L’intelligence artificielle au service du contrôle du stationnement

Comment favoriser le paiement spontané du stationnement sur voirie pour une meilleure utilisation de l’espace public et une diminution des voitures ventouses ? Le non-paiement du stationnement est un problème commun à la plupart des grandes agglomérations françaises et européennes qui voient leurs centres urbains submergés et souhaitent endiguer ce phénomène. L’évolution du cadre législatif, de la culture et des nouvelles technologies laisse entrevoir une nouvelle gestion du stationnement. Comment l’intelligence artificielle peut-elle permettre d’optimiser le contrôle du stationnement payant sur voirie et de travailler sur le changement de comportement des automobilistes plutôt que sur la répression ? Une des réponses avec ParkPredict Control : un outil qui exploite des données pour améliorer significativement le taux de paiement direct !

 

Contexte et enjeux

 

Un nouveau cadre législatif français

 

Dans le cadre de la loi de modernisation de l’action publique territoriale et d’affirmation des métropoles (MAPTAM), l’entrée en vigueur de la réforme du stationnement payant sur voirie en France au 1er janvier 2018 implique la dépénalisation du contrôle ainsi que la décentralisation de l’ensemble des fonctions associées. Autrefois réservée à des agents du public, comme la police municipale ou les agents de surveillance de la voie publique (ASVP),  la verbalisation peut désormais être effectuée également par des tiers assermentés (sociétés privées, sociétés d’économie mixte) via une délégation de service public (DSP) ou un marché public. L’ancienne amende pénale de 17 euros uniforme sur le territoire national est aussi remplacée par une redevance d’occupation du domaine public, appelée forfait post-stationnement (FPS), dont les barèmes tarifaires et modalités de contrôle sont fixés par chaque collectivité locale.

 

En 2017, avant la réforme du stationnement en France, le constat était le suivant : le paiement du stationnement à l’horodateur s’était dégradé de près de 25% au cours des 20 dernières annéesLa perte due au non-paiement du stationnement était évaluée à plus de 300 millions d’euros par an. Ce phénomène reste difficile à quantifier, mais on estime que 70% des automobilistes ne payaient pas leur stationnement. Dans les grandes agglomérations, ce taux pouvait grimper jusqu’à 80%, voire près de 90% à ParisLes raisons en sont multiples : outre l’aspect pécuniaire, certains automobilistes affirment ne pas trouver les horodateurs. D’autres soulignent le temps perdu à devoir chercher de la monnaie. Ainsi, 34% des français précisent que si le paiement du stationnement ne prenait pas autant de temps, ils paieraient plus souvent.

 

Deux mois après sa mise en place, les premiers effets de la dépénalisation se faisaient déjà ressentir. Par exemple, la ville de Bordeaux avait augmenté ses recettes de 65%, et enregistré une hausse de fréquentation très nette de 12% de ses transports en communLe taux de paiement spontané était aussi passé de 50 à 80% sur Bordeaux, et de 7 à 17% sur ParisDans cette même ville, on constate une baisse de la pression sur le stationnement par une augmentation du nombre de places libres. Ainsi, la rotation entre résidents abonnés et usagers occasionnels devient plus juste, et entraîne un meilleur équilibre avec les modes de transports doux.

 

Retour sur les réformes dans les pays européens

 

Plusieurs pays européens comme la Belgique, les Pays-Bas, le Royaume-Uni, le Portugal, l’Espagne et la Norvège, ont déjà franchi le pas et mis en place des cadres législatifs de dépénalisation similaires plusieurs années auparavant. Ces mesures se sont de manière générale montrées bénéfiques pour les collectivités, ne serait-ce qu’en termes de respect des règles de stationnement et d’amélioration du paiement spontané. Par exemple, le taux de paiement direct est passé de 35 à 90% au Royaume-Uni et de 30 à 90% en Espagne suite aux réformes.

 

Une autre conséquence observée est le désengorgement des voiries en limitant la présence de voitures ventouses (véhicules utilisant un espace de stationnement de manière prolongée), favorisant ainsi l’accès aux centres-villes et réduisant les problèmes de congestion. Un effet secondaire positif est donc la réduction des émissions de gaz à effet de serre et des divers polluants, pour une diminution de la pollution et une meilleure qualité de l’air en ville. Pour finir, les gains financiers d’un contrôle optimisé peuvent être réinvestis dans des infrastructures de mobilité plus durables et collectives comme les transports publics et les modes alternatifs (vélos en libre-service, autopartage, véhicules électriques), ainsi que le développement des parcs-relais.

 

Un enseignement commun aux différentes expériences de dépénalisation du stationnement est que l’organisation du contrôle constitue un levier d’efficacité majeur. Dans ce contexte, le choix des technologies exploitées a une grande importance. En particulier, la facilitation du contrôle peut reposer sur la communication entre les systèmes de paiement dématérialisé et les systèmes de contrôle.

 

Technologie de ParkPredict Control

 

Problème, proposition de valeur et alternatives

 

ParkPredict Control est une solution d’aide à la décision pour optimiser le contrôle du stationnement. Un problème majeur des équipes de contrôle est de savoir à quel endroit et à quel moment patrouiller pour effectuer des tournées efficaces.

Les alternatives existantes reposent sur des statistiques classiques dans des feuilles de calcul, tableurs ou autres outils de visualisation de données. Par exemple, en traçant l’évolution temporelle du taux de non-paiement ou une carte des contrôles positifs et négatifs effectués en ville, on obtient une description graphique de l’état passé du contrôle. Ces observations purement factuelles sont en revanche d’un intérêt limité pour prévoir les tournées futures. Un diagnostic un peu plus avancé est de calculer des moyennes temporelles par jour, ainsi que des moyennes spatiales par zone dans la ville, afin de faire ressortir les périodes et secteurs où le taux de paiement naturel est le plus faible. Cette approche se focalise toutefois encore sur une simple analyse historique des données sorties de leur contexte et de l’environnement dynamique de la ville. De plus, la quantité de données requises est rédhibitoire pour travailler finement dans la planification logistique par rue et par heure. Pour finir, ces méthodes sont bien souvent réalisées à la main, ce qui rend le travail fastidieux, peu réplicable, sujet aux erreurs de calcul et d’interprétation.

 

Pour s’affranchir de ces contraintes, Qucit développe des technologies innovantes en intelligence artificielle (IA, ou AI pour artificial intelligence en anglais). En particulier, ParkPredict Control exploite des algorithmes d’apprentissage automatique (machine learning en anglais) pour prédire où et quand le nombre d’infractions est le plus élevé, et ainsi prescrire les zones à visiter par les équipes de contrôle au cours de la journée. La machine est donc capable de déterminer la route idéale à suivre pour optimiser le contrôle du stationnement et se transforme ainsi en un véritable moteur de recommandations. Un avantage majeur est la possibilité de prévoir et extrapoler finement le nombre d’infractions dans l’espace et le temps à partir d’une quantité raisonnable d’observations historiques. De plus, les algorithmes d’apprentissage automatique permettent de découpler les impacts respectifs des variables temporelles et spatiales, pour des recommandations par secteurs et périodes qui sont fiables, actionnables et opérationnelles sur le terrain.

 

Solution, données contextuelles et apprentissage automatique

 

Plus en détail, notre solution technologique consiste à enrichir les données de contrôle (les positions et instants des contrôles effectués et verbalisations émises par les agents à pied, et des pré-contrôles sans verbalisation réalisés par les agents à bord de véhicules), en leur ajoutant un grand nombre de flux de données contextuelles. Ces données contextuelles digitalisent l’environnement pour décrire la ville de manière la plus réaliste possible en fonction des éléments impactant les usages des automobilistes (par exemple, le nombre, l’emplacement et le type des places de stationnement, les données billettiques par horodateur ou paiement mobile, la position et l’occupation des parkings en ouvrage, les points d’intérêt comme les restaurants, écoles ou commerces, la météo, les données calendaires comme l’heure, le jour de la semaine, les jours fériés et vacances scolaires).

Une fois la modélisation contextuelle mise en place, les moteurs de calcul par apprentissage automatique de Qucit fonctionnent suivant deux étapes : le calibrage et la prédiction. Lors du calibrage, les modèles s’entraînent d’abord en apprenant les relations entre les comportements et le contexte sur l’ensemble des données recueillies en historique. Par exemple, le modèle assimile qu’il y a plus d’infractions le vendredi à partir de 18h dans telle partie de la ville car de nombreux bars et restaurants y sont présents, ou alors les matins de semaine entre 8h et 9h, hors vacances scolaires et jours fériés, dans telles autres zones car on y dénote la présence d’écoles. Une fois calibrés, les modèles sont capables de fournir des prédictions sur le nombre d’infractions à venir pour un emplacement donné, puisqu’ils ont déjà observé des contextes similaires par le passé.

Chaque nouveau contrôle génère également des données qui sont injectées dans nos modèles prédictifs pour en vérifier puis améliorer la fiabilité. Ainsi, les modèles sont recalibrés périodiquement, en ajoutant les données collectées depuis le dernier calibrage aux données existantes. Les modèles prédictifs peuvent ainsi améliorer leur performance et s’ajuster aux changements de comportements. Les données liées à l’infrastructure urbaine ou aux variables socio-économiques sont elles aussi mises à jour régulièrement pour s’adapter aux modifications structurelles de la ville.

Les recommandations peuvent alors être mises à disposition des chefs d’équipe dans un tableau de bord pour la supervision des opérations, et des agents à pied ou à bord de véhicules équipés du dispositif de lecture automatisée de plaques d’immatriculation (LAPI) via une application sur téléphone mobile ou tablette. Les infractions au stationnement payant, réservé, interdit, gênant et dangereux peuvent être intégrées, ainsi que d’autres comportements comme la contestation, connue sous le nom de recours administratif préalable obligatoire (RAPO) en France.

 

ParkPredict Control se positionne ainsi comme un outil tout-en-un pour un contrôle efficace du stationnement sur voirie grâce à l’intelligence artificielle. Il devient plus simple de lutter contre les voitures ventouses et surtout contre l’engorgement des centres urbains.

Share This
On recrute des profils passionnés et déterminés à rendre les villes plus durables ! Consultez nos offres d'emplois
Hello. Add your message here.