà installée. Prévoir permet de positionner des moyens avant qu'elle ne se forme : ouvrir un point de contrôle supplémentaire, décaler une pause, renforcer l'information voyageurs, adapter l'armement d'un poste. Le passage de l'un à l'autre demande un historique, pas un algorithme plus puissant.

Mesurer ou prévoir, deux usages différents

La mesure temps réel répond à la question « ce qui se passe maintenant » : densité par zone, longueur de file, temps d'attente estimé. Elle alimente une supervision et des seuils d'alerte. La prévision répond à « ce qui va se passer dans trente minutes, deux heures, demain matin ». Elle alimente une décision de dimensionnement.

Les deux usages ne mobilisent ni les mêmes données ni les mêmes interlocuteurs. La mesure intéresse le poste de commandement, la prévision intéresse la planification et l'encadrement d'exploitation. Confondre les deux conduit à produire des tableaux de bord que personne n'utilise.

Quel historique est nécessaire ?

Une prévision apprend sur le passé. Pour un hub de transport, cela signifie disposer de comptages par zone et par créneau sur une période couvrant les différentes saisonnalités de l'activité : jours de semaine et fins de semaine, vacances scolaires et périodes ordinaires, haute et basse saison si l'activité est saisonnière.

Deux exigences priment sur la durée. L'homogénéité d'abord : si le cadrage d'une caméra a changé, si une zone a été redécoupée ou si une méthode de comptage a été remplacée, la série est cassée à cette date et ne doit pas être utilisée telle quelle. La complétude ensuite : des périodes manquantes aux heures de pointe, souvent dues à des coupures ou à des travaux, biaisent l'apprentissage.

En pratique, la première tâche d'un projet de prévision consiste à auditer l'historique disponible et à documenter ses ruptures. Elle prend souvent plus de temps que la modélisation elle-même.

Quelles variables expliquent l'affluence ?

Dans un hub de transport, l'affluence n'est pas un phénomène autonome : elle découle d'une offre de transport. Les variables les plus utiles sont donc celles du programme d'exploitation, horaires théoriques des départs et des arrivées, capacité des matériels, quais et portes affectés, puis les écarts entre théorique et réalisé, retards et suppressions.

S'y ajoutent des variables de calendrier, jour de la semaine, veille et lendemain de jour férié, vacances scolaires, et des variables de contexte, météo, grands événements à proximité, travaux modifiant les cheminements, incidents sur le réseau amont.

Toutes ne sont pas disponibles au même moment. Une variable connue seulement après coup est inutilisable en prévision. Il faut donc distinguer celles qui sont connues à l'avance, le programme théorique par exemple, de celles qui n'arrivent qu'en temps réel, comme un retard.

Quel horizon de prévision est utile ?

L'horizon se déduit du délai de la décision qu'il doit alimenter. Ouvrir une ligne de contrôle supplémentaire suppose de mobiliser du personnel disponible : l'horizon utile se compte en dizaines de minutes. Adapter un planning d'équipe se décide la veille ou la semaine précédente, l'horizon se compte alors en jours.

Produire une prévision à un horizon que personne ne peut exploiter ne sert à rien, même si elle est juste. À l'inverse, une prévision moins précise mais disponible assez tôt pour agir a une valeur d'exploitation réelle. Ce point se tranche avec les équipes d'exploitation avant de choisir une méthode.

Comment juger la qualité d'une prévision ?

Trois critères suffisent pour commencer. L'erreur moyenne par créneau, exprimée dans l'unité de la mesure, nombre de personnes ou minutes d'attente, et non en pourcentage abstrait. Le comportement aux pics, car une prévision qui se trompe peu en moyenne mais rate systématiquement les pointes n'aide pas. La comparaison à une référence naïve, par exemple la valeur du même créneau la semaine précédente : si la méthode sophistiquée ne fait pas mieux que cette référence, elle ne se justifie pas.

L'évaluation se fait sur une période que le modèle n'a pas vue, et sur des créneaux réels d'exploitation, pas sur une moyenne journalière qui lisse tout.

Comment traduire une prévision en décision ?

Une prévision ne devient utile qu'associée à trois éléments explicites. Un seuil, à partir duquel la situation prévue est considérée comme préoccupante, défini par zone et exprimé dans une unité comprise par les équipes. Une consigne, qui dit ce qui est fait lorsque le seuil est franchi. Un responsable, qui reçoit l'information et décide.

Sans ces trois éléments, la prévision s'affiche sur un écran et reste sans effet. Leur définition est un travail d'exploitation, pas un travail d'analyse de données, et elle se mène avec les équipes concernées.

Que faire des situations jamais observées ?

Un modèle appris sur l'historique reproduit ce qu'il a vu. Une situation inédite, incident majeur, événement exceptionnel, interruption de service prolongée, sort de son domaine de validité. Deux précautions s'imposent : afficher clairement lorsqu'une prévision sort des conditions habituelles, et conserver une procédure dégradée qui ne dépend pas de la prévision.

Il est également utile de prévoir la réintégration de ces épisodes dans l'historique une fois passés, en les qualifiant, afin que le modèle en tienne compte à l'avenir sans les confondre avec une situation ordinaire.

Quel cadre pour les données utilisées ?

Les mesures utilisées sont des comptages et des densités par zone, agrégés, sans suivi individuel ni traitement biométrique. La reconnaissance faciale relève des données biométriques au sens de l'article 9 du RGPD et n'intervient pas dans ce type de dispositif.

Dans les espaces ouverts au public, le dispositif de vidéoprotection sous-jacent relève du code de la sécurité intérieure, avec autorisation préfectorale, information du public et conservation des images limitée à un mois. Une analyse d'impact relative à la protection des données est attendue dès lors que la surveillance est systématique et à grande échelle sur une zone accessible au public. Lorsque des salariés sont filmés, l'information et la consultation des représentants du personnel prévues par le code du travail s'appliquent.

Comment XXII aborde ce sujet avec CORE

CORE, la plateforme de XXII, exploite les flux des caméras déjà installées pour produire des indicateurs agrégés par zone, comptages, densités, temps de parcours, sans reconnaissance faciale. Ces indicateurs constituent la matière première d'une prévision : ils donnent l'historique homogène sur lequel elle s'appuie et la mesure temps réel à laquelle elle se compare.

Par où commencer

Trois étapes avant tout projet de modélisation. Identifier les deux ou trois décisions d'exploitation que la prévision doit alimenter, et le délai de chacune. Auditer l'historique de comptage disponible zone par zone, en documentant les ruptures. Établir une référence naïve, par exemple la reproduction du même créneau la semaine précédente, et mesurer son erreur. Cette référence devient l'étalon de toute méthode envisagée ensuite.