⚡ electrical engineering

Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

Cet article propose un nouveau cadre d'évaluation « structure–fonction–équité » combinant des indicateurs topologiques et fonctionnels avec l'apprentissage automatique pour classifier les lignes de bus de Guangzhou, identifiant des inefficacités significatives et utilisant un modèle d'optimisation bi-objectif pour générer des stratégies ciblées visant à réduire la redondance, renforcer l'intégration au métro et améliorer l'équité rurale.

Auteurs originaux : caixia li, Cong Cong, Hunan Deng, Jiachao Chen, Junhui Li

Publié 2026-07-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : caixia li, Cong Cong, Hunan Deng, Jiachao Chen, Junhui Li

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le système de bus de la ville comme une cuisine immense et très occupée dans un restaurant géant. L'objectif est de servir chaque client affamé (les résidents) de manière efficace, équitable et sans gaspiller de nourriture ou de carburant. Cependant, dans beaucoup de grandes villes comme Guangzhou, la cuisine est devenue désordonnée : certains chefs tournent en rond, certaines tables meurent de faim tandis que d'autres sont trop servies, et le menu est devenu confus.

Ce document est comme une équipe d'experts inspecteurs de cuisine qui sont venus nettoyer le désordre, comprendre ce qui ne va pas et repenser la cuisine pour qu'elle fonctionne mieux pour tout le monde. Voici comment ils ont procédé, décomposé en étapes simples :

1. Le diagnostic : Mesurer la santé de la cuisine

D'abord, les chercheurs ne se sont pas contentés de deviner ; ils ont pris des mesures. Ils ont examiné le réseau de bus à l'aide de deux principaux outils :

Les outils de la « Carte » (Structure) : Ils ont mesuré des éléments tels que le nombre de routes de bus par kilomètre carré, le nombre d'arrêts à distance de marche des domiciles des gens, et le degré de chevauchement des itinéraires de bus.
- Le Problème : Ils ont découvert que la cuisine était pleine de chefs courant exactement le même chemin. Le « chevauchement » était si élevé (4,9 fois la quantité recommandée) qu'il revenait à avoir cinq chefs coupant des oignons sur la même planche à découper quand un seul suffirait. De plus, l'itinéraire moyen d'un bus était de 16,7 km, alors que la plupart des gens n'avaient besoin de voyager que de 7,5 km. C'était comme servir un repas de 10 plats à un client qui voulait juste un sandwich.
Les outils des « Gens » (Fonction et Équité) : Ils ont regardé qui était servi. Est-ce que les bus aident les personnes âgées et les enfants ? Sont-ils bondés ou vides ? Est-ce qu'ils circulent là où le métro (le train rapide de la ville) passe déjà ?

2. Trier les bus : Les « Quatre types de chefs »

En utilisant un programme informatique intelligent (Apprentissage Automatique), ils ont classé les 3 214 itinéraires de bus en quatre « types de personnalité » distincts, un peu comme le tri du personnel de cuisine selon leurs tâches spécifiques :

Les chefs « Filet de sécurité » (31 %) : Ces bus ne transportent pas de grandes foules, mais ils sont vitaux. Ils s'assurent que les personnes âgées, les enfants et les familles à faibles revenus puissent se rendre chez le médecin ou à l'école. Ce sont des travailleurs fiables et constants.
Les « Vedettes » (6 %) : Ce sont les itinéraires ultra-fréquents dans le centre-ville. Ils transportent près de la moitié de tous les passagers. Ils sont efficaces mais peuvent être injustes car ils ignorent les quartiers plus pauvres.
Les « Aides au train » (36 %) : Ces bus circulent juste à côté du métro. Leur mission principale est d'aider les gens à effectuer le transfert du bus vers le train, agissant comme un pont.
Les « Chefs confus » (27 %) : Ce fut la plus grande découverte. Environ un quart des bus ne correspondaient à aucune catégorie claire. Ils n'étaient pas extrêmement fréquentés, ils n'aidaient pas spécifiquement les plus pauvres, et ils n'aidaient pas clairement le métro. Ils erraient simplement sans but précis, gaspillant du carburant et de l'argent sans utilité claire.

3. La solution : Un plan en trois parties

Une fois les « Chefs confus » identifiés, les chercheurs ont utilisé un modèle mathématique pour déterminer comment les corriger. Ils ont élaboré trois stratégies spécifiques :

Stratégie 1 : Couper la redondance (Le plan « Raccourcir »)
- Le Problème : 17 itinéraires circulaient presque exactement là où le métro passait déjà.
- La Solution : Raccourcir ces itinéraires. Imaginez dire à un livreur : « Vous n'avez pas besoin de conduire jusqu'à l'autre bout de la ville ; le train y va déjà. Contentez-vous de faire les derniers pâtés de maisons. » Cela a réduit le chevauchement inutile de 38 % et a atténué la congestion routière.
Stratégie 2 : Devenir des connecteurs du « Dernier kilomètre » (Le plan « Navette »)
- Le Problème : La ville construit bientôt de nouvelles lignes de métro. Actuellement, 112 itinéraires de bus se trouvent sur le passage de ces nouvelles lignes mais ne sont pas configurés pour aider.
- La Solution : Transformer ces bus en services de « navette ». Au lieu de longs trajets lents, en faire des navettes courtes et fréquentes qui ramassent les gens près de chez eux et les déposent aux nouvelles stations de métro. Cela aide 340 000 résidents qui ne peuvent actuellement pas accéder facilement aux nouveaux trains.
Stratégie 3 : Aider les villages oubliés (Le plan « Rural »)
- Le Problème : Dans la campagne, les bus étaient rares, ce qui rendait les déplacements difficiles pour les personnes âgées.
- La Solution : Prendre les ressources des itinéraires confus et les donner à ces zones rurales. En faisant circuler les bus plus souvent (toutes les 15 minutes au lieu de 30), ils ont amélioré l'équité pour les personnes âgées. Ils ont estimé que cela ramènerait 15 % de personnes supplémentaires dans les bus.

L'essentiel

L'article conclut qu'en utilisant les données pour arrêter de deviner, les villes peuvent cesser de gaspiller de l'argent dans des bus qui ne mènent nulle part et commencer à mettre ces ressources là où elles sont réellement nécessaires.

Le Résultat : Un système de bus plus propre, plus équitable et plus efficace où les « Vedettes » font bouger la ville, le « Filet de sécurité » protège les plus vulnérables, les « Aides au train » font les connexions, et les « Chefs confus » reçoivent enfin un emploi clair ou prennent leur retraite.

Les auteurs admettent qu'il s'agit d'un instantané dans le temps (basé sur des données de fin 2023) et qu'ils ont seulement testé cette méthode à Guangzhou, mais la méthode utilisée est comme une recette universelle que d'autres villes pourraient essayer pour concocter un meilleur système de bus pour elles-mêmes.

Résumé Technique : Analyse de la classification et de l'optimisation des réseaux de transport basées sur une évaluation exhaustive du réseau de transport public – Étude de cas de Guangzhou

Énoncé du problème
Les réseaux de bus urbains dans les mégapoles sont confrontés à une triple problématique : la baisse de la fréquentation, les inefficacités structurelles et l'iniquité spatiale. Les cadres d'évaluation existants traitent souvent la rationalité topologique, la diversité des fonctions de service et l'équité sociale de manière isolée. De plus, il existe un manque de stratégies d'optimisation quantifiables spécifiquement adaptées aux itinéraires de bus « fonctionnellement ambigus » — ceux qui manquent d'un objectif opérationnel clair tout en consommant des ressources réseau importantes. Cette étude répond à ces lacunes en proposant un cadre d'évaluation et d'optimisation intégré appliqué à Guangzhou, en Chine, où la fréquentation des bus a chuté de 52 % par rapport aux niveaux pré-pandémiques, et où la fréquentation suburbaine par kilomètre reste critiquement basse.

Méthodologie
L'étude emploie une approche méthodologique en trois phases :

Évaluation topologique : Un système à six indicateurs évalue la rationalité structurelle du réseau. Les indicateurs incluent la densité du réseau ( $P_1$ ), le taux de couverture ( $P_2$ ), la couverture des arrêts ( $P_3$ ), la longueur des itinéraires ( $P_4$ ), le coefficient de répétition ( $P_5$ ) et le coefficient de non-linéarité ( $P_6$ ). Ceux-ci sont comparés à des normes telles que le rapport TCRP 165 et les spécifications techniques chinoises pour la planification du trafic routier urbain.
Classification fonctionnelle via l'apprentissage automatique : Un pipeline à deux étapes classifie 3 214 itinéraires de bus sur la base de cinq indicateurs fonctionnels : l'indice d'offre, la couverture de la population, le coefficient de Gini (équité), le flux de passagers et le coefficient de chevauchement avec le métro.
- Étape 1 (Non supervisée) : Le partitionnement K-means détermine le nombre optimal de types fonctionnels, identifiant $k=4$ via la méthode du coude (elbow method).
- Étape 2 (Validation supervisée) : Un classificateur de type Forêt Aléatoire (Random Forest) valide les clusters, atteignant une précision de validation croisée de 92,3 %. L'analyse de l'importance des caractéristiques souligne le chevauchement avec le métro et le flux de passagers comme principaux discriminateurs.
Optimisation bi-objectif : Pour les itinéraires identifiés comme « fonctionnellement ambigus », un modèle d'optimisation multi-objectif est formulé à l'aide de l'algorithme NSGA-II. Le modèle minimise simultanément la redondance (pénalité de chevauchement) et maximise l'amélioration de l'équité (réduction du coefficient de Gini), sous réserve de contraintes sur la linéarité des itinéraires, l'intervalle entre les passages (headway) et la réduction de la longueur totale du réseau.

Contributions clés
L'article apporte quatre contributions spécifiques au domaine de la planification des transports publics :

Cadre intégré : Développement d'un nouveau système d'indices d'évaluation « structure–fonction–équité » qui unifie les métriques topologiques avec les métriques fonctionnelles et de justice distributive.
Classification par apprentissage automatique : Un cadre d'apprentissage automatique validé qui catégorise les itinéraires de bus en quatre types de service distincts, permettant une optimisation ciblée plutôt qu'une approche uniforme.
Diagnostic empirique : Une analyse complète du réseau de Guangzhou révélant de graves déficiences structurelles, notamment un coefficient de répétition à l'échelle du réseau de 4,9 (dépassant largement la recommandation de 2,5) et une prévalence de 27 % d'itinéraires fonctionnellement ambigus.
Optimisation actionnable : Un modèle bi-objectif générant des stratégies concrètes pour les itinéraires ambigus, passant du diagnostic théorique à des interventions spécifiques et quantifiables.

Résultats
L'application du cadre au réseau de Guangzhou (3 214 itinéraires, 6 968 arrêts, 54 000 km) a produit les résultats suivants :

Inefficiences topologiques : Bien que la densité du réseau respecte les normes nationales, des disparités importantes existent. Les zones rurales comptent 59 % de la longueur du réseau mais seulement 17 % du flux de passagers (200 trajets/km/jour). La longueur moyenne des itinéraires (16,7 km) est plus du double de la distance moyenne réelle des trajets (7,5 km). La zone centrale présente un chevauchement extrême des itinéraires, avec un coefficient de répétition dépassant 10.
Classification fonctionnelle : Le partitionnement K-means a identifié quatre types d'itinéraires :
- Orientés vers la sécurité sociale (30,8 %) : Faible flux mais service équitable pour les groupes vulnérables.
- Orientés vers le bénéfice (6,1 %) : Flux élevé (45,6 % du flux total) mais forte iniquité, concentré dans le noyau central.
- Intégrés au métro (36,4 %) : Fort chevauchement avec les lignes de métro, servant de connecteurs de transfert.
- Fonctionnellement ambigus (27,0 %) : Faible offre, faible flux et chevauchement modéré, représentant la cible principale d'optimisation.
Stratégies d'optimisation : Le modèle NSGA-II a produit trois stratégies actionnables pour les 868 itinéraires ambigus :
1. Raccourcissement des itinéraires à fort chevauchement : Réduction de 17 itinéraires présentant un chevauchement avec le métro supérieur à 50 % d'une moyenne de 4,2 km, diminuant la pénalité de chevauchement de 38 % et la pression estimée sur le trafic terrestre de 12 %.
2. Conversion en service de desserte (Feeder) : Conversion de 112 itinéraires prévus pour chevaucher les extensions de métro planifiées (lignes 10, 11, 12) en services de desserte à haute fréquence, améliorant la connectivité du dernier kilomètre pour 340 000 résidents.
3. Réallocation rurale : Augmentation de la fréquence et introduction de zones de transport à la demande pour 22 itinéraires ruraux, réduisant le coefficient de Gini pour les personnes âgées de 0,42 à 0,35 et projetant une augmentation de 15 % de la fréquentation.

Signification et limites
L'article affirme que ce cadre fournit aux planificateurs de transport une approche transférable et basée sur les données pour diagnostiquer les inefficacités du réseau et concevoir des interventions respectueuses de l'équité. Il démontre que l'apprentissage automatique peut identifier efficacement les itinéraires manquant d'objectifs opérationnels clairs, permettant une réallocation des ressources qui équilibre l'efficacité et l'équité sociale.

Cependant, les auteurs reconnaissent modestement plusieurs limites :

Temporalité des données : L'analyse repose sur les données de cartes IC d'octobre 2023 ; les comportements de voyage post-pandémie pourraient ne pas être stationnaires.
Hypothèse d'équité statique : Le coefficient de Gini est calculé à l'aide de grilles de population statiques, ne parvenant pas à capturer les variations temporelles de l'équité (ex: encombrement en heures de pointe vs heures creuses).
Validation sur une seule ville : Le modèle de classification a été entraîné et validé uniquement sur les données de Guangzhou ; sa transférabilité à d'autres mégapoles ayant des formes urbaines différentes nécessite des tests supplémentaires.

Les travaux futurs proposés par les auteurs incluent l'incorporation de données en temps réel pour une évaluation dynamique, le développement de cadres d'apprentissage par transfert inter-villes, et l'intégration du modèle d'optimisation dans des plateformes de jumeaux numériques pour une analyse de scénarios interactive.

1. Le diagnostic : Mesurer la santé de la cuisine

2. Trier les bus : Les « Quatre types de chefs »

3. La solution : Un plan en trois parties

L'essentiel

Articles similaires