Inférence du motif de déplacement personnel basée sur des zones fonctionnelles dynamiques selon l’heure et l’âge

Pourquoi vos déplacements comptent plus que vous ne le pensez

Chaque jour, des millions de déplacements sont silencieusement enregistrés par les smartphones et les systèmes de transport, montrant où les gens se déplacent mais pas pourquoi. Vont-ils au travail, rentrent-ils chez eux, retrouvent-ils des amis ou font-ils des achats ? Cette étude montre comment ces « pourquoi » invisibles peuvent être déduits à partir de vastes ensembles de données anonymes de déplacements en lisant attentivement l’évolution du caractère des quartiers en ville au fil du temps et selon les tranches d’âge. Le résultat est un outil puissant qui peut aider les villes à planifier des systèmes de transport plus équitables et efficaces sans avoir à réaliser continuellement des enquêtes coûteuses.

Des points sur une carte aux activités réelles

Les villes modernes collectent de grandes quantités de données de localisation issues de sources comme les téléphones mobiles, les cartes à puce de transport et les traces GPS. Ces enregistrements sont riches en détails sur les origines et les destinations mais n’incluent presque jamais le motif du déplacement. Traditionnellement, les chercheurs se sont appuyés sur des enquêtes ménages détaillées—où les personnes déclarent pourquoi elles ont voyagé—pour construire des règles ou des modèles d’apprentissage automatique applicables à ces jeux de données plus vastes. Cependant, la plupart des travaux antérieurs considéraient l’utilisation du sol de chaque destination comme statique : un lieu était simplement étiqueté « résidentiel », « travail » ou « commerce », quel que soit le moment de la journée ou les visiteurs concernés.

Capturer la façon dont les quartiers évoluent au cours de la journée

Les auteurs soutiennent que les zones urbaines se comportent très différemment selon les heures et les groupes d’âge. Un quartier proche d’une université peut accueillir surtout des étudiants le matin, des employés de bureau à midi, et des personnes allant dîner ou faire la fête le soir. Les parcs, les écoles, les églises et les bureaux attirent aussi des groupes d’âge distincts à différents moments. Pour saisir cela, l’étude construit des « zones fonctionnelles dynamiques heure–âge » pour chaque petit district administratif de Séoul. L’équipe combine plus de 770 000 enregistrements de lieux d’intérêt—tels que résidences, lieux de travail, établissements scolaires, commerces, établissements médicaux et sites de loisirs—avec des données de check-in issues du Yelp Open Dataset et des profils d’âge tirés des enquêtes nationales coréennes sur les déplacements des ménages et des individus. Ils divisent la journée en six plages horaires et la population en quatre groupes d’âge, puis attribuent des pondérations différentes à chaque type de lieu selon le moment et par qui il est typiquement fréquenté. Cela crée un profil sensible au temps et à l’âge décrivant l’usage principal de chaque quartier selon différentes conditions.

Apprendre aux machines à deviner pourquoi les gens voyagent

En utilisant ces zones fonctionnelles dynamiques comme entrées clés, ainsi que l’âge et le sexe du voyageur, l’heure du déplacement, la distance et l’accès aux transports, les chercheurs entraînent deux types de modèles pour inférer le motif du déplacement : un modèle d’extrême gradient boosting (XGBoost) et un réseau de neurones à mémoire à long terme (LSTM). Les deux sont entraînés sur près de 401 000 trajets issus d’enquêtes avec motifs connus, regroupés en cinq grandes catégories : retour à la maison, trajet domicile–travail, éducation, achats ou restauration, et autres raisons. Aux tests, XGBoost surpasse légèrement le LSTM, identifiant correctement le motif des déplacements environ 84 % du temps contre 78 % pour le réseau neuronal. Lorsque les auteurs suppriment la dynamique heure–âge et n’utilisent que des fonctions de quartier statiques, la précision diminue jusqu’à 3 points de pourcentage, confirmant que le caractère changeant des lieux aide réellement les modèles à comprendre pourquoi les gens se déplacent.

Application de la méthode à des données téléphoniques du monde réel

L’équipe applique ensuite leurs modèles entraînés à un vaste jeu de données « mouvements du quotidien » de Séoul, construit à partir de signaux de téléphonie mobile anonymisés. Ce jeu couvre des millions de trajets mais n’étiquette les origines et destinations de manière grossière que comme domicile, travail ou « ailleurs », sans motifs explicites. Les modèles infèrent les motifs pour presque quatre millions de trajets sur un mois. Plus de la moitié sont classés comme liés au domicile et environ un tiers comme liés au travail, avec des parts plus faibles pour l’éducation et les achats ou la restauration. Lorsque les étiquettes de mouvement sont claires—comme domicile→travail ou travail→domicile—les motifs inférés concordent avec les types dérivés du téléphone à environ 68 % et 74 % du temps, respectivement. Les patterns selon le temps et l’âge sont aussi cohérents : les trajets tôt le matin et en fin d’après-midi tendent vers la navette, les déplacements des adolescents sont souvent liés à l’éducation, et les déplacements du soir tendent à être des retours à la maison.

Ce que cela signifie pour les déplacements quotidiens

Concrètement, l’étude montre qu’en combinant des cartes détaillées de l’offre des quartiers avec le moment et par qui ces lieux sont fréquentés, les villes peuvent deviner de manière fiable les raisons de la plupart des déplacements, même lorsque les personnes ne répondent jamais à une question d’enquête. Cela ouvre la voie à l’utilisation des données téléphoniques et de transport existantes pour comprendre les trajets domicile–travail, les déplacements scolaires, les achats et les loisirs à des échelles fines. Les urbanistes pourraient, par exemple, repérer où les trajets en soirée des quartiers d’affaires vers des zones résidentielles denses réclament plus de bus, ou où les mouvements liés aux écoles suggèrent des itinéraires piétons et cyclables plus sûrs. Bien que la méthode ait encore des difficultés avec les trajets rares ou à motifs mixtes, elle démontre une voie pratique pour transformer des traces de déplacement anonymes en récits signifiants sur la façon et les raisons pour lesquelles les gens se déplacent en ville.

Citation: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

Mots-clés: motif de déplacement, mobilité urbaine, zones fonctionnelles, planification des transports, données de téléphonie mobile