L’apprentissage machine pour faciliter la distanciation sociale et minimiser la propagation de la COVID-19 dans le réseau du métro de Montréal.
La Société de transport de Montréal (STM) assure quelque 1,3 million de déplacements par jour grâce à un réseau de métro de 71 km réparti sur quatre 4 lignes et composé de 68 stations, combiné à un réseau de 225 lignes de bus.
Elle emploie plus de 10 000 personnes, ce qui en fait la 15e entreprise en importance au Québec. La STM assure plus de 80 % des déplacements en transport collectif dans la région de Montréal et plus de 70 % de tous ceux qui sont effectués au Québec.
Véritable colonne vertébrale de la ville, le métro est un moyen de transport extrêmement populaire et est prisé par les Montréalais… puis, survient la pandémie de COVID-19 en mars 2020.
Le confinement général décrété par le Gouvernement du Québec, combiné au télétravail généralisé qui s’en est suivi pour plusieurs Montréalais, ont fait en sorte que le métro s’est littéralement vidé de ses voyageurs.
Comme bien des entreprises, la STM a subitement perdu la grande majorité de sa clientèle du jour au lendemain dans son réseau bus et métro. Elle a donc rapidement dû réagir face à cette nouvelle réalité et composer avec de nouveaux défis immensément complexes.
Elle doit désormais veiller au respect des règles sanitaires, comme le port du couvre-visage et le respect de la distanciation de deux mètres entre les clients dans le réseau du métro et des bus dans la mesure du possible.
Cette distanciation est plus simple à respecter lorsque le métro est vide, mais comment composer avec ces règles lors de l’inévitable retour au travail en pleine pandémie et le mirage du retour aux voitures de train bondées? Comment gagner la confiance des usagers tout en fournissant des outils pour assurer leur retour dans ses installations en toute sécurité?
Et pourquoi ne pas prédire l’achalandage pour permettre aux clients de se diriger vers les voitures de trains moins occupées grâce à de l’apprentissage machine?
Dans cet article
Accompagnement de l’équipe technique lors de la réalisation d’un modèle d’intelligence artificielle
La STM a fait appel à Moov AI pour accompagner son équipe dans la réalisation d’un projet d’apprentissage machine pour prédire le trafic dans les voitures de train afin de mieux respecter la distanciation sociale et ainsi minimiser la propagation du virus dans le réseau de métro.
La finalité du projet pour la STM est d’informer la clientèle sur le nombre de passagers présents dans les trains de la ligne orange du métro. Ces données seront affichées à la fois dans le site web et sur les écrans Métrovision qui affichent les informations sur les quais dans les stations du métro.
Le trafic prédit dans chaque voiture de train est affiché et les passagers peuvent se positionner devant les bonnes portes et choisir les voitures moins remplies.
Nous avons donc accompagné l’équipe de la STM dans leur tout premier projet d’IA en les aidant à franchir les obstacles pour déployer une solution d’apprentissage machine dans un service d’infonuagique (cloud).
Comment calculer l’achalandage
Dans la solution, la STM a utilisé l’apprentissage machine pour prédire le nombre de passagers pour chaque station de la ligne orange, à toutes les minutes, dans un horizon de 15 minutes.
Pour construire l’ensemble de données dont nous avions besoin pour réaliser les prédictions, les équipes ont utilisé des données fournies par la télémétrie des voitures de train, qui sont équipées d’une quantité phénoménale de capteurs en tout genre.
Afin d’évaluer le nombre de passagers dans les voitures de train, la solution utilise les capteurs de charge qui calculent le poids des voitures. Logiquement, une voiture plus lourde aura plus de passagers. Ces données sont ultraprécises et ont permis d’arriver à une marge d’erreur satisfaisante pour le premier projet.
Surmonter les obstacles à la mise en production d’un premier projet d’IA
Nous avons accompagné les spécialistes en science de données et développeurs de données de la STM à franchir les obstacles pour déployer la première version de leur solution dans le cloud. Ce projet fut couronné de succès, et même plus encore…
Grâce à ces apprentissages, leur équipe a déployé une nouvelle version du modèle d’IA, de manière autonome, basé sur des données temps réel des voitures de la ligne orange pour encore mieux prédire le trafic dans le métro.
Ce nouveau système d’IA est affiché sur les écrans de vos stations préférées sur la ligne orange.
Nous sommes fiers d’avoir accompagné les équipes de la STM qui ont redonné confiance aux Montréalais usagers du métro de pouvoir revenir dans les installations sous terrains en toute sécurité.
Démocratiser l’IA dans les organisations passe entre autres par l’autonomisation des équipes chez nos clients.
Guillaume est cofondateur de Moov AI et expert en marketing numérique.
Directeur marketing pour Urban Turtle (Pyxis Technologies) et Sharegate (GSoft), il a participé à la gestion des stratégies pour des produits ayant un fort succès commercial.
Christophe est un scientifique de donnée et un consultant en science des données. Il a aidé plusieurs clients à développer et déployer des systèmes d’intelligence artificielle.
Il est un excellent vulgarisateur et conférencier, lui permettant d’aider Moov AI à démocratiser l’intelligence artificielle.
