A New York, les données et l'IA pour déjouer la mort sur les routes

A New York, les données et l'IA pour déjouer la mort sur les routes La ville et l'organisation DataKind ont développé des algorithmes pour prédire l'évolution du trafic routier et du nombre de morts en fonction des aménagements apportés à une rue.

Est-il possible d'éviter des accidents en ville en repensant la conception des rues grâce aux données ? New York a tenté de le découvrir en s'associant à DataKind, une organisation à but non-lucratif qui propose des solutions basées sur l'analyse des données et l'intelligence artificielle pour répondre aux problèmes humanitaires, environnementaux et urbains. Microsoft leur a apporté un soutien financier et une expertise technique.

La première phase du projet, également mis en place à Seattle et à la Nouvelle-Orléans, a duré plus d'un an, entre début 2016 et 2017. Après cette période de récolte de données et de mise en place de modèles statistiques, DataKind a publié plusieurs études sur sa collaboration avec les villes. New York commencera à déployer cet automne les solutions développées avec DataKind. Ces algorithmes et modèles statistiques sont disponibles en open-source, permettant à d'autres villes de les essayer avec leurs propres données.

Comprendre ce qui fonctionne le mieux

DataKind et les municipalités ont voulu comprendre quels aspects d'une rue pouvaient être les plus accidentogènes, et comment faire pour réduire les accidents. Pour Rob Viola, directeur de la politique de sécurité au département des Transports de New York, il s'agissait d'obtenir des données plus fines que la simple évolution du nombre d'accidents. "Nous savons qu'en général, nos projets de réaménagement ont tendance à faire baisser le nombre de blessés et de morts. Mais nous ne savons pas précisément quels aménagements fonctionnent le mieux."

Pour y arriver, DataKind doit d'abord collecter et croiser un grand nombre de données provenant des villes et Etats, du recensement et des réseaux de transport en commun. Il s'agit d'informations sur l'utilisation des terrains (résidentiel, commerce…), les infrastructures de transport, la démographie, ou encore certaines infractions comme les amendes de stationnement. Tout cela dans le but d'obtenir une donnée cruciale, mais manquante : le niveau d'exposition d'une rue aux véhicules, c'est-à-dire la quantité de trafic qui y passe.

Des données parcellaires

 "J'ai réussi à trouver des décomptes pour New York, mais ils ne couvraient pas toute la ville, " raconte Michael Dowd, le chef data scientist du projet chez DataKind. "Le trafic des grosses artères est évalué chaque année, alors que pour d'autres rues, il est seulement compté si une étude de planification urbaine est réalisée." Résultat : il ne possède des données de trafic que pour 7% du réseau routier de la ville.

DataKind commence par mettre au point un algorithme de propagation. Il permet de déduire le trafic de certaines artères, lorsqu'elles sont proches et présentent des caractéristiques similaires à d'autres portions dont le trafic est connu. Mais la propagation a ses limites : "On peut propager le trafic à quelques pâtés d'immeubles, mais pas à huit kilomètres", au risque de fausser les résultats, explique Michael Dowd. C'est là que les données entrent en jeu. Grâce à l'apprentissage automatique (machine learning), une forme d'intelligence artificielle permettant aux machines d'apprendre en les confrontant à des grandes quantités de données, DataKind a pu combler les trous et constituer une carte du trafic dans toute la ville.

Une fois ce travail accompli, New York a eu accès à des modèles de prédiction de trafic et d'accidents graves (blessés et morts). A partir de cet automne, la ville va généraliser leur utilisation. La prédiction du trafic "nous donne un premier aperçu de la faisabilité d'un projet, par exemple pour voir l'influence de la transformation d'une file pour voitures en voie de bus", détaille Rob Viola. Il aidera aussi la municipalité à juger rapidement la pertinence des demandes d'installation de nouveaux feux ou panneaux (elle a l'obligation de répondre à ces requêtes citoyennes). Quant à la prédiction des morts et blessés, elle permettra d'alimenter des réflexions globales sur la politique de la ville, par exemple pour calculer le nombre de vie sauvées en mettant en place des péages routiers ou en modifiant les limitations de vitesse.

New York n'a cependant pas pu réaliser tous ses objectifs initiaux. Car le modèle de DataKind est bon pour répondre à des questions larges, mais a du mal à rentrer dans les détails en empilant de nombreux paramètres, regrette Rob Viola. "Je peux lui demander où les projets de lignes de bus ont été les plus efficaces. Mais pas ce qu'il va se passer si je veux mettre un passage piéton, augmenter la taille du trottoir et ajouter une piste cyclable dans une rue."

La faute à un manque de données. "Même si nous avons réalisé des centaines de modifications de voirie, ce n'est qu'un échantillon", reconnaît Rob Viola.  D'autres données, comme le trafic piéton ou cycliste, ne sont pas assez précises, car plus difficiles à déduire que le trafic routier. Parfois, l'information est carrément inexistante et impossible à extrapoler. C'est le cas du comportement des conducteurs (vitesse de conduite réelle, freinages brusques etc.).

Besoin d'innovation pour aller plus loin

Heureusement pour la ville, l'innovation est en train de rendre la collecte de données bien plus simple et systématique qu'auparavant. Grâce à un réseau de capteurs connectés, la smart city pourra prélever des données qui viendront affiner les prédictions des modèles de DataKind, et permettront peut-être d'identifier des signaux faibles jusqu'ici passés inaperçus. "Ce sera immensément utile", prédit Michael Dowd. Les véhicules connectés permettront quant à eux d'évaluer plus précisément le trafic. En attendant leur généralisation, New York va réaliser des tests sur les véhicules connectés conduits par ses propres agents dans le cadre de leurs missions, afin d'obtenir de premières données sur le comportement des conducteurs.

Le travail de New York avec DataKind fait partie de son engagement dans l'initiative mondiale Vision Zero, qui ambitionne d'éradiquer totalement les morts sur la route. N'est-ce pas un objectif irréaliste tant que des humains, par essence irrationnels et imprévisibles, se trouveront derrière le volant ? Rob Viola reconnaît qu'on ne pourra "probablement jamais" arriver à zéro morts. Mais pour lui, l'essentiel est de changer l'acceptation actuelle des décès (3 469 en France en 2016) comme une conséquence inévitable du transport automobile.

Et aussi

Villes / Machine Learning