Inférence de modes de transport hybrides à partir de données GPS éparses en utilisant une classification SVM à fenêtre mobile

Comprendre le comportement de déplacement et la demande de transport revêt une importance constante pour les communautés et les agences de transport dans tous les pays. À l’heure actuelle, des efforts ont été entrepris afin d’inférer automatiquement les modes de transport à partir de données de position, telles que celles recueillies via des dispositifs GPS, afin de réduire considérablement les coûts en temps et en budget liés aux enquêtes classiques par carnet de déplacement. Toutefois, des limitations subsistent dans la littérature, notamment en ce qui concerne la collecte de données (taille de l’échantillon, durée de l’étude, granularité des données), le choix des variables (ou combinaisons de variables) et la méthode d’inférence (nombre de modes de transport à considérer dans l’apprentissage). Ce papier vise donc à comprendre pleinement ces aspects dans le processus d’inférence. Nous cherchons à résoudre un problème de classification des données GPS en différents modes de transport (voiture, marche à pied, vélo, métro, train, bus). Nous étudions d’abord les variables pouvant contribuer positivement à cette classification, puis quantifions statistiquement leur pouvoir discriminant. Nous introduisons ensuite une approche novatrice pour effectuer cette inférence, fondée sur un cadre de classification par machines à vecteurs de support (SVM). Ce cadre a été testé sur des données GPS à faible granularité, un type de données généralement évité dans les études antérieures, atteignant une précision prometteuse de 88 %, avec un indice de Kappa indiquant un accord presque parfait.