Utiliser l’apprentissage automatique pour inciter les transports durables

L’apprentissage automatique est l’une des formes d’IA les plus avancées actuellement disponibles. Sa capacité à enregistrer les données, à établir des corrélations et à produire des prévisions en fait une solution idéale à de nombreux problèmes urgents. Une nouvelle application a récemment émergé : aider à planifier les réseaux de transport durable et à encourager leur utilisation.

Algorithmes d’apprentissage automatique

Les algorithmes d’apprentissage automatique existent aujourd’hui sous de nombreuses formes et sont utilisés partout autour de vous. Ces systèmes continuent de progresser dans leurs domaines respectifs, et plusieurs algorithmes peuvent être choisis selon vos besoins. Les réseaux de neurones artificiels, les arbres de décision et les machines à vecteurs de support en sont des exemples populaires.

Lorsque vous consultez vos recommandations Netflix (NFLX ) et vos fils de réseaux sociaux, échangez avec des chatbots d’entreprises ou voyagez dans des véhicules autonomes, vous utilisez des algorithmes d’apprentissage automatique. Ces systèmes sont rapides, peu coûteux à exploiter et efficaces, et apportent de nouveaux éclairages. Ces qualités les rendent adaptés au développement des réseaux de transport durable.

Objectifs du transport durable

Avec la hausse de la pollution et la dégradation de l’environnement, la demande de transports durables a augmenté régulièrement, tout comme leur disponibilité. Il existe désormais de nombreuses façons de se déplacer sans combustibles fossiles. Des véhicules électriques au vélo, les transports durables progressent.

Source Market Watch – Taux d’adoption du transport durable aux États-Unis

Un changement vital est nécessaire

Il n’y a pas de temps à perdre pour améliorer les réseaux de transport durable. Les villes du monde entier comptent déjà trop de voitures sur leurs routes, ce qui provoque des embouteillages, de la frustration et des dommages environnementaux. L’apprentissage automatique pourrait réduire la dépendance mondiale aux combustibles fossiles et favoriser un mode de vie plus rentable et plus écologique.

Pour cela, les développeurs devront créer des algorithmes tenant compte d’une grande variété de facteurs. Utiliser l’apprentissage automatique pour les transports durables ne consiste pas seulement à économiser du carburant avec des voitures autonomes. Il s’agit de concevoir une ville qui encourage les habitants à utiliser tous les modes de transport écologiques.

Vers des transports écologiques

Cette recherche de durabilité se voit déjà dans de nombreuses villes, où les pistes et voies cyclables sont devenues plus courantes. Bien situées, elles stimulent l’économie, améliorent l’environnement local et préservent la santé des habitants. Les résultats varient selon leur emplacement, leur accessibilité et d’autres questions logistiques.

Dans les villes où les pistes cyclables ont été implantées avec succès, les résultats sont encourageants. Toronto, par exemple, a intégré des voies et des itinéraires qui traversent toute la ville. Ils ont réduit les accidents de vélo, accru le nombre de cyclistes et favorisé l’utilisation des vélos électriques pour les déplacements urbains.

Problèmes rencontrés par les urbanistes que les systèmes d’apprentissage automatique pourraient résoudre

Le manque de données sur les infrastructures est l’une des principales difficultés des urbanistes. Une ville souhaitant créer une piste cyclable doit étudier ses effets sur la circulation et d’autres facteurs essentiels. Les urbanistes doivent optimiser les emplacements afin de former un ensemble cohérent, plutôt que des itinéraires dispersés et déconnectés sans véritable utilité.

L’apprentissage automatique peut traiter d’immenses volumes de données et les croiser avec des informations locales comme la configuration de la ville. L’IA peut ainsi simuler différents scénarios à partir de données réelles provenant de lieux comparables pour déterminer le meilleur itinéraire. Ce choix demande toutefois bien plus que de vérifier si une piste peut tenir dans l’espace disponible et si elle traverse les principaux pôles de la communauté.

Utilitarisme vs. Équité

Une étude susceptible de fournir de précieuses données aux futurs systèmes a comparé les méthodes de tracé utilitaristes et celles fondées sur l’équité. Les chercheurs ont examiné trois modèles : un modèle utilitariste à l’échelle de la ville, un modèle utilitariste régional et un modèle axé sur l’équité. Ils ont constaté que la planification des meilleurs itinéraires cyclables est plus complexe que prévu, car les principaux bénéfices d’une région proviennent souvent de l’extérieur de son territoire. Des algorithmes pourraient donc aider à concevoir un accès fiable aux réseaux durables au bénéfice de toute la communauté.

Manque d’incitation pour le transport durable

L’apprentissage automatique pourrait aussi jouer un rôle essentiel dans l’adoption des transports durables. Depuis deux décennies, la transition vers les véhicules électriques est lente en Occident. Pendant des années, l’intérêt pour cette technologie diminuait lorsque les prix du carburant baissaient.

Ce n’est que récemment que les pays occidentaux ont commencé à élaborer des approches quantitatives pour mieux hiérarchiser les infrastructures favorisant l’adoption. Les développeurs se tournent aussi vers une autre technologie émergente, la blockchain, qui pourrait travailler avec l’apprentissage automatique pour encourager les passagers à choisir des transports durables.

La blockchain permet à ces systèmes de traiter d’immenses volumes de données en temps réel et de distribuer précisément des récompenses sous forme de jetons conçus pour encourager les utilisateurs. Ce modèle existe déjà dans plusieurs secteurs, notamment le mouvement émergent du « move-to-earn ». Les applications M2E récompensent l’activité physique. Elles permettent de suivre les pas, les déplacements à vélo et d’autres activités pour obtenir des récompenses selon ses actions.

Comment l’IA améliorera-t-elle la planification urbaine pour le transport durable personnel ?

L’apprentissage automatique combine les avantages des données historiques et des informations en temps réel pour éclairer les décisions. Les urbanistes peuvent s’en servir pour élaborer, tester, intégrer et même construire des options de transport utiles.

Les algorithmes permettent aux urbanistes d’intégrer plus efficacement des options durables aux infrastructures fondamentales de la communauté. Ils tiennent compte de facteurs externes, notamment de vastes ensembles de données historiques et environnementales. Cela permet de prévoir plus précisément les flux de circulation.

La polyvalence des itinéraires encourage-t-elle les transports durables ?

Accroître la polyvalence des itinéraires durables encouragera leur utilisation. Les passagers et les cyclistes bénéficient d’un mode de vie plus sain, de moins de bruit et d’une dépendance réduite au carburant, entre autres avantages. Les algorithmes pourraient aussi guider la construction de nouveaux itinéraires qui font gagner du temps, offrent des vues agréables et donnent accès aux centres d’activité urbains.

Infrastructure de recharge

Les systèmes d’apprentissage automatique joueront un rôle essentiel dans la planification des infrastructures de recharge des véhicules électriques. Ceux-ci gagnent du terrain, mais de nombreuses communautés n’ont toujours aucune borne. Pour accroître leur adoption, il faut créer des infrastructures viables et facilement accessibles.

L’apprentissage automatique contribuera également à améliorer l’efficacité de la recharge. Il s’agit d’un enjeu majeur à mesure que davantage de personnes choisissent des véhicules entièrement électriques. Recharger leurs batteries peut prendre du temps. Les algorithmes peuvent réduire cette durée tout en prolongeant la durée de vie globale de la batterie.

Réduire la pollution de l’air

L’air que vous respirez a un effet direct sur votre santé. Ainsi, les personnes vivant près des grands axes routiers développent souvent des problèmes pulmonaires en vieillissant. Ce facteur a stimulé le marché chinois, qui est désormais, de loin, l’économie du véhicule électrique la plus vaste et la plus active du monde.

Les systèmes des véhicules électriques ne produisent pas d’émissions, ce qui les rend adaptés à la préservation de la qualité de l’air et à la prévention d’une exposition quotidienne et inconsciente des citoyens à des substances chimiques mortelles. À mesure que les véhicules électriques deviendront majoritaires sur les routes, la qualité de l’air devrait s’améliorer proportionnellement.

Soutien aux communautés de VE

Les systèmes d’apprentissage automatique aident déjà les fabricants à répondre aux questions des clients pendant la vente. À l’avenir, le même principe pourrait faciliter davantage la possession d’un scooter. Les algorithmes pourraient vous mettre en relation avec d’autres propriétaires de véhicules électriques pour échanger des informations, des idées et des expériences.

Entreprises qui pourraient bénéficier de systèmes d’incitation au transport adaptés à l’apprentissage automatique

La forte croissance du marché des véhicules électriques saute aux yeux. Des voitures aux vélos électriques, de nombreux fabricants entrent dans le secteur, et le nombre de produits disponibles atteint des records. Voici une entreprise qui pourrait bientôt intégrer des algorithmes pour accroître ses revenus.

Vista Outdoor

Vista Outdoor a été créée en 2015 aux États-Unis pour concevoir et fabriquer du matériel de plein air. Elle est devenue un vaste groupe contrôlant de nombreuses filiales du secteur. Les vélos électriques QuietKat sont l’une des activités qui lui ont apporté beaucoup de succès.

Les vélos électriques QuietKat offrent des performances élevées grâce à leurs moteurs centraux de 750 à 1 000 W et à leurs matériaux haut de gamme. Conçus pour le hors-piste, ils sont classés comme vélos tout-terrain. Ils intègrent également la technologie propriétaire VPO, qui surveille le pédalage et fournit une puissance supplémentaire au besoin.

QuietKat a d’abord souffert de la propagation du COVID-19 et de l’impossibilité de voyager, ce qui a fortement réduit ses bénéfices. La demande de vélos électriques a toutefois bondi après la pandémie. Aujourd’hui, QuietKat est un fournisseur de premier plan de vélos tout-terrain de qualité professionnelle. Cette croissance a directement amélioré les résultats de Vista Outdoor.

Vista Outdoor a récemment signé un accord de vente séparant l’entreprise en deux parties pour 3,35 milliards de dollars, dette comprise. La nouvelle a renforcé la confiance des investisseurs, et la capitalisation de VSTO a atteint 2,58 milliards de dollars. Elle fait suite à l’annonce de la publication prochaine des derniers états financiers. Ces facteurs font de VSTO un titre à «acheter» pour les traders souhaitant accéder au marché des véhicules électriques.

Une nouvelle ère du transport durable

L’ère du transport durable est arrivée. Les urbanistes et les fabricants doivent maintenant coopérer pour rendre la transition aussi simple et accessible que possible. On peut donc s’attendre à une intégration accrue de cette technologie dans les transports, qui pourrait bientôt offrir à la majorité des personnes des déplacements bien plus propres et plus sûrs.

Découvrez d’autres projets intéressants en IA.