Jeu de données de trajectoires piétonnes dans les places publiques européennes

Pourquoi observer les déplacements à pied peut transformer nos villes

La manière dont les gens se déplacent dans les places et les places de ville en dit long sur l'accueil et la qualité de conception de ces lieux. Pourtant, la plupart des connaissances sur les habitudes de marche quotidiennes proviennent d'études limitées ou d'expériences ponctuelles. Cet article présente un grand jeu de données publié en accès libre qui retrace les parcours de centaines de milliers de piétons traversant des places publiques à travers l'Europe, offrant aux urbanistes, aux chercheurs et aux designers un nouvel angle pour comprendre le fonctionnement réel des espaces publics.

Regrouper de nombreuses places de ville dans une vue partagée

Les auteurs se sont concentrés sur un cadre familier : les places centrales des villes et bourgs européens. Ce sont des lieux où l'on flâne, rencontre des amis, s'assoit près d'une fontaine ou traverse en allant au travail. Plutôt que d'envoyer des équipes d'enquête sur le terrain, les chercheurs ont exploité une ressource croissante qui observe déjà ces espaces en continu : les webcams publiques. Ils ont recherché de manière systématique sur des plateformes internationales des caméras montrant clairement une place, offrant une vidéo fluide et un taux de frames correct, et pouvant être enregistrées de façon fiable. Au total, ils ont collecté 193 heures de séquences provenant de 39 places, généralement en quatre clips de trente minutes capturant le matin, le déjeuner, le soir et un samedi animé, et ils ont ajouté des enregistrements supplémentaires pour quatre places à travers différentes saisons et conditions météorologiques.

Transformer la vidéo brute en traces de déplacement

Pour convertir les vidéos en données, l'équipe a utilisé des outils modernes de vision par ordinateur capables de repérer et de suivre automatiquement les personnes dans chaque image. D'abord, ils ont appliqué un modèle de détection de pointe capable d'identifier les silhouettes humaines. Ce modèle a été entraîné et ajusté à l'aide de collections d'images spécialisées axées sur les piétons en milieu encombré, améliorant sa capacité à distinguer les personnes même quand elles sont proches les unes des autres ou partiellement masquées. Ensuite, ils ont relié ces détections dans le temps à l'aide d'un algorithme de suivi qui attribue à chaque personne un identifiant temporaire et suit cette personne au fil de sa traversée de la place. Le résultat est une série horodatée de positions pour chaque piéton — une trace numérique montrant d'où il venait, où il est allé et combien de temps il est resté.

Des pixels à l'écran au sol réel

Voir une personne se déplacer sur un écran n'est pas la même chose que connaître la distance parcourue ou la vitesse réelle. Pour rendre les données exploitables pour l'étude du comportement réel, les chercheurs ont dû convertir les coordonnées écran en mesures au sol. Ne contrôlant pas les webcams, ils ne disposaient pas d'informations détaillées sur l'objectif ou la position de chaque caméra. Ils ont donc utilisé une solution astucieuse : faire correspondre des éléments visibles à la fois dans la vidéo et dans des images satellites de la même place, comme des angles de bâtiments, des arbres ou des bancs. Ce processus d'appariement, connu en imagerie comme l'utilisation d'une transformation entre deux vues d'une même surface, leur a permis d'estimer où chaque pixel se situe sur la surface réelle de la place. Grâce à cela, ils ont pu calculer les vitesses de marche, la densité de la foule et des trajectoires précises en mètres plutôt qu'en pixels.

Nettoyage, vérification et partage des données

Les méthodes automatiques ne sont jamais parfaites, aussi l'équipe a-t-elle mis en œuvre plusieurs étapes pour épurer et tester les données. Les trajectoires très courtes ou manifestement bruitées ont été supprimées, et les chemins restants ont été légèrement lissés pour éviter le tremblement. Seuls les points situés à l'intérieur du contour réel de chaque place ont été conservés, et les données ont été simplifiées de sorte que chaque seconde de mouvement soit représentée par seulement quelques points — suffisamment pour préserver la forme de chaque parcours tout en facilitant la manipulation des fichiers. Les auteurs ont vérifié la précision de la détection des personnes sur des images échantillons et ont constaté que la grande majorité des piétons réels étaient correctement identifiés, avec relativement peu de fausses alertes. Ils ont aussi évalué la cohérence du suivi des individus, en particulier pour les promenades longues, et mesuré dans quelle mesure les positions transformées correspondaient aux points connus au sol pour différentes places.

Ce que permet cette nouvelle ressource

Au total, le projet a publié environ 348 000 trajectoires piétonnes, chacune assortie d'un identifiant, de positions dans le temps et d'informations de base comme la vitesse, ainsi que de données météorologiques et contextuelles pour chaque enregistrement. Pour les non-spécialistes, l'enseignement principal est que nous disposons désormais d'une carte ouverte et standardisée montrant comment les gens utilisent réellement des dizaines de places publiques au quotidien. Les urbanistes peuvent explorer quelles configurations favorisent la flânerie plutôt que les traversées rapides, les analystes des transports peuvent étudier comment les piétons naviguent dans les espaces ouverts en se rendant aux bus ou aux trains, et les scientifiques sociaux peuvent examiner comment la météo ou le moment de la journée influencent la vie publique. Bien que le jeu de données reflète encore les limites du suivi par caméra — comme des confusions occasionnelles quand des personnes restent immobiles ou sont masquées — il fournit une base riche et réutilisable pour rendre les espaces publics plus vivants, confortables et adaptés aux façons dont les gens se déplacent réellement.

Citation: Wolff, N., Perry, L., Venverloo, T. et al. Pedestrian Trajectory Dataset of Public European Squares. Sci Data 13, 402 (2026). https://doi.org/10.1038/s41597-026-06686-6

Mots-clés: trajectoires piétonnes, places publiques, mobilité urbaine, données pour vision par ordinateur, comportement des foules