Image :

Short description: La « bordure de rue » (curbspace en anglais) est l’espace entre la chaussée et l’espace privé derrière le trottoir. Aujourd’hui, cet espace est énormément accaparé par le stationnement des voitures à usage individuel ou familial entre deux trajets. Or, cet espace pourrait être mieux partagé parmi les différents usagers de l’espace urbain. A la Fabrique des mobilités Québec, nous sensibilisons les usagers sur le potentiel que représente le partage de cet espace et nous expérimentons plusieurs façons de contribuer à cet objectif.

Description:

Objectifs & Opportunités

La Fabrique des Mobilités Québec s’implique dans la valorisation des données liées la bordure de rue dans une optique de mobilité durable, notamment dans le cadre du "POC Croisement et collecte de données" du projet "Montréal en commun".

Cette volonté se décline en plusieurs points :

Maintien à jour des connaissances sur le stationnement
Identifier des outils et standards qui permettent l'analyse et le croisement des données afin de les répliquer
Faciliter la production et l’utilisation de communs par l’écosystème de mobilité durable
Mobiliser nos partenaires et la communauté (y compris à l'international) afin de promouvoir la démarche expérimentale et l'innovation autour des nouveaux enjeux sur la bordure de rue

La bordure de rue dans Montréal en commun

La Fabrique des Mobilités Québec est impliquée dans le projet Montréal en Commun, issu de la victoire de Montréal au Défi des villes intelligentes (concours lancé par Infrastructure Canada), en tant qu'acteur-clé du développement d'un Pôle de données en mobilité.

Dans ce cadre, nous faisons avancer des expérimentations afin d'innover sur la gestion de la bordure de rue dans la métropole montréalaise. Nous nous appuyons sur des travaux réalisés dans d'autres grandes villes ainsi que sur le dynamisme de l'écosystème de la mobilité et des transports dans le Grand Montréal.

Pour ne rien manquer de nos actualités, suivez La Fabrique des Mobilités Québec sur Facebook, LinkedIn et Twitter et consultez notre blogue.

En somme, nous réfléchissons et expérimentons sur trois questions :

Qui ? - Qui faut-il impliquer pour améliorer la gestion de la bordure de rue à Montréal?
Quoi ? - Que faut-il savoir et avoir pour améliorer la gestion de la bordure de rue à Montréal?
Comment ? - Quels outils et actions faut-il mettre en œuvre pour améliorer la gestion de labordure de rue à Montréal?

Expérimentations et initiatives

Carte CurbLR Plaza St-Hubert

Hypothèse et objectifs

Pour avancer plus efficacement sur le développement d'une carte au standard CurbLR pour la totalité de l'île de Montréal, nous avons commencé par sélectionner une zone pilote grâce à la collaboration avec la SDC Plaza St-Hubert pour tester les différents aspects de ce commun sur un public plus réduit !

Cela nous permet d'apprendre plus rapidement sur le comportement des usagers et donc d'avancer plus efficacement vers l'objectif : savoir si une telle carte intéresse les usagers pour planifier leur stationnement afin de gagner du temps et de réduire la congestion.

Avancement et défis rencontrés

L'aspect technique et peu "user-friendly" du standard CurbLR nous a conduit à remanier l'aspect de la carte pour en améliorer l'expérience et donc augmenter les chances de son usage. Dans notre démarche d'amélioration continue, nous avons placé un très court sondage de satisfaction pour recueillir l'impression des usagers de la carte (utilité, practicité, etc.).

Cet aspect "expérience utilisateur" s'accompagne d'un volet technique complémentaire. Premièrement, nous poursuivons l'enrichissement de la carte afin d'y inclure de nouvelles données. Ensuite, nous analysons ces données pour avoir une idée plus précise des usages de la bordure de rue dans la zone et donc comprendre les comportements de mobilité.

Comment convertir des données au format CurbLR ?

Nous avons également dûs faire face à des enjeux de format et de conversion de données en développant la carte. Voici comment nous avons finalement procédé pour mettre ces données au format CurbLR.

Liens utiles

Procédé

1. Obtenir un identifiant pour se connecter à l'API de Jalon

2. Convertir et filtrer les données

Le script de conversion est présentement en développement, et de nombreuses erreurs pourraient survenir. En cas de problème, voir la section suivante.

a. Cloner le projet de conversion des données

 git clone https://github.com/savoirfairelinux/fabmob

b. Choisir la branche dev-jalonapi

 git checkout dev-jalonapi

c. Se rendre au dossier "fabmob/Curblr/curblr-tools"

 cd fabmob/Curblr/curblr-tools

d. Créer un fichier appelé credits.json, et y coller ses identifiants pour l'API de JALON. Par exemple :

 {"username":"courriel@savoirfairelinux.com","password":"motdepasse"}

e. Exécuter le script "run_and_jalonAPI.py"

 python3 run_and_jalonAPI.py

Les données des parcomètres de la Plaza St-Hubert sont maintenant dans le fichier last_converted.curblr.json.

Pistes de solution pour débogage du script de conversion

1. Les limites de la Plaza St-Hubert sont définies dans le fichier data/plaza-saint-hubert.geojson. Assurez-vous que ce fichier est bien utilisé.
2. Le dossier dans lequel last_converted.curblr.json est enregistré n'a aucune importance. Changez-le en cas de problème.
3. Vérifiez que "plaza" est le seul arrondissement utilisé.

Mise à jour dans curb-map

1. Si ce n'est pas encore fait, cloner le projet curb-map

 git clone https://github.com/savoirfairelinux/curb-map/

2. Choisir la branche dev-plaza

git checkout dev-plaza

3. Copier le fichier last_converted.curblr.json (généré dans la section précédente), puis remplacer le fichier src/assets/data/mtl-parco-plaza.curblr.json par celui-ci 4. Exécuter le script merge.py

 python3 merge.py

Les données sont maintenant à jour !

Comment contribuer à cette expérimentation ?

Si vous prévoyez de stationner aux alentours de la Plaza St-Hubert :

Rendez-vous sur le site de la SDC, section "Comment s'y rendre ?"
Cliquez sur "en voiture" puis sur "carte des stationnements"
Visualisez les endroits où vous pouvez et ne pouvez pas stationner et ainsi mieux planifier votre trajet
Le plus important : laissez-nous votre avis ! Vos commentaires nous aident à développer notre commun pour offrir un meilleur service aux usagers.

Communs liés au standard CurbLR

Mobiclic

Hypothèse et objectifs

Afin de tester la fiabilité des données ouvertes de stationnement, Centre d’excellence des technologiques ouvertes pour la mobilité - FABMOB QUÉBEC développe Mobiclic en partenariat avec le Conseil régional de l'environnement de Montréal dans le cadre du Pôle de données.

Mobiclic est une application qui permet de prendre des photos géolocalisées des panneaux de signalisation. Notre objectif est d'arriver à valider la fiabilité des données ouvertes liées au stationnement grâce à la base de données générée par l'application, optimisant ainsi les processus de validation et mise à jour de la base de données opérée par différents arrondissements de Montréal.

Ces données « augmentées » vont permettre à la Fabrique des Mobilités Québec et ses partenaires de penser une meilleure gestion de la bordure de rue, de préparer des solutions en planification de stationnement et, à plus long terme, d’améliorer l’information pour les citoyens et de simplifier la compréhension des autorisations de stationnement.

Avancement et défis rencontrés

Notre démarche se voulant toujours incrémentale et expérimentale, nous avons démarré nos tests dans l'arrondissement Rosemont-Petite-Patrie afin d'en tirer nos premiers apprentissages. Actuellement, l'utilisation d'une première version de Mobiclic permet à l'arrondissement de gérer les problèmes liés aux panneaux de signalisation sur son territoire.

Au-delà des défis technologiques inhérents au développement d'une application (en particulier lorsqu'elle doit répondre à plusieurs enjeux simultané), La Fabrique des Mobilités Québec a fait face à un problème de taille : le retrait de Jalon du projet Montréal en Commun. En effet, cette organisme faisait partie des partenaires impliqués dans le développement de l'application.

Nous progressons donc sur l'identification de zones de tests et le design d'expérimentations ciblées au sein de cette initiative d'un côté (élaboration d'une landing page), et sur le déblocage du partenariat technique de l'autre (notamment grâce à une volonté de mise en place d'un comité de pilotage).

Actuellement, un travail de conceptualisation d’une API citoyenne pour la bordure de rue ainsi que des premiers tests en interne de Mobiclic ont suscité intérêt marqué des acteurs collaborant sur ces projets, ce qui pourrait aboutir à un portage possible du projet par les partenaires. Les avancées du projet sont également régulièrement mises à jour sur GitHub.

Parcours de la donnée

Hypothèse et objectifs

Au croisement de nos travaux de mobilisation de l’écosystème et de collecte de données en mobilité, nous avons lancé une initiative de vulgarisation du “parcours de la donnée”, c’est-à-dire le chemin que parcourent nos données depuis le moment où elles sont créées, enregistrées, jusqu'aux utilisations successives qui les rendent “utiles”.

L’objectif ici est de donner à voir le parcours de la donnée de sa création à son utilisation permettra de faciliter et de démocratiser son usage comme levier de déploiement de nouvelles mobilités (format de données, occurrence de mise à jour, outils de visualisation et de croisement de données,...). L’idée était donc également de doter les parties prenantes actives sur le terrain et la communauté mobilisée par Montréal en commun d'une capacité de gestion du parcours de la donnée (notamment dans le cadre des initiatives liées à la bordure de rue).

Avancement et défis rencontrés

La première étape a été d'identifier quels étaient les acteurs, sujets et étapes essentiels à une bonne vulgarisation du parcours de la donnée ouverte. Notre démarche constitue donc également un travail de pédagogie sur les données ouvertes et leur utilité, au fur et à mesure des rencontres avec les partenaires (arrondissement de Rosemont Petite-Patrie, le LIUM, Jalon et Savoir-Faire Linux).

Ensuite, nous avons réalisé des entretiens avec 4 experts sur le sujet, intervenant sur la création et le stockage des données ouvertes. Nous les avons progressivement publiés sur notre blogue et nos médias sociaux :

Il a été possible d'identifié certains enjeux liés au parcours de la donnée. Voici un extrait des entretiens avec les éléments les plus pertinents recueillis :

« L’un des premiers enjeux qu’on a compris, en rencontrant différents acteurs de la mobilité intéressés par l’utilisation des données de mobilité de stationnement, c’est la non-consistance de la structure des données. Les données sont sous des formats différents, ne sont pas à jour, ne sont parfois pas disponibles. Il y a aussi l’absence d’un écosystème qui permet aux différents acteurs de suivre les bonnes pratiques dans la création, l’organisation, la mise à jour ou le suivi de ces données. » Larbi Gharib
« Le premier frein, c’est la qualité de la donnée. Toutes les données ne sont pas structurées, comme on disait au départ, de la même façon. Et même dans certains fichiers, par exemple le fichier des données de stationnement de la ville de Montréal, les données de signalisation, les dates utilisées pour désigner le type, les périodes de réglementation, par exemple de lundi à vendredi, du 1er décembre au 1er mars, la façon d’écrire ces réglementations n’est pas la même. Et cette information-là crée dans notre travail un frein pour avancer. Il nous faut déterminer quelles sont toutes les formes d’écriture de ces réglementations-là pour pouvoir avoir une donnée à la sortie qui soit structurée et vraie. » Larbi Gharib
« Le deuxième frein, c’est la méconnaissance des différentes sources de données, des contacts. On ne sait pas toujours à qui s’adresser. »
« Le but est de créer un cercle vertueux entre les gens qui partagent leurs données et les mettent à disposition, qu’ils puissent se servir des données d’autres personnes qui partagent aussi leurs données, afin de faire avancer la mobilité durable. » Carole Philibien
« La culture de la donnée ouverte est peu mise en avant, surtout dans les entreprises privées parce que, pour elles, leurs données sont leur business donc il n’y a pas de raison qu’elles les partagent, voire c’est risqué de les partager. S’ajoutent à ça tous les enjeux de sécurité et d’anonymisation des données, éviter que des croisements de données permettent l’identification d’une personne, par exemple. Donc il y a tout un côté business, contractuel, mais il y a aussi tout un côté vraiment sécuritaire pour protéger l’individu et éviter que les données et les individus soient retracés. Et ça reste encore quand même un domaine assez complexe à allier. Les uns et les autres se contredisent presque. D’un côté, vouloir plus de transparence et, de l’autre, ne pas vouloir montrer les données. » Carole Philibien
« En général, on essaie d’apporter le moins de changements possibles dans les données qu’on rend disponibles. Le but est de ne pas créer d’effort supplémentaire. Ceci dit, il y a quand même un niveau de détail dans nos données qui n’est pas nécessairement pertinent. Donc on essaie de penser en amont à l’utilisation qui va être faite de l’autre côté par l’utilisateur, et de trouver le juste équilibre qui nous permet de dire qu’effectivement on n’est pas en train de trop manipuler la donnée afin que des gens puissent en faire ce qu’ils en veulent. Ceci dit, en termes de gouvernance, il y a quand même plusieurs étapes qu’on doit suivre pour être en mesure de rendre la donnée disponible. Il y a plusieurs cas de figure. Certaines données, souvent les moins sensibles, vont être sur des systèmes informatisés avec une interface à partir de laquelle on peut facilement les extraire. D’autres jeux de données ne sont pas sur des systèmes automatisés et doivent être ouverts de façon manuelle. Ce que nous souhaitons, évidemment, c’est que la majorité de nos données soient sur des systèmes informatisés pour qu’on puisse les mettre à jour de façon automatique et régulière et s’assurer que la donnée disponible sur le site Web est pertinente, et surtout qu’elle ne dépende pas d’une unique personne pour la mise à jour. Par contre, selon le niveau de sensibilité, de criticité de la donnée, des coûts sont reliés à la gestion de la donnée. Donc, on ne peut pas se permettre de les avoir toutes sur des systèmes informatisés, même si c’est vers ça qu’on veut tendre pour la suite. » Philippe Fortin
« C’est la beauté de la chose avec les données; on est en mesure d’en faire d’autres utilisations, mais ça crée certaines limitations » (parlant de l’usage de données secondaires) Philippe Fortin
« Il y a aussi l’aspect de la protection de la vie privée. Quand on parle de données ouvertes, si on collecte une donnée très sensible, il faut quand même se poser des questions après pour la rendre disponible publiquement. Pour qu’elle ait un impact aussi, pour qu’elle puisse être utilisée par nos partenaires, il faut quand même s’assurer qu’elle respecte la Charte des données numériques. » Philippe Fortin
« L’une des grandes difficultés qu’on rencontre est justement de connaître qui sont les utilisateurs de nos données. Notre politique de données ouvertes est très très large. N’importe qui peut utiliser nos données ouvertes, et la seule chose qu’ils ont à faire est de citer la Ville de Montréal comme la source de ces données-là. Ce n’est pas qu’on a des attentes démesurées, mais on aime quand même être en mesure de savoir si on a un impact, et, surtout, d’adapter notre offre de services et les données qu’on rend disponibles. Ceci dit, la mobilité est l’un des domaines où on a le plus de retours et le plus de demandes, donc c’est quand même un peu plus facile d’avoir un portrait. Dans les grands utilisateurs, il y a des universités: des chaires de recherche à l’UQAM, à la Polytechnique, à Concordia même, se penchent sur des questions de mobilité. On a des organismes à but non lucratif qui réutilisent ces données-là, soit en termes de mobilité ou même d’espace bâti pour répondre à la clientèle locale, pour savoir ce qu’il y a en termes d’offres de services. Après, il y a toutes les applications de transport qui facilitent l’accès à différents services. Transit, par exemple, qui est une fierté montréalaise, se base en grande partie sur les données ouvertes. Il y a aussi les entreprises privées, comme la compagnie montréalaise Local Logic, tous les indices de potentiel piétonnier ou autre qu’on rencontre par exemple sur Centris, qui se basent sur les données ouvertes. Et évidemment, il y a certaines données, via d’autres services, comme les cartes interactives, dont les citoyen.ne.s sont les utilisateurs finaux si on veut. Puis il y a les journalistes : énormément d’articles sont sortis en termes de mobilité, sur le REV dans les dernières années, mais aussi sur les comptages, sur les parcs, donc les achalandages. Et il ne faut pas oublier non plus qu’en termes de transparence, les données ouvertes sont très importantes. Et comme la mobilité est très sensible et très présente à l’intérieur de la vie des gens, ça a un gros impact. » Philippe Fortin
« Pour le citoyen, l’ouverture des données est une bonne chose, car c’est de l’information qui peut lui être pertinente. En revanche, je m’interroge sur la façon dont l’information lui est livrée. C’est quand même encore complexe d’aller chercher de l’information compréhensible, il faudrait la rendre plus lisible. » Valérie Legris

La prochaine étape de cette expérimentation consistera à élaborer plusieurs outils de vulgarisation et de sensibilisation aux enjeux sur le parcours de la donnée ouverte en mobilité.

Outil de cartographie des acteurs par cas d'usage

Dans le but de sensibiliser les organisations autant avec une maturité numérique moins développée qu'avancée, une première version d'un outil visuel de cartographie des acteurs a été créer par la Fabrique des Mobilités Québec. Cet outil vise en premier lieu à permettre d'identifier les acteurs, ainsi que les liens de collaboration entre ceux-ci, tout en pointant les risques et enjeux, les opportunités et les responsabilités de chacun.

Voici une première version de l'outil par cas d'usage pour le projet SIGNALEC sous forme d'un tableau :

Rôle	Producteur	Responsable partage	Utilisateurs	Valorisateur
Acteur	Arrondissements (exemple : Rosemont La Petite-Patrie)	Ville de Montréal	Citoyens et autres consommateurs de données	FabMob Qc
Risque et enjeux	Être identifié comme ressource pour recevoir des besoins des utilisateurs ; Pas d'entente de partage de la donnée ; Pas de documentations des données et meta données partagés.	Mise à jour des données ; Vérification de la sensibilité de données ; Visibilité de l'existence de données (catalogue) ; Partage et capacité (compétences et ressources) pour la maintenance des données ; S'assurer que les données soient utilisées et exploitables (partage de meta données).	Fiabilité des données.	Maintient et mises à jour des tables par les créateurs de données. Pérennité de données ; Possibilités de mise en échelle ; Déployer du temps de l’énergie à valoriser des données qui n'ont pas de valeur pour l'utilisateur ou qui ne seront pas mises à jour pour le créateur.
Opportunités	Bénéficier de la valorisation sans mettre de ressources propres .	Offrir un service à ses citoyens ; Permettre le déploiement de solutions de mobilité durable pour sa ville.	Un nouveaux service pour optimiser ses déplacements ; Des données fiable pour d'autres valorisateurs de données (déployer de nouveaux services se basant sur ces données).	Rendre la donnée utile pour rendre la mobilité plus durable sur le territoire ; Assurer l'ajout de valeur de l'utilisation de la donnée.
Responsabilités	Saisie des données dans Signalec	Extrait les données ; Analyse et évalue la sensibilité et la qualité des données ; Prépare les données pour publication en données ouvertes ; Assume les modifications des formats de données ; Assure le stockage et la sécurité des données ; Publie les données ; La modification du format des données n'est pas communiquées = PAIN.	Consommation de la donnée valorisé à travers une carte des stationnement mis et à disposition ; Carte peu utilisable et valorisable par d'autres utilisateurs car fiabilités des données faibles.	Extraction des données ; Conversion/script au format CURBLR ; Visualisation des données sur la carte openstreetmap ; Mise à jour des données dépendante de quand la ville mets à jours ses données ; Pas d'information sur des modifications de format ou de partage de al donnée par la ville = PAIN.

Voici le cas du projet du BTM :

Rôle	Producteur	Responsable partage	Utilisateurs	Valorisateur
Acteur	Entreprises de taxi	Bureau de Taxi de Montréal	Agence de Mobilité Durable	FabMob Qc
Risque et enjeux
Opportunités
Responsabilités

[...]

La prochaine étape de cette expérimentation consistera à remplir l'outil créer ci-dessus avec d'autres cas d'usage pour finalement être d'en ressortir un outil théorique plus générale qui pourra servir à toutes organisations pour cartographier les acteurs d'un projet impliquant

Outil général de cartographie des acteurs

[...]

Outil de vulgarisation et de questionnement

La Fabrique de Mobilités Québec est aussi en conception d'un outil qui permettra à quelconque acteur de l'écosystème de données ouvertes de visualiser les étapes récurrentes du parcours de la donnée, en plus de d'avoir à porter de main les questions pertinentes à se poser pour chacune des étapes dans le but de valider le niveau de maturité numérique de son organisation.

Voici les étapes récurrentes à chaque acteur :

Conception du projet (rédiger un plan de gestion des données)
Créer et collecter les données ( et les métadonnées descriptive)
Traiter (nettoyer, formater, adapter) les données
Analyser les données
Conserver/archiver (structurer et organiser les jeux de données et leurs métadonnées)
Diffuser/Valoriser (données accès aux données communicable via le moyen le plus adapté)
Réutiliser les données

Voici les questions récurrentes qui permettent de déterminer le niveau de maturité de l'acteur :

En tant que consommateur de données (étapes 1 à 4):

Si nécessaire, une entente a-t-elle été contractualisée pour l’usage des données?
Le choix juridique de partage (FUS, licence, etc.) est-il défini?
Le type d’usage des données est-il indiqué ?
La documentation des données et métadonnées à utiliser est disponible?
- Le schéma choisi est un format standard?
- Le format des données est indiqué ?
- La temporalité de mise à jour des données est indiquée ?
- La durée de vie des données est indiquée ?
Un canal de communication est défini pour suivre les modifications ?
Comment les données sont communiqués (entrepôts ? catalogue ? article ?)
Si nécessaire, une solution technique de partage a été définie (API, Depot de fichier, Entrepôt de données) pour permettre l’utilisation de données?
La sensibilité des données a-t-elle été validée ?
Le niveau de sécurité et d’accès aux données en fonction de leur sensibilité tant pour les individus que pour la propriété intellectuel (par exemple) est déterminée pour permettre son utilisation?
Les donnés doivent-elles été traités (préparation des données brute, vérification, validation, nettoyage)?
Quelles données vont être utilisées dans les analyses?
- La loi de protection des renseignement personnels est-elle respectée dans ce sens ?

En tant que fournisseur de données (étapes 5 à 7):

Si nécessaire, une entente est-elle prête pour contractualiser l’usage des données. ?
Le choix juridique de partage (FUS, licence, etc.) est-il choisi?
Le type d’usage des données par le consommateur est-il choisi ?
La documentation des données et métadonnées à partager est disponible?
- Le schéma choisi est un format standard?
- Le format des données est précisé ?
- La temporalité de mise à jour des données est précisée ?
- La durée de vie des données est précisée ?
Un canal de communication est défini pour permettre aux futurs consommateurs de suivre les modifications ?
Comment veut-on communiquer les données (entrepôts ? catalogue ? article ?)
Si nécessaire, une solution technique de partage a été définie (API, Depot de fichier, Entrepôt de données) pour permettre le partage de données?
La sensibilité des données a-t-elle été déterminée ?
Le niveau de sécurité et d’accès aux données en fonction de leur sensibilité tant pour les individus que pour la propriété intellectuel (par exemple) est déterminée pour permettre le partage?
Est-il possible d’évaluer la réutilisation des données (nb de téléchargements, de citations…)
Quelles données et métadonnées à conserver et combien de temps?
- La loi de protection des renseignement personnels est-elle respectée dans ce sens ?

Les prochaines étapes de cette expérimentation seront d'intégrer les étapes et les questions à se poser au sein d'un schéma interactif, en plus de proposer des outils, des ressources ou des collaborateurs pour chacune des étapes selon les réponses aux questions pertinentes identifiées.

Acceptabilité du changement d'usage de la bordure de rue

Hypothèse de départ

Si on démontre que l'auto n'est pas la seule source de clientèle pour les artères commerciales cela rendra plus acceptable les changements d'usage de la bordure de rue.

Démarche expérimentale

Identifier les données à recueillir et analyser (et vérifier leur accessibilité)
Interpréter les données (proposition d'un modèle d'analyse)
Publication des conclusions issues de cette analyse de données. Celle-ci se concentrera sur les moyens d’accès à la Plaza St-Hubert, plus pour interpeler.

Analyse des modes de déplacements vers les artères commerciales de la Plaza St-Hubert

Les données utilisées

Les données de la Plaza ont été analysées pour comprendre par quel mode de transport les gens sont arrivés à la Plaza.

Nous nous sommes donc concentrées sur les données indiquant les arrivées dans le quartier défini. Nous détaillerons les critères pour chaque mode de transport que nous avons appliqués.

**Tableau des données souhaitées pour l'expérimentation**
Données utiles	Précisions
Bixi	Données ouvertes Bixi du 1er Octobre au 31 octobre 2021 Seulement les trajets qui arrivent dans la zone d’expérimentation sont pris en compte. Pour pouvoir comparer aux données de la STM : Seulement les trajets en semaine sont pris en compte Les données sont converties selon la période de la journée
Communauto	Communauto nous a partagé les données pour le quartier attendu et la période attendue (du 1er Octobre au 31 octobre 2021) Seulement les trajets dont les arrêts ont lieux dans la zone d’expérimentation sont pris en compte, c’est-à-dire : Les trajets de types Flex qui s’arrêtent dans la zone en question Les trajets de type Communauto qui effectuent un arrêt dans la zone en question Pour pouvoir comparer aux données de la STM : Seulement les trajets en semaine sont pris en compte Les données sont converties selon la période de la journée
Stationnements	En attente
STM	La STM nous a partagé les données pour le quartier attendu pour une journée en semaine type d’octobre 2019 (avant la pandémie).
Montréal Trajet	L’échantillon de données que la ville aurait pu nous partager était trop large. Il n’aurait pas pu être possible de faire de faire des comparaisons.

La préparation des données

Fonctions générales

Création du polygone de la Plaza

coin_rosemont_boyer= [45.53414890262374, -73.59569524098734]
coin_rosemont_st_vallier = [45.53181801496085, -73.59784906811936]
coin_jean_talon_st_vallier = [45.53915366061581, -73.61386735169552]
coin_jean_talon_boyer = [45.54174620305895, -73.61260342943066]

lat_point_list = [45.53414890262374, 45.53181801496085, 45.53915366061581, 45.54174620305895, 45.53414890262374]
lon_point_list = [-73.59569524098734, -73.59784906811936, -73.61386735169552, -73.61260342943066, -73.59569524098734]

polygon_geom = Polygon(zip(lon_point_list, lat_point_list))
crs = 'epsg:4326'
polygon_plaza = gpd.GeoDataFrame( crs=crs, geometry=[polygon_geom])

Fonction de conversion des dates en période de temps de la journée

def part_of_journey(hour):
  if hour <= datetime.time(6, 30):
      return '1 - Avant 6h30'
  if datetime.time(6, 30) < hour <= datetime.time(9, 30):
      return '2 - AM (6h30 à 9h30)'
  if datetime.time(9, 30) < hour <= datetime.time(15, 30):
      return '3 - Jour (9h30 à 15h30)'
  if datetime.time(15, 30) < hour <= datetime.time(18, 30):
      return '4 - PM (15h30 à 18h30)'
  if datetime.time(18, 30) < hour :
    return '5 - Soir (après 18h30)'
  else:
    return 'ERROR'

def part_of_journey_stm(period):
  if period == 'Avant 6h30':
      return '1 - Avant 6h30'
  if period == 'AM (6h30 à 9h30)':
      return '2 - AM (6h30 à 9h30)'
  if period == 'Jour (9h30 à 15h30)':
      return '3 - Jour (9h30 à 15h30)'
  if period == 'PM (15h30 à 18h30)':
      return '4 - PM (15h30 à 18h30)'
  if period == 'Soir (après 18h30)':
    return '5 - Soir (après 18h30)'
  else:
    return 'ERROR'

Adaptation des données

Les données de la STM étant les plus agrégées, le travail de préparation consiste a adapté les données de BIXI et Communauto au format et au niveau d’agrégation de la STM.

Bixi

Importation des données du fichier

bixi_station_df = pd.read_csv('data/Bixi/2021_stations.csv')
bixi_station_gdf = gpd.GeoDataFrame(bixi_station_df, geometry=gpd.points_from_xy(bixi_station_df.longitude, bixi_station_df.latitude))
bixi_station_gdf.crs = 'epsg:4326'

bixi_data_df = pd.read_csv('data/Bixi/2021_donnees_ouvertes.csv')

Jointure des données d'utilisation et de géolocalisation de stations

bixi_merged_df_1 = pd.merge(bixi_data_df,bixi_station_gdf, 
                     left_on='emplacement_pk_start',
                     right_on=bixi_station_gdf['pk'],
                     how='left')

bixi_merged_df_1 = bixi_merged_df_1.fillna(0)
bixi_merged_df = pd.merge(bixi_merged_df_1, bixi_station_gdf,
                     left_on='emplacement_pk_end',
                     right_on=bixi_station_gdf['pk'],
                     how='left',
                      suffixes=('_start', '_end'))

# Suppression des colonnes inutiles
bixi_merged_df.drop(columns=['latitude_start', 'longitude_start','latitude_end', 'longitude_end'], inplace = True)
bixi_merged_gdf = gpd.GeoDataFrame(bixi_merged_df)

Sélection des données pour la période et le quartier de l'expérimentation : on ne prend en compte que les heures d'arrivée (champs : end_date)

##### - Selection des données du 1er au 31 octobre 2021
bixi_merged_gdf['end_date'] = pd.to_datetime(bixi_merged_gdf['end_date'], format='%Y-%m-%d %H:%M:%S.%f')
bixi_extract = bixi_merged_gdf[(bixi_merged_gdf['end_date']<= '2021-10-31')& (bixi_merged_gdf['end_date']>= '2021-10-01')].copy()
##### - Gestion des periodes de la journée du stop
bixi_extract['periode'] = bixi_extract.apply(lambda trip: part_of_journey(trip["end_date"].time()),axis=1)

Extraction des trajets Bixi qui arrivent dans le polygone défini de la Plaza

bixi_extract.set_geometry("geometry_end", inplace=True)
bixi_extract_2 = bixi_extract.sjoin(polygon_plaza, how="inner", predicate='within')

Mise en forme des données Bixi

bixi_data = bixi_extract_2[['periode', 'end_date', 'emplacement_pk_end', 'name_end','is_member', 'geometry_end']].copy()
bixi_data["Type d'arrêt"] = 'Fin de trajet'
bixi_data["Mode"] = 'Bixi'
bixi_data = bixi_data.rename({'end_date': 'date_stop', 'emplacement_pk_end': 'id_station', 'name_end': 'nom_station', "Type d'arrêt": "type_arret", "geometry_end": 'geometry'}, axis=1)

Communauto

Importation des données du fichier

communauto_df = pd.read_excel('data/Communauto/Données brutes Communauto.xlsx') communauto_gdf = gpd.GeoDataFrame(communauto_df, geometry=gpd.points_from_xy(communauto_df.ArretLongitude, communauto_df.ArretLatitude)) communauto_gdf.crs = 'epsg:4326'

Sélection des données pour la période et le quartier de l'expérimentation : on ne prend en compte que les trajets comportant un arrêt dans le quartier de la Plaza (Type d'arret = "Arret" ou Nom de station = "Flex Montréal")

##### - Gestion des periodes de la journée du stop communauto_gdf['TripEventDate'] = pd.to_datetime(communauto_gdf['TripEventDate'], format='%d/%m/%y %H:%M') communauto_gdf['periode'] = communauto_gdf.apply(lambda trip: part_of_journey(trip["TripEventDate"].time()),axis=1 ##### - Selection des trajets qui font un arret dans la quartier de la plaza: Type d'arret = Arret ou Nom de station = Flex Montréal communauto_extract= communauto_gdf[(communauto_gdf["Type d'arrêt"]=='Arrêt') or (communauto_gdf["strNomStation"]=='FLEX Montréal')].copy()

Mise en forme des données Communauto

communauto_data = communauto_extract[['periode', 'TripEventDate', 'StationNo', 'strNomStation','Type d\\'arrêt','geometry']].copy() communauto_data['is_member'] =1 communauto_data["Mode"] = 'Communauto'	communauto_data.reset_index(inplace=True) communauto_data = communauto_data.rename({'TripEventDate': 'date_stop', 'StationNo': 'id_station', 'strNomStation': 'nom_station', "Type d'arrêt": "type_arret"}, axis=1)

STM

Importation des données du fichier

stm_df = pd.read_excel('data/STM/Résultat_Projet FabMob Plaza St-H - Liste des arrêts.xlsx', sheet_name='Données') stm_gdf = gpd.GeoDataFrame(stm_df, geometry=gpd.points_from_xy(stm_df.X, stm_df.Y)) stm_gdf.crs = 'epsg:2950' stm_gdf = stm_gdf.to_crs(4326)

Sélection des données pour la période et le quartier de l'expérimentation

##### - Gestion des periodes de la journée du stop stm_gdf['Période'] = stm_gdf.apply(lambda trip: part_of_journey_stm(trip["Période"]),axis=1)

Mise en forme des données STM

stm_gdf_ready = stm_gdf[['Période', 'Description de l\\'arrêt', 'Descendants', 'geometry']].copy() stm_gdf_ready['IsWeekend']= 'False' stm_gdf_ready['Mode']= 'Bus' # on multiplie par -1 le nombre de descendants pour obtenir la valeur absolue stm_gdf_ready['Descendants'] = stm_gdf_ready['Descendants']*-1 stm_gdf_ready = stm_gdf_ready.rename({'Période': 'periode','Description de l\\'arrêt': 'nom_station','Descendants':'Nb_personnes'}, axis=1)

Traitement des données cumulées

Le code est disponible sur le GitHub de la Fabrique des Mobilités Québec.

1ère étape : commencer par les données Bixi et Communauto

Sélection des données Bixi et Communauto

data_plaza =gpd.GeoDataFrame( pd.concat([bixi_data, communauto_data], ignore_index=True))

Ajout des infos du jour de la semaine pour traiter que des données de semaine (Lundi au vendredi)

data_plaza['day_of_week'] = data_plaza['date_stop'].dt.day_name() data_plaza['IsWeekend'] = data_plaza['date_stop'].dt.weekday >= 5

Agrégation des données selon la date, la période de la journée, l’arrêt et le mode de transport

data_plaza_agregat= data_plaza.groupby(['date','periode', 'nom_station','Mode']).agg({'id_station':'count', 'IsWeekend': 'first', 'geometry': 'first'}).reset_index()

Les données sont alors agrégées selon le type de jour (semaine ou weekend), la période de la journée, le nom de la station et le mode pour obtenir la moyenne de personne qui arrivent à la plaza en jour de semaine

data_plaza_agregat_all = data_plaza_agregat.groupby(['IsWeekend','periode', 'nom_station','Mode']).agg({'id_station':'mean', 'geometry': 'first'}).reset_index()

Seulement les données de semaine sont alors prise en compte

data_plaza_agregat_week = data_plaza_agregat_all[data_plaza_agregat_all['IsWeekend']==False]

2ème étape : ajouter les données STM

data_plaza_agregat_week_gdf = gpd.GeoDataFrame(data_plaza_agregat_week, geometry=data_plaza_agregat_week['geometry']) data_plaza_agregat_week_gdf =gpd.GeoDataFrame( pd.concat([data_plaza_agregat_week_gdf, stm_gdf_ready], ignore_index=True))

3ème étape : extraire les données

data_plaza_agregat_week_gdf['lon'] = data_plaza_agregat_week_gdf['geometry'].x data_plaza_agregat_week_gdf['lat'] = data_plaza_agregat_week_gdf['geometry'].y data_plaza_agregat_week_gdf.to_csv("data_plaza_agregat_week.csv")

Les résultats de l'analyse

Nous sommes actuellement en phase de préparation des publications de résultats.

En attendant plus d'informations, voici une première image du résultat visible sur le tableau de bord général suite à l'analyse des données expliquée ci-dessus :

Désirabilité des usages alternatifs de la bordure de rue

Hypothèse de départ : Nous pensons que si les citoyens comprennent que la bordure est un espace public au même titre qu'une place ou un parc l'acceptabilité d'un usage autre que l'usage historique du stationnement sera plus simple.

Démarche

Lister les usages possibles de la bordure de rue
Elaborer un sondage pour déterminer la désirabilité comparative de ces usages (en y incluant le stationnement voiture traditionnel)
Diffuser le sondage via une campagne sur les médias sociaux de la Fabrique des Mobilités Québec
Analyser les résultats du sondage pour en tirer des apprentissages

Informations recherchées : Combien de personnes qualifient la bordure de rue d'espace public ? Combien acceptent de considérer un autre usage que le stationnement ? Quels usages alternatifs sont priorisés ?

Conditions de succès : 50 % des personnes qui disent que la bordure sert au stationnement (question n°2) sont prêt à y voir d'autres usages (question n°3).

Challenge Mobilité 2021-2022

En tant que promoteur de la démarche agile et expérimentale dans les communautés liées à la mobilité durable et innovante, Centre d’excellence des technologiques ouvertes pour la mobilité - FABMOB QUÉBEC organise un Challenge en mobilité.

Qu’est-ce qu’un “challenge” en mobilité ?

Un “challenge” est un série d’activités expérimentales basées sur la théorie du design thinking, l’agilité et l’expérimentation d’affaires. Il est composé de plusieurs phases (identification des défis, priorisation d’hypothèses et prototypage, design d’expérimentations) qui permettent de dégager des pistes de solutions le plus rapidement possible.

A la Fabrique des Mobilités Québec, nous avons lancé deux challenges simultanément au deuxième semestre 2021 : un sur les enjeux autour des nouveaux usages de la bordure de rue et un autre sur la revitalisation du covoiturage après la pandémie. Les deux sont encore actuellement dans leur troisième phase (expérimentation). Le format permet de mobiliser un écosystème au sens large et donc de croiser des opinions et expertises diverses autour d'une thématique commune. Les challenges nous ont donc permis d’avancer à la fois sur les objectifs de mobilisation, de viabilité et d’alignement des équipes et partenaires.

Pour plus de détails sur les activités du Challenge Mobilité 2021 sur les enjeux de la bordure de rue :

Challenge Mobilité 2021 - Forum Ouvert Bordure de rue (cartographier les enjeux)
Challenge Mobilité 2021 - Design Jam Bordure de rue (début du prototypage)
Challenge Mobilité 2021 - Makeathon Bordure de rue (design des expérimentations)

Ressources & Références

Autres projets liés à la bordure de rue

Outils d'analyse et de visualisation des données

Augmenter les connaissances partagées en cartographie et usages des véhicules et réseaux de transports

Articles

"La bordure de rue, un nouveau commun numérique" (blogue de La Fabrique des Mobilités, 2021)
"Le stationnement" (page wiki)

Place of use/experiment:

Geocode the address to put it on the map

Website:

Page on Communecter:

Tags: dataviz

Theme: Open Street Map OSM, Blockchain, Données ouvertes, Traces de mobilité et des données associées, Logiciel Libre, Stationnement

Organizations interested in contributing or already contributing: Chaire mobilité - Polytechnique de Montréal, Coop Carbone, Fabrique A, Jalon Mtl, Laboratoire d'innovation urbaine de Montréal (LIUM), Shared street, Ville de Montréal, Centre d’excellence des technologiques ouvertes pour la mobilité - FABMOB QUÉBEC

Organizations using or interested in using the resource:

Contributors:

Referent:

Common(s) used: Curb map, CurbLR

Common(s) produced: Carte CurbLR de Montréal

Key people to solicit:

Level of development: :

Link to forum:

Link to chat room: https://chat.fabmob.io/channel/open-data

Link to my actions board:

Link to cloud, wiki, drive: https://github.com/savoirfairelinux/fabmob/tree/main/Curblr

Needs:

Complement :

Next step:

Vous avez des questions ou commentaires sur cette page : Discussion:Bordure de rue

Other informations:

Bordure de rue

Objectifs & Opportunités

La bordure de rue dans Montréal en commun

Expérimentations et initiatives

Carte CurbLR Plaza St-Hubert

Hypothèse et objectifs

Avancement et défis rencontrés

Comment convertir des données au format CurbLR ?

Comment contribuer à cette expérimentation ?

Communs liés au standard CurbLR

Mobiclic

Hypothèse et objectifs

Avancement et défis rencontrés

Parcours de la donnée

Hypothèse et objectifs

Avancement et défis rencontrés

Outil de cartographie des acteurs par cas d'usage

Outil général de cartographie des acteurs

Outil de vulgarisation et de questionnement

En tant que consommateur de données (étapes 1 à 4):

En tant que fournisseur de données (étapes 5 à 7):

Acceptabilité du changement d'usage de la bordure de rue

Hypothèse de départ

Démarche expérimentale

Analyse des modes de déplacements vers les artères commerciales de la Plaza St-Hubert

Les données utilisées

La préparation des données

Fonctions générales

Adaptation des données

Traitement des données cumulées

Les résultats de l'analyse

Désirabilité des usages alternatifs de la bordure de rue

Challenge Mobilité 2021-2022

Ressources & Références

Autres projets liés à la bordure de rue

Outils d'analyse et de visualisation des données

Articles

À propos

Navigation

Bonjour