MAPS 1 Atelier 4 Mobilités

Simulation en SMA d’un service de transport type « Taxi brousse »

Résumé du travail réalisé au cours de la fomation MAPS

 

1. Contexte

Les sciences humaines et sociales ont toujours cherché à améliorer leurs outils afin de diffuser leurs connaissances. Le dernier d’entre eux, les Systèmes Multi-Agents (S.M.A.) est un vecteur remarquable de la formalisation et de la visualisation des processus spatiaux. Les SMA ont déjà fait leurs preuves en tant qu’outil puissant de modélisation, dans différentes disciplines comme l’épidémiologie, la biologie, l’écologie, mais aussi l’économie et la géographie (Amblard F. 2006). La multiplication des recherches et des méthodes visant à répondre à des problématiques spatiales s’inscrivent, aujourd’hui, dans le paradigme et les théories des systèmes complexes. En effet, l’un des atouts des systèmes multi-agents, dans les domaines relevant des sciences humaines et sociales, réside dans leur pertinence à représenter les systèmes sous-jacents le plus simplement possible, tout en intégrant au mieux la complexité aux différentes échelles considérées (Daudé E. 2003). Tout l’enjeu de cette approche est de concevoir, selon le principe de parcimonie, des règles de fonctionnement et des stratégies simples des agents, mais précisément choisies pour répondre à une problématique clairement identifiée. Connaissant les composantes et les paramètres du système, l’outil permet alors d’observer et de comprendre un comportement global auto-organisé, avec des effets de structuration, de transition, d’émergence, etc. (M. Vidal J. 2007).

Vivant dans une société chaque jour plus mobile, les personnes se déplacent quotidiennement selon des dynamiques dictées par leurs comportements, par les infrastructures, leur milieu (routes, etc.), mais aussi par les services qui leurs sont proposés (bus, taxis, etc.) (Marilleau N. et al. 2005). Les déplacements sont ainsi fortement conditionnés par l’environnement qui nous entoure. Travaillant sur des thématiques différentes, mais relevant toutes d’une problématique commune : celle de la mobilité, notre groupe réunit de jeunes chercheurs, pour lesquel la formation MAPS est une réponse à nos besoins d’aprentissage dans le domaine des sciences de la complexité, tant sur le plan des compétences méthodologiques que sur le plan pratique de modélisation multi-agents.

2. Problématique

L’élaboration d’une problématique commune et la mise en place d’un travail d’équipe ont été contraignantes mais, malgré des thématiques de recherche différentes, nous avons réussi à travailler ensemble de façon productive après avoir défini une problématique dont nous pourrons chacun tirer enseignement. Cette problématique est celle de la production d’un service de transport non régulé, de voyageurs, en milieu rural africain (« taxi brousse »). Le contexte est habituellement caractérisé par une dispersion de la demande dans le temps et dans l’espace, la non (ou faible) solvabilité de la demande, l’absence ou la faiblesse des autorités de régulation, etc..
Nous nous sommes alors posé plusieurs questions :

  • Comment, dans un contexte non régulé et non administré, se structure un service de transport (dessertes, fréquentation des arrêts, régularité) ?
  • Sur quels principes de déplacements s’effectue cette structuration ? Selon quelle type d’optimisation ? Et avec quelles conséquences ?
  • L’offre et la demande s’adaptent-elles l’une à l’autre ? A partir de quelles regles ?
  • Quelle est l’efficacité des services produits en termes de désenclavement et comment la mesurer ?
  • Quelle est l’influence de ce service de transport sur les structures spatiales du territoire ?

3. Présentation du modèle

Pour répondre à ces questions, nous avons modélisé les déplacements de deux catégories d’agents mobiles : des villageois qui se déplacent à destination des marchés les plus attractifs par l’intermédiaire d’une autre catégorie d’agents : les taxis. Le territoire virtuel de la simulation est constitué de stations qui permettent de prendre en charge des clients à destination de marchés. Les stations se situent aux intersections des routes comme des points de rencontre entre les taxis et les villageois. Elles correspondent aux sommets d’un graphe complet non planaire sur lequel se déplacent les véhicules avec ou sans client(s) dans un espace isotrope, mais non continu. Appliquant le principe de parcimonie, chaque type d’agent réagit à son environnement grâce à des règles relativement simples qui lui sont propres.

Les villageois apparaissent aléatoirement sur le territoire au début de chaque journée et en même quantité. Ils choisissent leur marché de destination et, si celui-ci est trop éloigné, ils se déplacent vers une station pour prendre un taxi qui les déposera au marché. Une fois arrivé à destination, les villageois disparaissent du modèle. En ce qui concerne la gestion du temps, un “jour” est défini par un nombre d’itérations ajustable par le modélisateur et à la fin de chaque “jour”, les voyageurs sont régénérés. Les taxis prennent les clients et choisissent un itinéraire pour réaliser leur tournée. Une tournée correspond au déplacement d’un taxi à partir de la prise en charge d’un ou plusieurs clients jusqu’à destination (le marché).

Les deux types d’agents mobiles se déplacent sur le territoire selon deux modes d’optimisation. Les villageois ont pour destination le marché qui possède le plus grand potentiel d’attractivité rapporté à la distance (potentiel gravitaire). De la même manière, ils vont prendre un taxi sur la station maximisant ce même rapport. Le potentiel d’attractivité des marchés dépend du nombre de clients débarqués et le celui des stations dépend du nombre de clients embarqués. Les taxis, quant à eux, se déplacent simplement en minimisant la distance à parcourir.

4. Résultats

Ce modèle après tests et analyses, nous a permis, dans un premier temps, d’observer les phénomènes suivants :

  • L’auto-renforcement du potentiel gravitaire : au bout d’un moment, le système se structure, et les stations et les marchés bénéficiant d’une position centrale et stratégique sur le réseau, voient leur potentiel d’attractivité augmenter considérablement au détriment des stations trop éloignées des marchés ou mal positionnées sur le réseau ;
  • La structuration des bassins d’attraction : cette différenciation des stations et des marchés structure aussi les bassins d’attraction auxquels sont soumis les villageois. Les bassins s’élargissent autour des stations les plus performantes et absorbent les bassins d’attraction des stations peu fréquentées. Les villageois vont se déplacer à pied pour rejoindre une station très fréquentée même si celle-ci est éloignée de sa position initiale ;
  • L’émergence d’axes de propagation : l’auto-renforcement du potentiel gravitaire va aussi déterminer une certaine récurrence des tournées. On observe qu’au bout d’un moment, les quelques axes, reliant les stations les plus performantes, vont prendre en charge la majorité des déplacements des taxis. La desserte s’organise et se structure spatialement sur le réseau.

De manière générale, nous avons constaté que le système est soumis à un effet de structuration. L’état d’équilibre, en termes de polarisation et de desserte, n’a jamais été observé. En outre, nous avons constaté que la hiérarchie des marchés émerge lentement au cours des simulations. Nous avons souvent observé un marché qui se différencie assez rapidement, alors que les deux autres (les marchés sont au nombre de trois) peuvent rester en concurrence pendant un long moment. Cependant, au bout de plusieurs « jours », la hiérarchie se stabilise et l’auto-renforcement s’accentue. De plus, nous avons rapidement constaté que la topologie du réseau et la position relative des stations et des marchés sur ce dernier, déterminaient, en grande partie, l’évolution des potentiels gravitaires et donc la structuration de la desserte. Le réseau étant généré aléatoirement, avant la simulation, nous avons pu simuler le service de transport sur un nombre important de territoires in sillico.

Nous avons valorisé ce premier travail grâce l’acceptation d’un article court et la présentation d’un poster au colloque SAGEO 2009 (Lammoglia et al.2009). Nous y avons présenté un dérivé du modèle initial qui avait pour objectifs de comparer trois degrés d’optimisation :

  • Minimisation de la distance par le taxi et par le client ;
  • Maximisation du potentiel gravitaire des stations par le villageois et minimisation de la distance par le taxi (modèle initial) ;
  • Maximisation du potentiel gravitaire des stations par le villageois et le taxi.

Le but était alors d’évaluer par une analyse statistique exploratoire la performance du service de transport, à l’aide de plusieurs indicateurs.

5. Evolution du modèle

Suite aux premières observations que nous avons réalisées, nous avons décidé de modifier une partie des conditions de fonctionnement du modèle afin de l’enrichir et de le rendre plus cohérent. Dans un premier temps, nous avons recentré la problématique sur la thématique des transports. Ainsi, les marchés ont disparu et ont laissé place à des gares.

Ensuite, nous avons choisi d’apporter de nouvelles règles de comportement au troisième type d’agents présent dans le modèle : les stations. Dorénavant, leur nombre et leur distribution sur le réseau sont conditionnés par leur niveau de fréquentation. Des stations fréquentées peuvent devenir de nouvelles gares et inversement des gares désertées peuvent changer de statut et devenir de simples stations. Pour cela, un indice de fréquentation a été attribué à tous les noeuds. Celui-ci mesure pour chaque station le niveau de fréquentation, et il est fonction du potentiel d’attractivité de chaque station, du nombre de villageois embarqués et du nombre de villageois débarqués. Avant le lancement de la simulation, un seuil (modulable sur l’interface) est choisi, au-delà duquel une station peut devenir gare et en-deça duquel une gare peut devenir une simple station.

Au cours de la simulation, on observe la disparition et la création de nouvelles gares et donc une modification de leur distribution sur le réseau. Le réseau semble aller progressivement vers un équilibre et une répartition « optimale » des lieux de transport. Nous tenons à préciser que les tests et les observations sont encore en cours au mois de janvier (date du résumé) et de nouveaux résultats sont donc susceptibles d’être rapportés.

6. Perspectives

Au cours de nos travaux, nous avons envisagé plusieurs options pour faire évoluer le modèle. Parmis elles, une perspective, toujours orientée sur la thématique des transports, concerne la mise en coopération, ou non, des taxis entre eux. En effet, il serait intéressant de voir quels seraient les impacts d’une communication inter-taxis sur le fonctionnement du service, la structuration du territoire, etc.. Si les taxis peuvent communiquer entre eux pour conseiller à d’autres taxis de desservir telle station, où les clients abondent, plutôt qu’une autre, où il n’y a personne, il pourrait apparaître plusieurs phénomènes interessants. La coopération entraînerait-elle une certaine complémentarité des taxis ? Celle-ci permettrait-elle une meilleure efficacité de chacun, ainsi qu’une desserte plus équitable du territoire ? A contrario, la non-coopération ne renforcerait-elle pas la concurrence entre les taxis ? Nous pourrions alors voir si les indicateurs, d’efficacité des taxis, de desserte du territoire, etc., changent en fonction des ces comportements. Cette perspective d’évolution s’appuie sur le paradigme de la théorie des jeux, et plus precisément sur le dilemme du prisonnier et la théorie evolutionniste néo-darwinienne (Axelrod R. 1992). Les agents ont des informations et peuvent les partager avec les autres joueurs (coopérer) ou au contraire ne pas les partager (trahir). La confiance entre les acteurs va dépendre de leurs interactions, c’est-à-dire, des gains acquis lors des jeux et donc de l’interêt qu’ils ont à coopérer.

7. Bilan

Cette session intensive de formation MAPS 1 a réussi à donner corps à l’équipe de travail. En effet, ce genre d’initiative permet de construire des relations interpersonnelles qui génèrent une réelle émulation, beaucoup plus productive qu’un travail collaboratif juxtaposant des activités personnelles. Il est claire que la synergie d’acteurs qui s’est révélée lors de cette formation a donné une valeur ajoutée au projet en assurant une mutualisation et un échange permanent entre les différents chercheurs. Ce micro-réseau de chercheurs pourrait d’ailleurs ouvrir la porte à d’autres collaborations fructueuses.

En outre cette formation s’est caractérisée par de très riches apports méthodologiques et conceptuels transposables à d’autres champs de recherche. En effet, de la problématisation à l’implémentation et les tests en passant par la construction des diagrammes conceptuels, l’ensemble des apports de cette formation pourra et sera assurement ré-exploité dans d’autres configurations de recherche.

8. Références

Amblard F. 2006 – Modélisation et Simulation Multi-agents, Applications pour les Sciences de l’Homme et de la Société, Hermes Science Publications, Science informatique et SHS, 446 p.

Axelrod R. 1992 – Donnant donnant – Une théorie du comportement coopératif, Odile Jacob, Sciences Humaines

Daudé E. 2003 – Apports de la simulation multi-agents à l’étude des processus de diffusion , 6èmes Rencontres de Théo Quant, Besançon, France, Articles sélectionnés par Cybergeo : European Journal of Geography. Document 255, mis en ligne le 03 février 2004. URL : http://www.cybergeo.eu/index3835.html

Lammoglia A. Josselin D. Redjimi M. Guegan C. Mazouin A. Lemoy R. Ninot O. 2009 – Simulation d’un transport spontané non régulé, par un système multi-agents, Actes du colloque SAGEO, Paris.

Marilleau N. Lang C. Chatonnay P. Philippe L. 2005 – Un méta-modèle à base d’agents pour modéliser la mobilité urbaine, SETIT 3rd IEEE Int. Conf. on Sciences of Electronic, Technologies of Information and Telecommunications, Sousse, Tunisie.

M Vidal J. 2007 – Fundamentals of Multiagent Systems with NetLogo Examples, URL : https://www.scribd.com/doc/2094479/Fundamentals-of-Multiagent-Systems

 MAPS 1

Présentation power point

Modèle (netlogo)

Description du modèle

Dictionnaire des variables