Analyse spatio-temporelle et modélisation prédictive du réseau de transport public de Montréal

Résumé

Les écarts d’horaire dans les réseaux de transport en commun — différences entre les heures d’arrivée planifiées et réelles des véhicules — constituent une source majeure d’insatisfaction des usagers et de perte d’efficacité opérationnelle. La disponibilité croissante de données opérationnelles en temps réel, conforme au standard GTFS-RT, offre des opportunités inédites pour analyser et prédire ces perturbations. Toutefois, un écart persistant subsiste entre la disponibilité des données et leur exploitation effective pour améliorer la qualité de service. Ce mémoire propose une approche intégrée, structurée en deux volets complémentaires, pour combler cette lacune. Le premier volet développe une plateforme de diagnostic intégrant l’ingestion automatique de flux GTFS-RT massifs, la classification systématique des perturbations selon leur nature, récurrente ou ponctuelle, l’exploitation de l’indexation spatiale hiérarchique H3 pour l’agrégation multi-résolution, ainsi que des capacités de visualisation interactive à haute performance via KeplerGL. Appliquée au réseau de la STM, cette plateforme open source révèle des motifs spatio-temporels significatifs et facilite l’identification de points critiques nécessitant des interventions. Le second volet développe une approche systématique de prédiction des écarts d’horaire à l’échelle d’un réseau urbain complet. Cette approche exploite (1) une méthodologie structurée d’ingénierie de features multi-résolution basée sur H3, combinant caractéristiques (features) spatiales hiérarchiques, encodages temporels cycliques et embeddings spatiaux appris; (2) une architecture LSTM optimisée pour capturer les dépendances temporelles complexes tout en respectant les contraintes de scalabilité au moyen d’une stratégie de clustering adaptée; et (3) une validation empirique rigoureuse avec protocole spatio-temporel sur des périodes indépendantes. Les résultats démontrent des performances prédictives supérieures aux baselines traditionnelles, avec une erreur absolue moyenne inférieure à 2 minutes pour les horizons de prédiction à court terme. La contribution distinctive de ce mémoire réside dans l’intégration cohérente du diagnostic et de la prédiction au sein d’un cadre méthodologique unifié, où les insights de l’analyse exploratoire informent directement la conception du système prédictif. Cette synergie, combinée à l’accent mis sur la reproductibilité, la scalabilité opérationnelle et l’approche open source, vise à réduire l’écart entre la recherche académique et l’adoption pratique dans le domaine des systèmes de transport intelligents.

Date	11 févr. 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Julio Cesar Montecinos (Directeur(-trice)) & Lokman Sboui (Codirecteur(-trice))