PROMENADE : Platform for Resilient Multi-modal Mobility via Multi-layer Networks & Real-time Big-Data Processing

Il s’agit d’un projet jeune chercheur (JCJC) retenu par l'ANR.

PROMENADE vise le développement d'une nouvelle plateforme, systémique, basée sur les données temps-réel pour la représentation de systèmes de transports urbains multimodaux à grande échelle.
Le projet propose un cadre de modélisation innovant et holistique basé sur les réseaux multicouches qui permettra de comprendre les interactions complexes qui existent entre les différents modes de transport et qui sont généralement peu traitées.

PROMENADE vise à extraire de la connaissance à partir de données massives et multi-sources, en temps réel, pour enrichir le modèle proposé avec des informations précises et dynamiques sur les motifs de mobilité et les performances du réseau de transport. Les techniques de fusion de données massives seront exploitées pour tirer pleinement parti de la puissance de ces données hétérogènes et permettre une surveillance et une prise de décision plus éclairées.
Le projet vise à identifier de nouvelles mesures et stratégies de résilience pour les réseaux en développant des tests de résistance (appelés stress tests), comme l’analyse de l'impact des phénomènes météorologiques extrêmes. De plus, des indicateurs de résilience seront étudiés pour permettre un suivi continu et en temps réel de réseaux multimodaux à grande échelle.

Par ailleurs, il sera proposé une plate-forme logicielle intégrant tous les modèles, les analyses, les algorithmes et les outils développés tout au long du projet. La plate-forme rendra ainsi les résultats du projet accessible en ligne au grand public et donc réutilisables et extensibles par d’autres acteurs de la recherche, du transport et du monde socio-économique.

Abstract du projet (en Anglais):
PROMENADE 
Platform for Resilient Multi-modal Mobility via Multi-layer Networks & Real-time Big-Data Processing

The growing concentration of people in urban areas translates into increasing travel demand, degrading mobility experience and frequent unavailability or inaccessibility of the transport infrastructures, especially in presence of inclement or extreme weather events.
Contextually, the urban environment is pervasively digitalizing and generates massive amounts of data that can be used to improve mobility and enable novel approaches for measuring and improving transport resilience.
PROMENADE targets the development of a novel, systemic, real-time, data-driven platform towards sustainable and resilient multi-modal transportation.
Firstly, PROMENADE proposes a novel, holistic modelling framework based on multi-layer networks to effectively represent multi-modal, large-scale urban transport systems. This model will allow for grasping the complex interplays that exist among different transport modes and are usually neglected in transportation studies.
Secondly, PROMENADE aims at jointly mining multi-source, real-time, large-scale data to enrich the model with accurate and dynamic information on users’ mobility patterns and traffic performance. Big data fusion techniques will be exploited to fully leverage the power of such heterogeneous data and allow for more informed monitoring and decision making.
Thirdly, PROMENADE aims at identifying novel resilience metrics and strategies for multi-modal urban transport networks by developing stress tests aimed at analysing the impact of extreme weather events on multi-modal networks. Moreover, efficient implementations of the proposed resilience indicators will be studied to allow for continuous, real-time monitoring of large-scale network resilience.
PROMENADE will deliver a software platform integrating all the models, analytics, algorithms and tools developed along the project. 
 

Objectifs : 
- étudier et améliorer la résilience (robustesse, capacité de résister aux aléas, retour rapide à la normale) et l'efficience d'un réseau de transport urbain multimodal (voiture, transport en commun, vélos, etc.) ;
- comprendre les motifs des mobilités (demande, activités, anomalies) des utilisateurs et les utiliser pour rendre le réseau plus efficace;
- création d'une plateforme réactive pour répondre aux aléas et pour prendre en compte les évolutions de demande et des motifs de déplacements (dimension real-time)

Aspects techniques :
- multi-source big data (mobile phone data, floating car data, smart card data, social media data, etc.)
- complex networks (réseaux multi-couches pour les différents modes de transport)
- real-time (usage des données temps réel)
- machine learning techniques (artificial intelligence)
- stress testing (création de scenarios de perturbation liés aux événements météorologiques - comme forte neige, inondation, etc. - ou encore accidents, bouchons, etc.)

- Publications de résultats scientifiques (articles, livrables, etc.)
- Annonce de rencontres associées au projets (workshops, réunions, etc.)
- Divulgation de matériel lié au projet (code, guides, analyses, patterns)
- Liens vers github repos, vidéos, etc.
- Collecte des données

Partenaires : ENTPE (LAET), INSA-Lyon, Orange, CNR Italy, University of Sannio (Italy), University of Illinois-Chicago,

Implication de l'Ifsttar : l'ENTPE et l'IFSTTAR sont leaders du projet (LICIT)

Mots clef : resilience, mobilité, multi-modalité, données multi-source, real-time, machine learning, complex networks