Planication ditinraires en transport multimodal

Fallou Gueye
Directeur(s) de thse : Laboratoire daccueil : LAAS-CNRS 7, Avenue Colonel Roche 31770 Toulouse

Christian Artigues et Marie Jos Huguet

tablissement dinscription : INSA Toulouse 135, Avenue de Rangueil 31077 Toulouse

Rsum Dans cet article nous nous intressons des problmes de recherche ditinraires dans des rseaux de transport multimodaux (transport en commun, vhicule personnel, marche, vlo, etc.). La multimodalit dun rseau de transport introduit des contraintes spciques : temps de trajet dpendant des horaires, restrictions pour lutilisation de certains modes ou sur certaines squences de modes. Le problme particulier de notre tude est celui de la recherche ditinraires entre une origine et une destination minimisant la fois les temps de trajet et le nombre de changements de modes de transport. Nous comparons deux algorithmes pour rsoudre ce problme en nous appuyant sur un rseau de transport multimodal issu dun cas rel. Mots-cls Transport multimodal, plus court chemin dpendant du temps, plus court chemin bicritre, systme dinformation gographique(SIG)

1
1.1

INTRODUCTION
CONTEXTE ET POSITIONNEMENT DU PROBLEME

Le secteur des transports a connu ces dernires annes un accroissement fort du trac de voyageurs. Pour faire face aux problmes tels que la pollution, la consommation nergtique et la congestion automobile, le secteur des transports a lobligation de rduire les impacts environnementaux quil engendre. Cela se traduit par le dveloppement de vhicules moins polluants mais aussi par le dveloppement de modes de transport alternatifs (transport collectif, ferroviaire, uvial etc..). Nous nous situons dans ce contexte de dveloppement de modes de transport alternatifs et nous nous intressons plus spciquement au transport urbain des passagers. Le dveloppement de transports alternatifs au vhicule individuel, longtemps considr comme le seul moyen de dplacement, pose de nouveaux problmes pour lorganisation des dplacements de passagers via les modes de transports combins.

1.2

OBJECTIFS

Dans ce contexte, nous cherchons valuer et proposer des informations pertinentes an daider les voyageurs choisir le ou les modes de transport les plus appropris (voiture,

fgueye@mobigis.fr

transport en commun, transport la demande, marche pied, vlo, etc.) en fonction de leurs besoins de dplacement. Les travaux prsents dans cet article ont t raliss dans le cadre de ma thse CIFRE avec la socit Mobigis 1 dont lobjectif est de dvelopper un outil daide la dcision pour loptimisation de la planication ditinraires sur des rseaux de transport multimodaux.

PRESENTATION DU PROBLEME

Le problme central de ce travail est celui de la recherche de chemins cot minimal sur des rseaux de transport multimodaux. La recherche de chemins de cot minimal recouvre en fait dirents problmes : calcul de trajets point point, de trajets depuis une origine vers toute destination, de trajets depuis toute origine vers toute destination, calcul disochrones (zone accessible partir dune origine et respectant un cot donn), calcul de chemins mono ou multi-critres, calcul dun seul meilleur chemin, ou des k meilleurs chemins, ... Par ailleurs, la prise en compte de la multimodalit des rseaux de transport introduit un certain nombre de contraintes supplmentaires (frquences et horaires de passage des bus et mtro, vitesses de circulation uctuantes en fonction des horaires ou des conditions de trac, restrictions propres chaque mode). Le problme qui nous intresse dans ce papier est celui dun plus court chemin point point bicritre. Nous cherchons la fois minimiser le temps de parcours et le nombre de changements de modes (transferts modaux). Il sagit dun problme multiobjectif et dpendant du temps car les temps de trajet sont variables en fonction de lhoraire. On considre un graphe orient GT (V ; E) avec V ensemble des noeuds (arrts de bus, e stations de mtro, ...) et E ensemble des arcs. A chaque arc (i, j) correspond une origine i, une destination j, un mode de transport m (m {mtro, bus, vhicule, marche, transf ert}) et une fonction de cot delai(i, j, m, t) reprsentant le temps de trajet pour aller du nud i en partant la date t vers le nud j en utilisant le mode m. On cherche lensemble des chemins non domins (solutions Pareto Optimales) pour aller dune origine une destination partir dune date de dpart donne, satisfaisant les contraintes lies aux dirents modes de transport considrs. Un chemin multimodal se doit de respecter un ensemble de contraintes sur les squences dutilisation des dirents modes de transports. Par exemple, emprunter la voiture aprs avoir commenc en transport en commun est irralisable. Un chemin respectant ces contraintes est dit viable. La viabilit des chemins peut tre reprsente par un graphe "tats-transitions" comme dans [6] (cf. Figures 1 et 2). On dnit lensemble S = {0, 1, 2, 3, 4, 5} des tats donns (cf Figure 1) pour caractriser lensemble des chemins viables pour les modes considrs dans notre tude. Etats 0 1 2 3 4 5 Description ltat initial aucun mode nest encore utilis les modes mtro et vhicule nont pas t utiliss le mode vhicule na pas encore t quitt le mode vhicule a t quitt et le mode mtro na pas encore t utilis le mode mtro na pas encore t quitt le mode mtro a t quitt Figure 1 Description des tats dun chemin viable
1. www.mobigis.fr

Ce graphe permet de modliser lensemble des trajets viables multimodaux dans le cas des modes considrs. La couleur de larc indique le passage dun tat un autre en fonction du mode utilis. Par exemple, le graphe indique que la voiture peut tre utilise uniquement en dbut du trajet et que le mode mtro ne peut tre utilis uniquement quune fois (avec ventuellement des correspondances entre lignes de mtro). 1

3 Transferts Voiture Metro Parkings Autres(Marche, bus, Transferts) Figure 2 Graphe tats-transitions

ETAT DE LART DES ALGORITHMES DE RECHERCHE DITINERAIRES

Les problmes de calcul ditinraires dits statiques, se basent sur des graphes dans lesquels les valuations des arcs nvoluent pas dans le temps. Les algorithmes de calcul ditinraires origine-destination(s) sont de complexits polynomiales et on les rpartit classiquement en deux familles : ceux xation dtiquettes (algorithme de Dijkstra) et ceux correction dtiquettes (algorithme de Bellman). Malgr leurs complexits polynomiales, ces algorithmes peuvent nanmoins engendrer des temps de calculs importants pour des graphes de grande taille, ce qui a suscit le dveloppement des techniques dacclration prservant souvent loptimalit comme lalgorithmme A , le parcours bidirectionnel, ainsi que les mthodes de prtraitement [8]. Dans un rseau de transport dpendant du temps, la dirence principale avec un problme statique rside dans le fait que la valuation associe chaque arc est lie au temps. On peut trouver galement des temps dattente aux sommets du graphe [1, 7, 3]. Ces rseaux de transport sont classs selon quils respectent ou non la proprit FIFO : partir plus tt dun point i permet darriver plus tt en un point j. Les problmes de plus court chemins dans un graphe dpendant du temps ont t largement tudis dans la littrature. Dans [3], les auteurs proposent des extensions de lalgorithme de Dijkstra dans le cas FIFO ou non FIFO. Larticle de Pallattino et al. [7] prsente une extension dun algorithme de Dijkstra bas sur des buckets en se basant sur une reprsentation du problme par un graphe espace-temps acyclique. Dans [5], les auteurs considrent la fois un rseau dpendant du temps et stochastique dans lesquels les conditions relles du trac permettent dactualiser la fonction de cot (temps de trajet). Ils proposent une extension des mthodes bi-directionnelles existant dans le cas statique ainsi quune extension des mcanismes de prtraitement.

Dans un rseau de transport multimodal, les noeuds et les arcs du graphe sont lis aux modes. Les arcs du graphe sont valus par leur cot et par le mode utilis (le transfert tant un mode particulier). Le problme de calcul de chemin multimodal revient dterminer un chemin de cot minimal tout en respectant des contraintes sur la composition des trajets (nombre maximum de transferts ou viabilit du chemin parcouru en raison des contraintes sur les modes). Febbraro et Sacone [4] considrent un problme de plus court chemin classique o le critre minimiser est le temps de trajet sans prendre en compte de contraintes additionnelles sur la composition des trajets. Ils proposent un algorithme adapt de celui de Dijkstra et le valident sur un graphe de petite taille (80 arcs et 66 noeuds). Lozano et Storchi [6] sintressent la recherche de plus court chemin multimodal viable et respectant une contrainte sur le nombre maximum de transferts. Ils proposent pour cela un algorithme incrmental sur le nombre de modes utiliss bas sur [7]. La validation exprimentale est limite un petit graphe (21 noeuds et 51 arcs). Les valuations dalgorithmes multimodaux et dpendant du temps de [2, 9] proposes par Bielli et Ziliaskopoulos vont jusquaux graphes de 1000 noeuds et de moins 3000 arcs.

4
4.1

ALGORITHMES DE PLUS COURTS CHEMINS MULTIMODAUX

ALGORITHMES ETUDIES

Les performances des algorithmes de calcul de recherche ditinraires sur des rseaux multimodaux et dpendant du temps de taille consquente ne sont pas notre connaissance clairement tablies. Nous proposons dans cet article de comparer les performances de deux algorithmes de calcul de plus courts chemins multimodaux dpendant du temps sur un rseau de transport issu dun cas rel et de plus grande taille que ceux utiliss dans [2] et [9]. Les algorithmes tudis sont : une extension au cas multimodal dun algorithme de plus court chemins dpendant du temps [2] ; une extension au cas dpendant du temps de lalgorithme de plus court chemins multimodal de [6] ; Les algorithmes que nous prsenterons ci-dessous sont des algorithmes dextension dtiquettes. Une tiquette est un couple [nud,tat] not [j, s] et reprsentant un chemin partiel partant de lorigine et aboutissant j dans ltat s. A chaque tiquette, on associe le temps de trajet depuis lorigine, le nombre de transferts eectus ainsi que le noeud prcdant et son tat pour reconstruire le chemin. Comme classiquement en programmation dynamique, on dnit une relation de dominance entre tiquettes. Une tiquette [j, s] est domine par une tiquette [j, s ] si le temps de trajet de [j, s ] est infrieur ou gal au temps de trajet de [j, s] et si s s, ou est une relation dordre entre les tats telle que e e si et seulement si ltat e permet datteindre tous les tats atteignables depuis e. Remarquons que daprs la rgle de dominance, il est ncessaire de ne conserver quune seule tiquette par couple [j, s]. 4.1.1 Algorithme MMTD-SP1

La mthode de rsolution utilise ici est du type contrainte qui est une approche transformant le problme en un ou plusieurs problme(s) mono-objectif(s). Ainsi, lalgorithme est itratif sur le nombre de changement de modes. Pour chaque nombre de changement de mode k compris entre 0 et Kmax , il dtermine le plus court chemin. Lalgorithme est inspir de [6] et tendu ici au cas multimodal.

Algorithm 1 Algorithme MMTD-SP1 Require: Kmax N, Q une le de priorit 1: for k = 0 to Kmax do 2: Initialisation() 3: Ajouter [Origine, 0] dans Q 4: [x, s] Q .top() 5: while x = destination do 6: Q.pop() 7: for [y, s ] successeur de [x, s] do 8: Etendre [x, s] vers [y, s ] 9: Ajouter [y, s ] dans Q sil nexiste pas [y, s ] dans Q tel que [y, s ] domine [y, s ] et si le nombre de transferts est infrieur k 10: supprimer de Q les tiquettes domines par [y, s ] 11: end for 12: end while 13: end for La complexit de lalgorithme est Kmax O(|E| + (|V | |S|) log(|V | |S|)). 4.1.2 Algorithme MMTD-SP2 Lalgorithme calcule directement les solutions non-domines de 0 Kmax transferts. Il est bas sur lutilisation de deux les de priorit Qnow et Qnext contenant respectivement les tiquettes non-domines de k et k + 1 transferts. Cet algorithme est propos par [2] et tendu ici aux graphes dpendant du temps. Algorithm 2 Algorithme MMTD-SP2 Require: Kmax N, Qnow , Qnext des les de priorit 1: Initialisation() 2: Ajouter [Origine, 0] dans Qnow 3: Qnext 4: while Qnow = and k Kmax do 5: [x, s] Qnow .top() 6: if x = destination then 7: for [y, s ] successeur de [x, s] do 8: Etendre [x, s] vers [y, s ] 9: if ((x, y) est un Transfert et k + 1 Kmax ) then 10: Ajouter [y, s ] dans Qnext sil nexiste pas [y, s ] dans Qnext tel que [y, s ] domine [y, s ] et si le nombre de transferts est infrieur k 11: supprimer de Qnext les tiquettes domines par [y, s ] 12: else 13: Ajouter [y, s ] dans Qnow sil nexiste pas [y, s ] dans Qnow tel que [y, s ] domine [y, s ] et si le nombre de transferts est infrieur k 14: supprimer de Qnow les tiquettes domines par [y, s ] 15: end if 16: end for 17: else 18: if Qnext = then 19: Qnow = Qnext 20: k=k+1 21: end if 22: end if 23: end while

La complexit de lalgorithme est Kmax O(|E| + (|V | |S|) log(|V | |S|)).

5
5.1

EVALUATIONS
LES DONNEES

Pour tester ces deux algorithmes, nous avons utilis les donnes relles de transport en commun (cf. Figure 3) fournies par Tisso, lorganisme dexploitation des transports de la ville de Toulouse et des bases de donnes Navteq pour les donnes de la voirie. Le graphe est ainsi compos de 10507 noeuds, de 22788 arcs et comporte une table horaire damplitude 5h 23h59 avec au minimum 5 horaires par noeud et en moyenne 15 horaires par noeud pour les modes dpendant du temps. Les modes utiliss pour cette exprimentation sont : Bus, Mtro, Marche, Voiture, Transfert. Mode Bus Metro Voirie Transferts Noeuds 1228 38 6877 2364 Arc 3190 36 18280 1282

Figure 3 Donnes du rseau

5.2

RESULTATS EXPERIMENTAUX

Les algorithmes prsents dans la partie 4 ont t dveloppes en C++ et tests sur un environnement de dveloppement dun SIG "ARCGIS" avec un PC quip dun processeur de 2.39 GHz. An de vrier les performances de ces algorithmes, 50 tests ont t eectus pour chaque valeur de nombre transferts. Le tableau (cf. Figure 4) suivant prsente les temps dexcution des algorithmes en secondes. Sur les 50 instances, les temps de trajets minimum, moyen et maximum en minutes sont respectivement de 13.56, 30.65 et 189.03. Les rsultas de tests montrent que lalgorithme MMTD-SP2 est plus rapide que lalgorithme MMTD-SP1 (cf Figure 4). Nombre de transferts 0 Valeurs Min Moy Max Min Moy Max Min Moy Max MMTD-SP1 2,28 4,82 6,69 4,69 9,46 13,53 7,05 14,20 20,23 MMTD-SP2 2,27 4,78 6,72 3,23 7,13 9,66 4,83 9,91 17,86

Figure 4 Temps dexcution des algorithmes en secondes

CONCLUSIONS ET PERSPECTIVES

Dans lobjectif de planier des trajets dans des rseaux de transport multimodaux, nous avons dvelopp et test plusieurs algorithmes qui nous permettent de dterminer le ou les meilleur(s) chemin(s) entre une origine et une destination en termes du temps de trajet et de nombres de changement de modes. Les tests eectus fournissent de bons rsultats mme si les temps de calculs peuvent tre amliors. Lalgorithme utilisant les deux les de priorit amliore les temps de calcul. La suite de ces travaux portera sur les dirents points suivants : Poursuivre les tests qualitatifs et quantitatifs et amliorer les temps de calculs ; Etendre les algorithmes prsents ci-dessus vers un algorithme de type A ; Etudier le cas des rseaux non FIFO ; Prendre en compte des critres supplmentaires comme le cot du trajet, lcomobilit ou la scurit ; Adapter des mthodes bidirectionnelles ou de prtraitement au cas multimodal.

Rfrences
[1] Ravindra K. Ahuja, James B. Orlin, Stefano Pallottino et Maria Grazia Scutell. Minimum Time and Minimum Cost-Path Problems in Street Networks with Periodic Trac Lights . Transportation Science, 36(3) :326336, 2002. [2] Maurizio Bielli, Azedine Boulmakoul et Hicham Mouncif. Object modeling and path computation for multimodal travel systems . European Journal of Operational Research, 175(3) :1705 1730, 2006. [3] I Chabini. A new short path algorithm for discrete dynamic networks . Proceedings of the 8 th IFAC Symposium on Transport Systems, Chania, pages 1617, 1997. [4] D. Febbraro et S. Sacone. An on-line information system to balance trac ows urban areas . Proceeding of the 36th IEEE conference on decision and control, pages 47724773, 1995. [5] G. Nannicini P. Baptiste D. Krob et L. Liberti. Fast paths on dynamic road networks . ROADEF 08, 2008. [6] Angelica Lozano et Giovanni Storchi. Shortest viable path algorithm in multimodal networks . Transportation Research Part A : Policy and Practice, 35(3) :225 241, 2001. [7] S. Pallotino et M. G. Scutell. Shortest path algorithms in transportation models : Classical and Innovative Aspects . Equilibrium and Advanced Transportation Modelling, pages 245281, 1998. [8] A. Goldberg H. Kaplan R. Werneck et C.Harrelson. Ecient Point to Point Shortest Path algorithms . 2005. [9] Athanasios Ziliaskopoulos et Whitney Wardell. An intermodal optimum path algorithm for multimodal networks with dynamic arc travel times and switching delays . European Journal of Operational Research, 125(3) :486 502, 2000.