Scaling law of individual urban tour behavior

Titre de l'étude

Loi d'échelle du comportement de tournée individuelle en milieu urbain

1. Problématique

Bien que la modélisation de la mobilité humaine soit fondamentale pour comprendre des systèmes complexes (planification urbaine, santé publique, transport de fret), les modèles existants négligent souvent la structure des tournées (une séquence de déplacements partant d'une base, effectuant plusieurs arrêts intermédiaires, et y revenant).

• Lacune identifiée : La distribution statistique de la longueur de la tournée (nombre d'arrêts intermédiaires avant le retour à la base) n'a pas été suffisamment étudiée.
• Limites des modèles actuels : Des modèles classiques comme le modèle EPR (Exploration and Preferential Return) ou le modèle SHMU (Simplified Human Mobility Universal) reproduisent bien certaines lois d'échelle (loi de Zipf, loi de Heaps), mais échouent à reproduire la distribution réelle de la longueur des tournées car ils ne modélisent pas explicitement le mécanisme de décision de terminaison d'une tournée.

2. Méthodologie

A. Données empiriques

Les auteurs ont utilisé des données de « check-in » (points de contrôle) provenant de l'application Foursquare à New York et à Los Angeles.

• Échantillon : 15 499 utilisateurs générant 255 204 trajets.
• Définition : Une « base » est identifiée comme le lieu le plus fréquenté par un individu. Une « tournée » est extraite de la trajectoire entre deux retours successifs à cette base.
• Observation préliminaire : La distribution de la longueur des tournées ($l$) suit une loi de puissance tronquée : $P(l) \sim l^{-\alpha} e^{-l/\beta}$.

B. Le Modèle TTC (Tour Terminate–Continue)

Pour combler le vide théorique, les auteurs proposent un nouveau modèle stochastique basé sur deux mécanismes clés :

1. Mécanisme de Terminaison/Continuation :
   À chaque étape d'une tournée, l'individu décide de continuer ou de retourner à la base. La probabilité de terminaison ($P_{term}$) dépend de la longueur actuelle de la tournée ($l$) selon une relation d'échelle négative :
   $$P_{term} = \rho l^{-\gamma}$$
   Où $\rho$ est la probabilité initiale de terminaison et $\gamma$ caractérise la décroissance de cette probabilité à mesure que la tournée s'allonge. La probabilité de continuer est $P_{cont} = 1 - P_{term}$.

2. Mécanisme de Choix de Destination :
   Si la tournée continue, l'individu choisit entre :

   • Un lieu déjà visité (préférence pour le retour).
   • Un nouveau lieu (exploration).
     Ce choix est régi par un paramètre de compétition $\theta$ et la fréquence des visites passées ($m_k$).

3. Extension Spatiale (d-TTC) :
   Pour capturer les contraintes spatiales (distance, attractivité), le modèle est enrichi par un mécanisme de type loi de gravité. La probabilité de choisir un nouveau lieu $j$ dépend de la population des lieux ($O_i, O_j$) et de la distance ($d_{ij}$) :
   $$P_{new}^{(j)} \sim \frac{O_i O_j}{d_{ij}^\sigma}$$

3. Résultats Clés

A. Validation de la distribution de la longueur de tournée

• Le modèle TTC reproduit avec une grande précision la distribution empirique de la longueur des tournées (mesurée par la distance de Kolmogorov-Smirnov, KS très faible).
• En comparaison, les modèles EPR et SHMU surestiment la proportion de longues tournées et sous-estiment les courtes, car ils ne capturent pas le mécanisme de décision de retour à la base.

B. Reproduction des lois d'échelle universelles

Le modèle TTC réussit à reproduire simultanément :

1. La loi de Heaps : Relation entre le nombre de lieux distincts visités ($S$) et le nombre de trajets ($n$).
2. La loi de Zipf : Distribution de la fréquence des visites aux différents lieux.
3. La distribution du rayon de giration : Une fois le mécanisme de gravité (d-TTC) ajouté, le modèle reproduit également la distribution spatiale des trajectoires.

C. Analyse de sensibilité des paramètres

• Paramètre $\rho$ (Probabilité initiale de terminaison) : Une augmentation de $\rho$ réduit la longueur moyenne des tournées et concentre les trajectoires près de la base (réduction du rayon de giration).
• Paramètre $\gamma$ (Dépendance à la longueur) : Une augmentation de $\gamma$ rend la terminaison plus probable pour les longues tournées, favorisant des tournées plus courtes.
• Paramètre $\theta$ (Exploration) : Influence principalement l'hétérogénéité des fréquences de visite des lieux non-bases, sans affecter significativement la longueur des tournées.
• Paramètre $\sigma$ (Distance) : Influence le rayon de giration (plus $\sigma$ est élevé, plus les déplacements sont courts), mais n'affecte pas la distribution de la longueur de la tournée.

D. Généralisation au transport de fret

Le modèle a été testé sur des données de camions lourds (GPS à Pékin et Shanghai). Il a confirmé que la loi de puissance tronquée s'applique également aux véhicules de fret, validant l'universalité du mécanisme de décision de terminaison de tournée.

4. Contributions et Signification

• Innovation théorique : C'est la première étude à identifier et modéliser explicitement la loi d'échelle de la longueur des tournées comme un phénomène universel dans la mobilité humaine.
• Nouveau paradigme de modélisation : Le modèle TTC intègre le processus de décision de « continuer ou arrêter » une tournée, un aspect souvent négligé dans les modèles de marche aléatoire pure. Il offre un cadre unifié expliquant simultanément la structure des tournées, les lois de fréquence (Zipf/Heaps) et la dimension spatiale.
• Applications pratiques :
  • Planification urbaine : Comprendre comment réduire la probabilité de terminaison (via l'aménagement du territoire ou la densité des services) pourrait encourager des tournées plus longues et efficaces, réduisant les coûts de transport.
  • Logistique : Optimisation des tournées de livraison en intégrant les dynamiques de terminaison de tournée pour réduire le nombre de véhicules nécessaires et les émissions de gaz à effet de serre.
  • Écologie : Le cadre peut être appliqué à la modélisation du comportement de fourrage des animaux, qui présentent des schémas de retour similaires.

En résumé, cet article établit que la structure des tournées urbaines n'est pas aléatoire mais régie par des lois d'échelle prévisibles, pilotées par une probabilité de terminaison décroissante avec la longueur de la tournée, offrant ainsi une nouvelle perspective pour la modélisation de la mobilité.