Cet article propose un tour d’horizon des cas d’usage de l’IA pour l’analyse et la connaissance des mobilités, et indique quelques exemples de productions du Cerema dans ce domaine.
Pour recenser ces cas d’usages, l’IA est considérée comme l’ensemble des nouvelles méthodes de traitement de données rendues possibles par la disponibilité massive de données et de traitements. Les cas d’usage de l’IA seront ainsi regardés selon :
- la nature des données traitées : du texte, des images, ou des "données numériques" ;
- le niveau d’implication technique : utilisation finale "boîte noire" d’une solution, ou rôle plus actif dans le paramétrage ou l’ajustement du modèle d’IA mis en œuvre pour le cas d’usage ;
- le type d’utilisation : prédiction de nouveaux résultats / génération de nouveaux contenus, classification, ou optimisation.
L’IA pour traiter les textes
Depuis l’explosion de services grand public s’appuyant sur de grands modèles de langage (LLM), c’est de loin l’utilisation la plus médiatisée de l’IA, dite générative.
Outre l’utilisation transverse à toutes les organisations pour améliorer l’aide à la rédaction et le développement logiciel, dans le domaine des mobilités, les LLM commencent à être mis en œuvre pour des services aux usagers (chatbot pour l’information voyageur, SAV…) et des applications métier (recherche d’informations complexes par exemple pour un technicien de maintenance, ou analyse de documents par exemple vérification de conformité d’un PULi à des règles d’urbanisme facilitant la production des avis, recherche et analyse bibliographique pour un état de l’art...), mais pas forcément pour l’analyse et les études de mobilités. En effet, même si les études de mobilité impliquent aussi d’analyser des documents et du texte, il s’agit d’abord de traiter des données numériques, plutôt que des textes.
Néanmoins, une application phare des LLM est dans la génération de code pour le développement logiciel ou l’analyse de données. Par exemple, la figure ci-dessous a été générée avec la requête suivante à Mistral AI :
Le Diagnostic Energie Emissions des Mobilités est présenté dans cette page web : https://www.cerema.fr/fr/actualites/deem-diagnostic-energie-emissions-mobilites . Le tableau joint, disponible sur cette page web, fournit les données DEEM pour 18 agglomérations sur la base des résultats des enquêtes mobilité de 2013 à 2017. Produis moi 1 diagramme qui présente un résultat important que l'on peut mettre en évidence à partir de ces données. (nota : le graphique est généré en quelques secondes mais l'indicateur proposé ne dit pas que les territoires sont très variables en densité de population et en configuration ! il faudrait demander aussi une interprétation...).
De manière générale, un grand nombre d’outils de Business Intelligence intègrent désormais une fonction de génération de tableaux de bord s’appuyant sur les LLM. Cela montre tout le potentiel des LLM pour la production des études de mobilité ainsi que pour valoriser les données open data auprès d’un public élargi.
Une piste prometteuse réside aussi dans les capacités de "raisonnement" présentes de plus en plus dans les agents intelligents, qui pourraient être intéressantes à explorer pour des projets de management de la mobilité ou d’amélioration de l’offre et pour expliquer des résultats observés dans des modèles ou sur le terrain.
L’IA pour traiter les images
C’est certainement l’utilisation qui a eu le plus d’impacts depuis une petite dizaine d’années pour les mobilités et les transports, la reconnaissance d’images (fixes ou animées) s’étant généralisée pour des besoins d’exploitation des réseaux (routiers [7] [7bis] [9], ferrés, à bord des transports publics et dans les pôles d’échange), et d’analyse notamment d’accidentologie (exemple au Cerema de Zebra [1], où l’analyse d’images de carrefours permet de proposer un 1er niveau de diagnostic de sécurité des passages piétons). Il s’agit donc souvent de résoudre de problèmes de classification (par exemple, reconnaître dans une image différentes classes de véhicules, et identifier des piétons, cyclistes ou personnes en trottinette [2] ou compter le nombre d’occupants des véhicules [3]).
Le Cerema travaille depuis plusieurs années sur cette thématique pour des applications de comptage des trafics routiers et d’accidentologie et utilise et évalue des solutions du marché, ou développe ses propres modèles.
De même, le potentiel de la reconnaissance d’images pour compléter "en masse" les données de voirie et d’équipements publics liés aux transports et aux services de mobilité, ainsi qu’à l’accessibilité, et pour assister aux tâches de qualification des données est prometteur.
Des techniques avancées sont également développées ou évaluées (par exemple de générations d’images routières pour évaluer des systèmes de conduite automatisée [4], ou |8]).
L’IA pour traiter les données
On peut parler de révolution pour la génération de textes ou d’images par les modèles de fondation et LLM qui ont explosé depuis 2022 ; en matière de reconnaissance d’images, également, depuis plus de 10 ans.
Pour le traitement des "données numériques" classiques, c’est-à-dire les tableaux de chiffres et séries temporelles, la transition a été plus graduelle : les méthodes d’apprentissage machine sont dans la continuité des méthodes statistiques utilisées depuis des décennies ; la vague de l’IA est allée de pair avec la diffusion de logiciels open source (scikit, pytorch…) utilisés par des centaines de milliers de statisticiens dans le monde, et des capacités de calcul qui ont permis la diffusion de ces outils.
Les cas d'application sont très nombreux, et font l’objet de présentations techniques et d’articles de recherche.
La première utilisation de ces méthodes statistiques avancées est certainement l’optimisation, qui touche beaucoup plus l’industrie (bornes de recharge, véhicules…) et l’exploitation (logistique, régulation du trafic et des réseaux, services de mobilité...) que les études de mobilité.
Le second type d’utilisation est la prévision, où les algorithmes d’IA améliorent souvent les performances obtenues par des algorithmes classiques (régression, etc.). La prévision est essentielle pour l’exploitation [6] et l’information aux usagers, mais elle est très utile aussi dans l’analyse des mobilités, par exemple pour estimer les trafics à partir de données FCD ou FMD et de comptages routiers [5] [10].
Egalement, les méthodes d’IA (apprentissage machine, apprentissage profond) sont utilisées pour de la classification (détection de fraude, de valeurs aberrantes, identification de types de jours ou de zones, etc.) c’est-à-dire finalement pour extraire des informations pour la connaissance des mobilités.
Références Cerema :
[1] Zebra : diagnostic de sécurité du passage piéton assisté par intelligence artificielle https://www.cerema.fr/fr/actualites/dossier-zebra-diagnostic-securite-du-passage-pieton-assiste
[2] OBSMMA,reconnaissance d’images appliquée au comptage des modes actifs : https://doc.cerema.fr/Default/doc/SYRACUSE/586920/la-reconnaissance-d-image-appliquee-au-comptage-des-modes-actifs
[3] comptage du nombre d'occupants des véhicules : https://www.cerema.fr/fr/actualites/controle-du-nombre-occupants-vehicules-nouveau-capteur-essai
[4] Modélisation de l’impact et mesure des conditions météorologiques dégradées par vision artificielle: https://www.cerema.fr/fr/innovation-recherche/recherche/equipes/sti-systemes-transports-intelligents-infrastructure-demain#toc-theses-en-cours , thèse de Hamed Ouattara, 2023-2026
[5] Reconstitution des TMJA (trafic moyen journalier annuel) France entière (métropole) à partir de données FCD https://www.cerema.fr/fr/actualites/donnees-fcd-floating-data-maitriser-trafic-retour-rendez
[5bis] Application de l’apprentissage machine à la qualification des données de trafic : https://avatar.cerema.fr/documentation/module-ia
[6] système de vidéosurveillance intelligent, capable d’évaluer les risques et d’assurer une communication entre l’infrastructure et les véhicules en approche en leur fournissant une information dynamique sur l’état du passage à niveau : https://www.cerema.fr/fr/actualites/cerema-contribue-au-projet-europeen-safer-lc-innovation
|7] Comptage poids-lourds par vidéo : https://www.cerema.fr/fr/actualites/application-intelligence-artificielle-ia-detection
[7bis] Apport de l'Intelligence Artificielle dans l'analyse d'images et les études trafic, 2023 ; https://hal.science/hal-04564549 ; https://www.cerema.fr/system/files/documents/2023/06/05_apport_de_lia_dans_l_analyse_d_images_et_les_etudes_trafic_v2.pdf
[8] Recherche ITS : reconnaissance des conditions météo par apprentissage profond https://www.cerema.fr/fr/actualites/ma-these-au-cerema-khouloud-dahmane-analyse-images-methode[MNN3] [NN4]
[9] Guide technique de préconisation sur les prises de vue pour l'analyse automatique de vidéo par intelligence artificielle dans le cadre du projet d’observatoire national du trafic des 2 roues motorisés
https://www.cerema.fr/fr/actualites/projet-obs2rm-developper-methodologie-observatoire-national
[10] Télétravail et Covid-19 : modélisation d’après les données mobilité Google, conférence ATEC ITS France 2022, Wilfried RABALLAND, Alice MARCHA, Baptiste BION, Cerema Centre-Est https://hal.science/hal-03540743
Autres références mobilités :
Le groupe de travail IA et données de l’association a publié une synthèse de cas d’usage d’applications IA, et un état des lieux du big data en 2021 : https://mobilinpulse.com/groupes-de-travail/ ainsi qu’un numéro spécial IA de la revue TEC en janvier 2024 : https://mobilinpulse.com/boutique/tec-260/
et un article sur le site du Cerema : https://www.cerema.fr/fr/actualites/retours-experience-ia-appliquee-aux-donnees-mobilite
Les conférences techniques territoriales du Cerema, souvent organisées avec Mobil’In Pulse, traitent régulièrement de traitements de données et d’applications d’IA, par exemple à Rouen et Nantes en 2025, ou en 2024, conférence Dynamo « Données pour une analYse des Nouvelles mobilités Actives : Modélisation et Optimisation » à Bordeaux : https://www.cerema.fr/fr/actualites/retour-congres-dynamo-donnees-analyse-nouvelles-mobilites
Des articles intéressants sur l'application de l'IA chez RATP, SNCF Connect, SNCF Réseau, EONA-x dans les revues https://annales-des-mines.org/realites-industrielles-numeros-precedents-depuis-2024/ et https://annales-des-mines.org/responsabilite-environnement-numeros-precedents-depuis-2024/
Résultats du Hackathon IDFM 2024, avec les 10 exemples de projets réalisés, qui permettent de comprendre concrètement quels cas d’usage peuvent être mis en œuvre dans le domaine du transport public, grâce à la publication des codes sources et d’une documentation complète : https://prim.iledefrance-mobilites.fr/fr/actualites/article/hackathon-ia-et-mobilites-2024-retour
Veille IA de la communauté Mobilité et Données Expertises-Territoires
Références générales :
Observatoire Data Publica, usage de l’IA dans les collectivités https://observatoire.data-publica.eu/
La mission IA du ministère de l’écologie (CGDD/Ecolab) https://greentechinnovation.fr/les-acteurs-de-lia/
Le Hub France IA https://www.hub-franceia.fr/
La feuille de route Numérique et Intelligence Artificielle du ministère de l’écologie : https://www.ecologie.gouv.fr/numerique-intelligence-artificielle-notre-feuille-route
L’incubateur IA de l’état (Dinum) https://alliance.numerique.gouv.fr/