Temps de trajet des camions sur les autoroutes et segments en Allemagne basés sur des FCD de 2019

Pourquoi le temps de trajet des camions compte

Chaque commande en ligne, étagère de supermarché et chaîne de production dépend de camions arrivant quand prévu. Pourtant, quiconque a déjà été coincé dans un embouteillage sait que les temps de trajet peuvent être extrêmement imprévisibles — surtout pour les poids lourds, limités à des vitesses plus basses et qui ne peuvent pas facilement rattraper les retards. Cette étude aborde ce problème quotidien à l’échelle nationale : elle construit des temps de trajet détaillés et basés sur des données pour le réseau autoroutier allemand, en exploitant des milliards de déplacements réels de véhicules connectés pour révéler où et quand le fret est susceptible d’être retardé.

Suivre de vrais camions sur la route

Plutôt que de s’appuyer sur des capteurs routiers dispersés, les chercheurs utilisent les soi‑disant données de véhicule flottant — des signaux envoyés par les systèmes de navigation embarqués et les unités à bord qui enregistrent position, temps et vitesse. Pour 2019 seulement, le club automobile allemand a collecté plus de 25 milliards de points de données de ce type provenant de véhicules circulant sur les autoroutes. Ces signaux bruts sont d’abord reliés à une carte numérique du réseau autoroutier construite à partir de données cartographiques ouvertes. Un moteur d’itinéraire spécialisé rattache chaque point GPS au tronçon de route le plus probable, en tenant compte de la direction du véhicule et de la structure du réseau. Cette étape transforme un nuage de points anonymes en trajectoires précises le long de tronçons de route de 100 mètres.

Séparer les camions des voitures

Étant donné que les signaux proviennent de nombreux types de véhicules, le défi suivant est d’identifier lesquels sont des poids lourds. Les auteurs construisent une base de données décrivant la vitesse typique de chaque véhicule anonyme sur différents types de routes. Lorsqu’ils tracent ces vitesses, deux groupes distincts apparaissent : des véhicules plus lents qui dépassent rarement des vitesses typiques de camions, et des véhicules plus rapides correspondant davantage aux voitures particulières. Plutôt que de scinder simplement les données en deux groupes, l’équipe utilise une méthode de regroupement qui crée trois groupes basés sur la vitesse. Le groupe intermédiaire supplémentaire permet de capter les véhicules en conditions mixtes ou en congestion qui pourraient autrement être mal identifiés comme des camions, échangeant un peu d’effectif pour des données camions plus propres et plus fiables.

De lectures éparses à une image continue

Même avec des millions d’observations, les données ne couvrent pas chaque camion sur chaque tronçon à chaque minute. Pour évaluer la représentativité de l’échantillon, les chercheurs le comparent aux stations de comptage officielles qui enregistrent les volumes et les vitesses de trafic. Ils constatent que leurs données représentent en moyenne environ 6 % des camions, ce qui suffit à décrire les conditions générales, surtout lorsque les vitesses sont moyennées sur plusieurs minutes. Pour combler les lacunes restantes, ils appliquent une méthode de lissage largement utilisée en recherche sur le trafic qui mélange les observations proches dans l’espace et le temps. Cela produit une image continue de l’évolution des vitesses le long de chaque autoroute, révélant, par exemple, de longues zones de congestion en milieu de journée où la vitesse des camions chute fortement avant de se rétablir plus tard dans la journée.

Construire des tables dynamiques de temps de trajet

Armés de ces champs de vitesse continus, les auteurs calculent combien de temps un camion mettrait pour traverser chaque segment d’autoroute à différents instants de départ. Ils divisent chaque infrastructure en éléments courts de 100 mètres et simulent un camion se déplaçant d’un élément au suivant, mettant à jour la vitesse supposée toutes les dix minutes pour refléter les conditions de trafic les plus récentes. De cette façon, un trajet qui commence avant un embouteillage peut traverser la zone encombrée rapidement, tandis qu’un départ ultérieur accumule un retard croissant. Lorsque les temps de trajet résultants sont comparés à ceux mesurés directement à partir de trajets individuels de camions dans les données, les écarts ne sont généralement que de quelques secondes, les erreurs plus importantes étant confinées à un petit nombre de cas inhabituels.

Ce que cela signifie pour la logistique quotidienne

Le résultat de ce travail est un jeu de temps de trajet détaillés pour les camions sur les autoroutes allemandes, librement accessible, ventilé par autoroute et par segment par pas de dix minutes pour les jours de semaine types. Pour les expéditeurs, transporteurs et planificateurs, ces données transforment le risque vague de retard en chiffres concrets pouvant être intégrés aux horaires, aux logiciels d’itinéraires et aux plans de capacité. Pour le grand public, cela signifie que les mêmes véhicules connectés déjà sur la route peuvent discrètement fournir l’information nécessaire pour rendre les chaînes d’approvisionnement plus fiables — aidant les marchandises à arriver à l’heure, réduisant le carburant gaspillé et améliorant l’utilisation des infrastructures autoroutières existantes sans poser un seul nouveau capteur dans le sol.

Citation: Schlott, M., Abdul, L. & Leerkamp, B. Truck Travel times on freeway facilities and segments in Germany based on FCD from 2019. Sci Data 13, 588 (2026). https://doi.org/10.1038/s41597-026-07198-z

Mots-clés: temps de trajet des camions, congestion autoroutière, données de véhicule flottant, logistique de fret, fiabilité du trafic