Prévoir l’achalandage pour mieux servir les usagersForecasting ridership to better serve ridersMettre les bons véhicules et les bonnes équipes au bon endroit.Putting the right vehicles and the right crews in the right place.

Le contexteThe context

Le télétravail hybride, les nouveaux quartiers et les grands événements avaient profondément modifié la fréquentation du réseau. Certaines lignes débordaient aux heures de pointe pendant que d’autres roulaient presque vides, et les horaires des chauffeurs restaient bâtis sur des tendances dépassées. Les planificateurs travaillaient à partir de comptages ponctuels et de tableurs difficiles à mettre à jour.

Hybrid work, new neighbourhoods and major events had profoundly changed ridership across the network. Some lines were overcrowded at rush hour while others ran almost empty, and operator schedules were still built on outdated trends. Planners worked from occasional counts and spreadsheets that were hard to keep up to date.

La société disposait pourtant d’une mine de données : validations des titres de transport, positions des véhicules, historiques de service, calendriers scolaires. Elle souhaitait les combiner à des sources externes comme la météo et les événements culturels et sportifs pour anticiper la demande, tout en respectant la confidentialité des déplacements de ses usagers.

Yet the authority had a wealth of data: fare validations, vehicle locations, service history and school calendars. It wanted to combine them with external sources such as weather and cultural and sporting events to anticipate demand, while protecting the confidentiality of riders’ trips.

Les enjeuxThe challenges

• Les données de validation, de localisation des véhicules et d’horaires vivaient dans des systèmes qui ne se parlaient pas.Fare validation, vehicle location and scheduling data lived in systems that did not talk to each other.
• Les comportements de déplacement avaient changé si vite que l’historique ancien devenait trompeur.Travel behaviour had changed so quickly that older history had become misleading.
• Les données de déplacement devaient être agrégées pour qu’aucun usager ne puisse être identifié.Trip data had to be aggregated so that no rider could be identified.
• Les prévisions devaient être compréhensibles par des planificateurs et des chefs d’exploitation, pas seulement par des analystes.Forecasts had to be understandable to planners and operations supervisors, not just to analysts.

Notre démarcheOur approach

1. 01

   Cadrage des décisionsScoping the decisions

   Nous avons d’abord identifié les décisions à soutenir : ajustements d’horaires, renforts lors d’événements et planification des quarts. Chaque prévision a été reliée à un utilisateur et à un moment précis du cycle de planification.

   We first identified the decisions to support: schedule adjustments, event reinforcements and shift planning. Each forecast was tied to a user and to a specific moment in the planning cycle.

2. 02

   Conception des pipelinesPipeline design

   Nous avons conçu l’ingestion des validations, des positions de véhicules, de la météo et d’un calendrier d’événements dans une plateforme commune. Les règles d’agrégation et d’anonymisation ont été validées avec l’équipe de protection des renseignements personnels.

   We designed the ingestion of fare validations, vehicle positions, weather and an events calendar into a common platform. Aggregation and anonymization rules were validated with the personal information protection team.

3. 03

   Réalisation des modèlesModel delivery

   Les modèles ont été développés et éprouvés sur quelques lignes pilotes, en comparant leurs prévisions aux observations réelles. Ils ont ensuite été étendus à l’ensemble du réseau, avec un recalibrage régulier.

   The models were developed and tested on a few pilot lines, comparing their forecasts with actual observations. They were then extended to the entire network, with regular recalibration.

4. 04

   Adoption par les équipesTeam adoption

   Nous avons conçu avec les planificateurs des tableaux de bord qui montrent la prévision, sa marge d’incertitude et ses principaux facteurs. Des ateliers ont permis d’intégrer ces outils aux routines de planification existantes.

   Together with planners, we designed dashboards that show the forecast, its uncertainty range and its main drivers. Workshops helped embed these tools into existing planning routines.

La solutionThe solution

Les résultatsThe results

1. Les ajustements d’horaires reposent désormais sur des prévisions partagées plutôt que sur des comptages ponctuels.Schedule adjustments now rely on shared forecasts rather than occasional counts.
2. Les grands événements sont anticipés et les renforts de service sont planifiés plus tôt.Major events are anticipated and service reinforcements are planned earlier.
3. La planification des quarts de travail s’appuie sur une demande attendue mieux connue.Shift planning is based on a better understanding of expected demand.
4. Les usagers profitent d’un service mieux calibré sur les lignes les plus sollicitées.Riders benefit from service that is better calibrated on the busiest lines.

Ce que nous retenonsWhat we take away

Une prévision n’a de valeur que si elle arrive au bon moment dans le cycle de planification. Partir des décisions plutôt que des données a orienté chaque choix technique.

A forecast is only valuable if it arrives at the right moment in the planning cycle. Starting from decisions rather than data guided every technical choice.

Expertises et offresExpertise and offers

Ce projet s’appuie sur les expertises et les offres suivantes.

This project draws on the following expertise and offers.

ExpertisesExpertise

OffresOffers

Tous les projetsAll projects #Innovation