Smart City : Plus de précision sur les mobilités avec le projet BMB

Voiture électrique, covoiturage, vélo, intermodalité… Nos usages de transport évoluent, les mentalités aussi. Ce qui impose aux aménageurs d’anticiper les mobilités de demain. Le projet BMB avait pour ambition d’enrichir le jumeau numérique de la ville par des données précises sur les besoins en mobilité des habitants.

Considérons l’exemple de la voiture électrique, qui est un des usages pris en compte dans le projet BMB (Besoin de Mobilité au Bâtiment). Le développement de ces véhicules est conditionné à la disponibilité de bornes de recharge électriques, qu’elles soient publiques ou privées. Si bien que déterminer si l’installation de bornes de recharge est possible en un point de la ville et quantifier le nombre d’habitants à proximité susceptibles de s’équiper en voitures électriques, c’est anticiper la demande locale en électricité de demain. Et donc permettre aux syndicats d’énergie et métropoles de planifier les réseaux d’électricité.

C’est à ce type de question que cherchait à répondre le projet BMB. Son objectif : modéliser des besoins en mobilité des individus et ménages d’une ville à l’échelle du bâtiment.

Une intelligence artificielle pour caractériser les déplacements

Le projet s’inscrit dans le cadre des Démonstrateurs industriels pour la ville durable (DIVD). Ceux-ci s’appuient sur 3DEXPERIENCity Virtual Rennes, le jumeau numérique de la ville mis en place par Rennes Métropole avec Dassault Systèmes pour faciliter le partage de données, simuler, planifier et piloter la cité de façon transversale et collaborative. BMB est chargé d’enrichir la cartographie 3D existante d’une couche dédiée aux besoins en mobilité. Le projet était mené par Énergies Demain, un bureau d’études dont la vocation est d’accompagner et outiller les politiques de réduction des consommations d’énergie.

Steven Le Pierres, chef de projet Énergie-climat au sein du bureau d’études, explique comment l’équipe a procédé : “Nous avons croisé des données issues de différentes sources comme le recensement et la dernière enquête ménages-déplacements. Puis nous avons calibré un modèle de Machine Learning capable d’apprendre les caractéristiques de déplacement des habitants en fonctions de critères socio-économiques mais aussi de leur localisation précise, et donc de l’accès aux transports en commun.”

À l’échelle du micro-quartier, de l’entreprise

C’est donc en travaillant sur un ensemble de données existantes que le projet BMB a produit une cartographie des besoins en mobilité des habitants de l’agglomération rennaise. “Nous avons réussi à le faire avec quelques limites. Nous ne sommes pas descendus à l’échelle du bâtiment comme prévu initialement, mais au niveau d’un micro-quartier appelé IRIS dans notre jargon. C’est déjà un gros progrès par rapport à ce dont on disposait jusqu’alors.”

La méthode développée est applicable à d’autres métropoles. Et elle a été étendue aux besoins en mobilité à l’échelle de l’entreprise. “Ça nous permet de fournir des données aux sociétés ou aux parc d’activités sur la mobilité des employés d’un site donné. Par exemple pour imaginer une solution de covoiturage partagée entre entreprises. Et donc pousser au covoiturage là où c’est pertinent.”

Accélérer la transition vers une mobilité durable

Énergies Demain utilise également l’outil développé dans le cadre de BMB pour d’autres cas d’usage. Par exemple, pour promouvoir l’utilisation du vélo électrique au travers du programme GoodWatt. La connaissance fine des besoins de mobilité est une des composantes qui permettra la transformation urbaine pour tendre vers la ville durable.