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

Boudabbous, Emna (2026). Analyse spatio-temporelle et modélisation prédictive du réseau de transport public de Montréal. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

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.

Titre traduit

Analysis and prediction of public transit schedule deviations using data-driven methods

Résumé traduit

Schedule deviations in public transit networks—discrepancies between planned and actual vehicle arrival times—are a significant source of user dissatisfaction and operational inefficiency. The growing availability of real-time operational data through the GTFS-RT standard offers new opportunities to analyze and predict disruptions. Yet, a significant gap remains between data availability and practical use to improve service quality.

This thesis proposes an integrated, two-component approach to address this gap. The first component develops a diagnostic platform that integrates automatic ingestion of large-scale GTFS-RT streams, systematic classification of disruptions into their recurrent or one-off categories, use of H3 hierarchical spatial indexing for multi-resolution aggregation, and high-performance interactive visualization with KeplerGL. Applied to Montréal’s STM network, this open-source platform reveals significant spatio-temporal patterns and supports the identification of critical locations requiring intervention.

The second component develops a systematic approach for predicting schedule deviations at the scale of a city-wide transit network. The proposed method combines (1) a structured framework for multi-resolution feature engineering based on H3, including hierarchical spatial caractéristiques (features), cyclic temporal encodings, and learned embeddings; (2) an LSTM architecture optimized to capture complex temporal dependencies while satisfying scalability constraints through an appropriate clustering strategy; and (3) rigorous empirical evaluation using a spatio-temporal validation protocol on independent time periods. The results show predictive performance superior to traditional baselines, with a mean absolute error below two minutes for short-term prediction horizons.

The distinctive contribution of this thesis lies in the coherent integration of diagnosis and prediction within a unified methodological framework, in which insights from exploratory analysis directly inform the design of the predictive system. This synergy, combined with an emphasis on reproducibility, operational scalability, and an open-source implementation, aims to narrow the gap between academic research and practical deployment in intelligent transportation systems.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par articles présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie de la production". Comprend des références bibliographiques (pages 135-163).
Mots-clés libres:	transport en commun, écarts d’horaire, GTFS, apprentissage profond, visualisation, LSTM, indexation spatiale, H3
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Montecinos, Julio
Codirecteur:	Codirecteur Sboui, Lokman
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	13 mars 2026 14:07
Dernière modification:	13 mars 2026 14:07
URI:	https://espace.etsmtl.ca/id/eprint/3844

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt