Risk-Averse Stochastic User Equilibrium on Uncertain Transportation Networks

Cette étude propose un cadre d'affectation du trafic convexe et gérant les risques (TSUE) qui intègre la sensibilité aux queues de distribution et l'ambiguïté des distributions pour optimiser les choix d'itinéraires dans des réseaux de transport perturbés par des événements extrêmes, démontrant ainsi comment la pondération des risques de queue et l'incertitude distributionnelle permettent d'ajuster finement la répartition du trafic sans nécessiter de réacheminements massifs.

L'essentiel

🌧️ Le Problème : Quand la météo joue à la roulette russe avec nos trajets

Imaginez que vous devez vous rendre au travail. D'habitude, c'est un trajet de 20 minutes. Mais il y a un risque : il peut pleuvoir, il peut y avoir une inondation, ou un accident.

• L'approche classique (ce qu'on fait souvent) : Les ingénieurs de la circulation disent : "En moyenne, le trajet prend 20 minutes." Ils calculent la moyenne de tous les scénarios possibles (beau temps, pluie légère, inondation) et disent : "Allez-y, c'est sûr."
• Le problème : Si vous êtes un conducteur prudent, vous ne voulez pas juste la moyenne. Vous voulez éviter le pire scénario. Si une inondation bloque votre route et vous fait perdre 2 heures, cette "moyenne" de 20 minutes ne vous rassure pas du tout. C'est comme dire : "En moyenne, vous ne vous casserez pas la jambe en sautant d'un balcon, alors sautez !"

Les chercheurs de l'Université de l'Illinois ont créé un nouveau système pour aider les conducteurs (et les gestionnaires de trafic) à prendre des décisions plus intelligentes face à l'incertitude et aux catastrophes naturelles.

---

🛡️ La Solution : Le "Parapluie de la Prudence" (TSUE)

Leur idée est de créer un modèle mathématique qui dit : "Ne regardez pas seulement la moyenne, regardez aussi la queue de la distribution (les pires cas)."

Ils appellent cela un Équilibre Stochastique Utilisateur Averse au Risque. Pour faire simple, c'est comme si chaque conducteur avait un "parapluie mental" :

1. Il regarde la météo habituelle (le temps moyen).
2. Il regarde le pire scénario possible (l'inondation totale).
3. Il choisit son chemin en fonction de sa peur de se retrouver bloqué.

L'analogie du "Système de Notation"

Imaginez que chaque route a deux notes :

• Note A : Le temps moyen (ex: 15 min).
• Note B : Le temps si tout va mal (ex: 2 heures).

Le nouveau modèle combine ces deux notes. Si vous êtes très prudent (aversion au risque élevé), vous donnerez beaucoup de poids à la Note B. Si vous êtes audacieux, vous vous concentrerez sur la Note A. Le modèle ajuste automatiquement le trafic pour que les routes "à risque" ne soient pas surchargées par des gens qui veulent éviter les inondations.

---

🎲 Les Deux Approches Magiques

Les auteurs proposent deux façons de gérer cette incertitude, comme deux types de boucliers :

1. Le Bouclier "Prévisionnel" (TSUE-SP)

C'est comme si vous consultiez une carte météo très précise basée sur des données passées.

• Comment ça marche : Le système dit : "Il y a 90% de chance qu'il fasse beau, 7% qu'il pleuve, et 3% qu'il y ait une inondation."
• L'astuce : Il ne se contente pas de faire une moyenne. Il dit : "Même si l'inondation n'arrive que 3% du temps, elle est si terrible qu'on doit en tenir compte."
• Résultat : Les conducteurs évitent les routes qui pourraient être coupées, même si c'est rare. Le trafic se répartit sur des chemins un peu plus longs mais plus sûrs.

2. Le Bouclier "Paranoïaque Intelligent" (TSUE-DRO)

C'est là que ça devient vraiment intéressant. Parfois, nos prévisions météo sont fausses. Peut-être que l'inondation arrive plus souvent qu'on ne le pense, ou que la pluie est plus forte.

• Le problème : Si on se fie trop à une seule carte météo, on peut être pris au dépourvu.
• La solution : Le modèle dit : "Je ne suis pas sûr à 100% de la carte météo. Je vais donc imaginer toutes les cartes météo possibles qui sont proches de la réalité (un peu plus de pluie, un peu moins de vent) et je vais choisir la route qui fonctionne le mieux dans le pire de ces scénarios possibles."
• L'analogie : C'est comme porter un manteau imperméable même si le ciel est gris, parce que vous savez que la pluie pourrait être plus forte que prévu. Ce système protège contre les erreurs de calcul et les surprises.

---

🌉 L'Expérience : Chicago sous les Flots

Pour tester leur invention, les chercheurs ont simulé le centre-ville de Chicago (une grille de rues) avec des inondations.

• Sans leur modèle : Les voitures s'entassent sur les routes les plus courtes. Quand l'inondation arrive, tout est bloqué. C'est le chaos.
• Avec leur modèle (TSUE-SP) : Le trafic se déplace naturellement. Les voitures évitent les routes qui pourraient être sous l'eau et prennent des détours.
  • Résultat : Le trafic sur les routes sûres augmente de 67% à 100% par rapport à la normale, mais c'est une bonne chose ! Cela signifie que les gens ne sont pas bloqués.
• Avec le modèle "Paranoïaque" (TSUE-DRO) : C'est encore plus prudent. Le système redirige encore plus de trafic vers les routes les plus solides, au cas où la météo serait encore pire que prévu.

💡 La Leçon Principale

Ce papier nous apprend que pour gérer le trafic (et la vie en général) face aux catastrophes, la moyenne ne suffit pas.

• Si vous ne regardez que la moyenne, vous ignorez les catastrophes.
• Si vous êtes trop effrayé, vous évitez tout et vous ne bougez plus.
• Le secret : Trouver un équilibre entre le temps moyen et le risque extrême, tout en se protégeant contre les erreurs de prévision.

Grâce à ce nouveau système mathématique, les villes peuvent mieux organiser le trafic pour que, même quand le ciel s'ouvre, les gens puissent continuer à se déplacer sans être piégés. C'est une façon de rendre nos réseaux de transport plus résilients et intelligents.

Résumé technique

1. Problématique

Les événements météorologiques extrêmes (inondations, fortes pluies, etc.) perturbent les réseaux de transport urbains en réduisant les vitesses, les capacités et en fermant des voies. Ces aléas créent une incertitude dépendante du régime (par exemple, conditions normales, fortes pluies, inondations) et génèrent des distributions de temps de trajet asymétriques à droite, avec des queues lourdes (longues traînées de retards sévères).

Les modèles d'affectation de trafic conventionnels reposent souvent sur l'espérance mathématique (moyenne) des coûts. Cette approche est inadéquate dans un contexte de risques extrêmes car :

• Elle sous-estime les retards rares mais catastrophiques.
• Elle ne distingue pas les itinéraires ayant la même moyenne mais des fiabilités différentes.
• Elle peut conduire à des choix de routes non robustes lorsque les voyageurs sont averses au risque.

L'objectif de cette étude est de développer un cadre d'affectation de trafic qui intègre explicitement l'aversité au risque des voyageurs et l'ambiguïté des distributions de probabilité, tout en restant mathématiquement traitable (convexe).

2. Méthodologie

Les auteurs proposent un cadre d'Équilibre Stochastique Utilisateur à l'aversité au risque (TSUE) couplant l'offre stochastique (liée aux impacts des aléas), le choix de route endogène et la gestion du risque de queue.

A. Modélisation de l'incertitude et du choix de route

• Temps de trajet stochastique : Modélisé via une fonction BPR (Bureau of Public Roads) étendue, où les paramètres (vitesse libre, capacité, coefficients de congestion) varient selon des scénarios d'aléas ($\xi$).
• Choix de route : Utilisation d'un modèle logit tronqué. Seuls les itinéraires dont le coût perçu est inférieur à un seuil de fiabilité ($\pi$) sont considérés.
• Mesure de coût : Au lieu de la simple espérance, les auteurs utilisent une équivalence certaine normalisée Mean-CVaR (Valeur Conditionnelle à Risque).
  • Le coût perçu $\phi$ est une combinaison pondérée de l'espérance $E[Z]$ et du CVaR $\text{CVaR}_\alpha(Z)$.
  • Deux paramètres contrôlent le comportement : $\alpha$ (niveau de confiance définissant la queue de distribution) et $\lambda$ (paramètre comportemental d'aversité au risque).
  • Une formulation normalisée $\bar{\lambda}(\alpha, \lambda)$ est introduite pour préserver la convexité du problème et éviter une amplification excessive des queues dans le noyau logit.

B. Deux approches d'optimisation

1. TSUE-SP (Stochastic Programming) :

   • Optimise un équilibre nominal tenant compte du risque.
   • Deux formulations sont proposées :
     • Approche A (Basée sur le chemin) : Applique l'équivalence certaine directement au temps de trajet de chaque chemin.
     • Approche B (Basée sur le potentiel) : Applique la fonction de risque au potentiel global du système (congestion + entropie). L'approche B2 (risque sur la congestion uniquement) permet de maintenir l'interprétation comportementale du paramètre de dispersion logit.
   • Sous certaines conditions d'ordonnancement des scénarios (régimes météorologiques uniformes), les deux approches sont équivalentes et conduisent à un programme convexe unique.

2. TSUE-DRO (Distributionally Robust Optimization) :

   • Conçu pour protéger contre les erreurs d'étalonnage et la mauvaise spécification des distributions (incertitude épistémique).
   • Utilise un ensemble d'ambiguïté de Wasserstein (1-Wasserstein) autour d'une distribution empirique.
   • Le modèle optimise le pire des cas (worst-case) sur cet ensemble d'ambiguïté.
   • Cas stationnaire : Une loi unique pour l'incertitude.
   • Cas non stationnaire (régimes dépendants) : L'incertitude est modélisée conditionnellement à des régimes (ex: pluie normale, inondation) avec des fréquences fixes ou variables. Cela permet de séparer l'erreur d'échantillonnage intra-régime des changements structurels inter-régimes.

C. Algorithmes de résolution

• La reformulation duale du problème DRO conduit à un programme conique de second ordre (SOCP) ou à un programme semi-infini.
• Les auteurs proposent un algorithme de décomposition de Benders pour résoudre efficacement ces modèles à grande échelle, évitant la complexité des solveurs coniques directs pour les grands réseaux.

3. Contributions Clés

1. Analyse de l'agrégation des coûts : Démonstration que l'espérance seule est trompeuse sous des aléas rares mais sévères, et que le CVaR pur peut être trop conservateur ou peu discriminant.
2. Nouvelle équivalence certaine : Proposition d'une équivalence certaine Mean-CVaR normalisée qui préserve la convexité, l'échelle des unités de temps et permet un contrôle fin de la sensibilité à la queue de distribution via le paramètre $\lambda$.
3. Cadre DRO pour les réseaux : Développement d'un équilibre TSUE robuste (TSUE-DRO) utilisant des ensembles d'ambiguïté de Wasserstein, étendu aux environnements à régimes multiples (piecewise-stationary).
4. Équivalence théorique : Établissement des conditions sous lesquelles les approches basées sur le chemin et basées sur le potentiel produisent les mêmes flux d'équilibre.
5. Algorithme efficace : Mise au point d'une méthode de décomposition de Benders adaptée pour résoudre les problèmes TSUE-DRO, offrant une performance supérieure aux solveurs coniques standards sur des réseaux de taille moyenne.

4. Résultats Expérimentaux

Les auteurs ont testé leurs modèles sur deux cas : un réseau stylisé à trois liens et un réseau de grille représentant le centre-ville de Chicago.

• Réseau stylisé :

  • L'approche Mean-CVaR permet de basculer progressivement les flux des itinéraires rapides mais risqués vers des itinéraires plus fiables à mesure que l'aversité au risque ($\lambda$) augmente.
  • Le modèle DRO (Wasserstein) produit des flux plus conservateurs que le modèle SP, en augmentant les coûts généralisés des itinéraires exposés aux pires scénarios (ex: inondation).
  • Dans le cas non stationnaire (régimes variables), le modèle DRO non stationnaire est encore plus robuste, redistribuant les flux vers des corridors radiaux fiables et réduisant la sensibilité aux paramètres $(\alpha, \lambda)$.

• Étude de cas Chicago (Inondations) :

  • Scénario de base : Sans aléas, le trafic se concentre sur des itinéraires courts.
  • Impact des aléas : Avec TSUE-SP, le trafic augmente de 67,9 % sur les corridors occidentaux par rapport à la base. Avec TSUE-DRO, cette augmentation atteint 100,9 %.
  • Redistribution : Le modèle DRO redistribue les flux vers des itinéraires radiaux plus fiables (ex: lien $a_2 \to a_3$) et réduit l'utilisation des contournements à haut risque (ex: $b_3 \to a_3$) de près de 17,5 % par rapport au SP.
  • Stabilité : Les flux sous DRO sont moins sensibles aux variations des paramètres d'entrée, démontrant la stabilité apportée par la robustesse distributionnelle.
  • Performance computationnelle : L'algorithme de Benders converge en environ 400 itérations et est jusqu'à deux fois plus rapide que le solveur SCS pour des réseaux de taille significative.

5. Signification et Conclusion

Cette recherche fournit un cadre théorique et pratique essentiel pour la planification des transports résilients face aux changements climatiques.

• Prise de décision : Elle permet aux planificateurs de quantifier comment les voyageurs averses au risque réagissent aux risques extrêmes, au-delà des moyennes statistiques.
• Robustesse : L'approche DRO est cruciale car elle protège les solutions d'affectation contre les erreurs de données et les changements de régimes climatiques, évitant ainsi des stratégies de routage fragiles.
• Opérationnalité : La méthode proposée est traitable et scalable, permettant son application sur des réseaux réels pour simuler des impacts d'inondations ou d'autres catastrophes naturelles.

En résumé, l'article démontre que l'intégration de la gestion du risque de queue et de l'ambiguïté distributionnelle dans les modèles d'équilibre de trafic ne subvertit pas les choix d'équilibre, mais les affine pour les rendre plus robustes et adaptés aux environnements incertains et dangereux.