Groupe2
Étude de flux de déplacements de personnes dans un espace
Introduction et intérêt de la recherche
N'avez-vous jamais traversé un espace public ou une station de transports publics à l'heure de pointe alors que vous aviez au plus deux minutes
pour prendre votre prochaine correspondance ?
Si cela vous arrive fréquemment, jetez-donc un coup d'oeil à notre étude !
Notre travail de simulation de situations à l'aide de la modélisation basée-agents a en effet pour sujet l'étude des flux de déplacements de personnes
dans un espace fermé.
Qu'il s'agisse d'une gare, d'une boite de nuit ou encore d'un couloir d'université, nous sommes menés à nous déplacer souvent dans un espace limité traversé
par d'autres individus tels que nous.
La traversée est-elle toujours satisfaisante ? Sommes nous totalement libre de nos mouvements ou sublissons-nous par instant la foule qui nous entoure et nous entraîne ?
Risquons-nous de rentrer en collision avec un autre kidam qui se précipite dans le sens inverse ? Quelle est notre liberté de déplacement dans de telles situations ?
Notre volonté de mouvement est-elle limitée par le flux humain ?
C'est à ces questions à l'échelle de l'individu participant à "l'expérience" que nous voulons répondre.
De plus, quels enseignements pouvons-nous tirer à une échelle d'ensemble ? Y décèle-t-on une configuration spaciale s'installant dans le temps afin d'optimiser le déplacement des individus ? Le chaos généralisé est-il inéluctable et mène-t-il à la congestion totale de l'espace ? La capacité d'action des individus peut-elle influencer le mouvement instauré ? En situation d'urgence, les flux sont-ils capables de réagir de manière appropriée ? Une instance suprême doit-elle impérativement agir sur leur comportement ?
Nous allons tenter de clarifier la situation par l'indermédiaire de simulations informatiques dites "basées-agents".
C'est cela que nous allons exposer principalement dans les lignes suivantes.
Nous allons présenter le modèle élaboré, ses divers paramètres, son mode de fonctionnement, les résultats que nous en tirons et ce que nous en déduisons
vis-à-vis des interrogrations initiales.
Effectivement, le dernier point abordera le rapport avec le mode physique: y a-t-il une corélation avec la pratique observée ?
Quelles mesures adopter en connaissance de cause ?
Résumé
- Nous étudions la rencontre et l'interaction de deux flux de sens opposé dans un espace délimité
- Divers paramètres influencent l'espace et le déplacement: les dimensions de l'espace, les obstacles dans l'espace, la capacité des individus à trouver la sortie et leur capacité d'esquive des obstacles et individus venant en face
- Nous étudions dans le temps et selon les diverses configurations spaciales et comportementales les aspects que prennent les flux de déplacements
- Nous cherchons un optimum pour chaque configuration
- Nous comparons et cherchons des analogies avec les résultats observés dans la réalité
Objectifs et hypothèses
Nos objectifs avec ce projet sont:
- déterminer l'aspect des flux de déplacement selon des configurations spaciales et de comportement des individus données
- déterminer si les configurations adoptées sont satisfaisantes et si elles peuvent être améliorées
Nos hypothèses en rapport à ce projet sont:
- Plus un espace est occupé par des individus appartement à des flux de courants contraires, moins le déplacement et la traversées de l'espaces sont aisés
- Plus les individus adoptent un comportement "chacun pour soi", plus la difficulté de déplacement augmente.
- Inversément, plus les individus sont disposés à s'organiser dans l'espace et suivre les individus du même flux, plus la mobilité est aisée
- Plus l'espace est chargé d'obstacles, plus le temps de parcours augmente par cause de détours fréquents.
Méthodes et procédures
Développement du programme
Avant de procéder à la description de l'évolution générale du modèles, quelques éléments de clarification du language du modèle basée-agents via NetLogo.
Un modèle est charactérisé par plusieurs éléments d'interaction avec l'utilisateur: une partie graphique que nous allons développer de suite, une série d'options
et paramètres que nous pouvons faire varier (input),
une série de graphes ou de sorties de données qui permettent d'extraire de l'information (output). Un modèle fonctionne sur l'injection des paramètres intiaux,
de l'opération des diverses fonctions, de la mémoire des paramètres transformées et affichage des résultats s'ils sont d'ordre graphique.
L'exécution des fonctions se fait par itérations successives, tel le temps qui avance. Ainsi, nous pouvons déterminer si une situation a un charactère chaotique
dans le temps ou si elle tend à se stabiliser. Les éléments d'ordre graphique consistent dans le cas de NetLogo d'un système de coordonnées assimilé à un grille
que nous appelons "espace", ainsi que des graphes qui explicitent les données.
Un modèle basé-agents est caractérisé par sa représentation graphique à deux types d'éléments principaux: les patches,
que nous appelons cellules et les turtles, que nous appelons agents ou individus dans notre modèle.
Dans notre cas, les cellules ont différents états. Les cellules noires sont des éléments pleins hors de l'espace délimité, ce sont des obstacles.
Les cellules jaunes ou vertes sont les portes d'entrée et de sortie des agents. Les cellules dont la couleur est un gradient du violet ou du bleu ciel
sont les marques imaginaires laissées par le passage des agents.
De même, il y a deux sortes d'agents: ceux rouges qui se déplacent de gauche à droite, de l'entrée verte à la sortie jaune;
les agents bleus prennent le chemin en sens inverse.
Voici les principales étapes d'élaboration de notre modèle:
Mise en place d'un modèle simple composé d'un couloir avec 2 entrées (et respectivement sorties) ainsi que la possibilité de placer des obstacles aléatoires.
Ajout d'agents représentants des humains qui vont parcourir le couloir d'un côté à l'autre. Ces agents meurent lorsqu'ils arrivent à la sortie.
Implémentation d'un mécanisme de détection des obstacles et des autres agents arrivant en face afin de faire une esquive.
Ajout d'un système d'orientation en direction de la sortie.
Système de mémoire du sol par-rapport au nombre d'agents passant par une cellule donnée.
Méthode de calcul du temps de parcours pour traverser l'espace et mesure de la concentration des cellules colorées.
En l'état, de nombreux paramètres initiaux permettent le fonctionnement du modèle.
Certains concernent l'espace en question, ses dimensions, les obstacles qui l'occupent (dont une fonction pour dessiner ou enlever des obstacles).
D'autres caractérisent les flux de personnes qui traversent l'espace: le nombre d'individus entrant, la capacité des agents à s'orienter
vers la sortie et leur tolérance à des manoeuvres d'évitement des autres individus ou des obstacles.
En sortie, les données obtenues sont de diverses natures. Il s'agit du nombre instantané d'agents présents, des cellules colorées, du temps de parcours et de la répartition des cellules colorées sur l'ensemble de l'espace (quantifiée par une valeur de concentration).
Le modèle actuel est constitué d'une routine de fonctionnement qui peut être synthétisée comme tel:
Notons que des systèmes d'extraction de données (ici représentés par les parallèlogrammes calculate) permettent
le relevé instantané des valeurs telles que le nombre d'agents présents dans l'espace, le temps de parcours moyen pour traverser cet espace et la répartition
des cellules colorées dans l'espace.
En ce qui concerne cette dernière donnée, elle retourne une valeur proche de 4 si la distribution des deux couleurs est caractérisée par une faible séparation et
concentration,
(une cellule aura 4 voisins de la même couleur qu'elle, 4 d'une autre), au contraire elle retourne 8 si les deux couleurs sont clairement distinctes et concentrée
vers des pôles(une cellule aura 8 voisins de la même couleur qu'elle).
Ceci peut être illustré comme suivant:
Description des jeux de paramètres
Afin de comprendre davantage l'ensemble des paramètres insérés dans le modèle et l'interaction de l'un à l'autre, voici une description sommaire du parcours
d'un agent dans l'espace:
- L'utilisateur définit la configuration spaciale initiale: la largeur du couloir, la présence d'obstacles ou non, la position de ces obstacles grâce à une fonction de dessin sur l'espace.
- L'utilisateur définit les paramètres relatifs aux agents: la quantité d'agents d'une couleur donnée pouvant apparaitre aux entrées, la capacité des agents à s'orienter vers la sortie et leur capacité d'esquive par la droite d'un agent venant en sens inverse.
- Le programme est initialisé et la routine débute.
- Successivement, des agents apparaissent sur les entrées correspondantes: des agents rouges sur le vert et des agents bleu sur le jaune.
- Les premiers agents ayant le passage relativement libre, ils se dirigent tout droit vers la sortie. Ils marquent leur passage au sol en déposant une teinte légère de la couleur attribuée.
- S'ils rencontrent un obstacle (mur de bord ou colonne au milieu de l'espace) ou encore un agent venant en sens inverse, ils font une manoeuvre d'esquive définie par le paramètre en relation.
Interface et légende des symboles utilisés
Pour mieux comprendre les éléments dont nous avons parlé auparavant, une petite illustration s'impose:
Aussi, voici une légende des principaux symboles utilisés pour le modèle:
Résultats
Nous avons procédé à deux méthodes d'obtention de résultats :
- les résultats graphiques obtenus par les divers jeux de paramètres qui se présentent sous la forme de marques de couleurs au sol
- les résultats statistiques obtenus par un nombre important (20 la plupart du temps) de simulations du programme via l'outil nommé "Behaviour space" pour lesquelles les paramètres variaient
Résultats graphiques
Obtenus par des captures du modèle, nous pouvons déjà commenter les résultats et en déduire quelques points importants.
Voici une synthèse des différents résultats graphiques que l'on peut obtenir:
À noter que pour cette partie-ci, nous n'avons volontairement pas ajoutés d'obstacles dans l'espace.
Que peut-on en déduire ?
On remarque d'abord qu'il y a deux familles de répartitions des flux:
- les répartitions chaotiques, où malgré un nombre d'itérations élevé les flux ne trouvent pas un équilibre et les agents poursuivent un déplacement aléatoire et non ordonné. Ceci est issu du paramètre de comportement des agents nommé "urge to turn right" qui régit les rencontres entre agents. Ici sa valeur est nulle, il n'y a donc pas de règle définie pour les croisements.
- les répartitions ordonnées ou en voie de l'être à plus long terme, caractérisées par des bandes horizontales. En effet, le paramètre "urge to turn right" étant suppérieur à 5, les agents de même couleur prennent peu à peu des chemins identiques. Le nombre de bandes parallèles dépend de la largeur de l'espace, du paramètre de déviation par la droite et du nombre d'agents présents dans l'espace.
Les données avec lesquelles nous avons fait varier le jeu de paramètres sont: la valeur de répartition et le temps de parcours. Les paramètres d'entrée sont la largeur du couloir et le comportement des agents (orientation vers la sortie et tendance à esquiver par la droite). Le nombre d'agents dans chaque flux respectif est définit comme constant.
Les courbes ici représentées sont lissées afin d'illustrer les tendances et non l'ensemble des résultats obtenus par les nombreuses simulations. Ce sont donc des moyennes indicatives et non des résultats absolus (pour ces derniers, se référer aux tables Excel).
Que peut-on en déduire ?
- Le premier graphique illustre bien l'hypothèse selon laquelle des flux organisés, à savoir qui ont une tendance d'esquive semblable prise en considération, requièrent moins de temps pour traverser l'espace que des flux pour lesquelles les rencontres découlent d'esquives aléatoires. Notons aussi que ce paramètre est important pour des espaces étroits et qu'il est négligeable pour un espace très large. Le second nous confirme la corélation forte entre la largeur de l'espace et la tendance à tourner à droite: l'influence de ce dernier paramètre est décisif pour des espaces étroits, beaucoup moins pour de larges espaces.
- Les deux derniers graphiques traitent de la valeur de répartition des flux. Celle-ci confirme les tendances observées auparavent par les captures du modèle: dans un espace étroit où la tendance à esquiver par la droite est forte, il se formera deux bandes parallèles, une pour chaque flux. Dans un espace large, la répartition est divisée en plusieurs bandes, malgré une tendance à esquiver par la droite très forte.
Il semblerait donc que la tendance à tourner à droite ait davantage d'influence sur l'efficacité du déplacement en permettant des flux en bandes que la largeur de l'espace qui laisse plus de placee mais qui permet à plusieurs bandes de même couleur de se former parallèlement.
Une autre représentation des résultats obtenus présentant ici l'action cumulée de la tendance à tourner à droite et de l'orientation vers la sortie où nous pouvons repérer le maximum et le minimum.
Contrairement à ce à quoi nous nous attendions, la combinaison des deux paramètres à leur maximum n'aboutit par à une valeur de répartition des flux maximale. C'est donc une valeur pondérée qui permet une valeur de répartition la plus élevée.
Discussion et conclusion
Discussion des résultats
Les résultats obtenus dans la partie précédente confirment en partie nos hypothèses initiales selon lesquelles les déplacement dans un espace par deux flux de sens opposés sont plus efficaces si des règles agissant sur le comportement des individus sont mis en place
Mais c'est principalement l'action cumulée de ces règles, à savoir la tendance d'esquive par la droite des agents venant en sens inverse et l'orientation des agents vers la sortie, qui permet d'avoir une répartition des flux optimale et un temps de parcours réduit.
À noter que l'ensemble des paramètres influence grandement les résultats dans une configuration spaciale étroite. Au contraire, plus l'espace est large, moins ces points sont décisifs et leur influence réduite.
Conclusion des résultats obtenus
Premièrement, nous pouvons revenir sur nos hypothèses de départ:
- Plus un espace est saturé d'agents des deux flux, moins de déplacement est aisé. C'est ce que nous avons pu remarquer en faisant varier les paramètres du nombre d'agents par flux et de la largeur du couloir. Cela est d'autant plus vrai lorsque le nombre d'agent d'un flux est proche du nombre d'agents de l'autre flux. Si un flux est dominant, l'autre est subordonné; les confrontations sont moins nombreuses et le temps de parcours en est diminué.
- Plus les agents adoptent un comportement organisé, ici charactérisé par la tendance d'esquive par la droite, plus les flux se séparent clairement et plus le déplacement est facilité. Nous avons vu aussi que l'orientation vers la sortie est un paramètre à pondérer. En effet, celui-ci dictant de s'orienter vers la sortie après chaque déplacement, il bride en partie la capacité des agents à former deux flux bien distincts. C'est donc un paramètre important mais où la valeur optimale n'est pas celle maximale mais définie par l'ensemble des autres paramètres.
- Les obstacles influences grandement le temps de parcours des agents. Cela est particulièrement vrai dans notre modèle où le comportement des agents n'est pas idéal à l'apporche d'obstacles. Il serait en effet nécessaire d'améliorer ce point, les agents de notre modèle n'ayant actuellement pas un comportement réel ou proche de l'humain.
Deuxièmement, nous pouvons s'interroger sur la pertinence des résultats obtenus. En effet, notre modèle est viable mais peu représentatif de la réalité. Le comportement homogène des agents, parfois biaisé par une approche mathématique et non humaine, le manque de relations et de communication entre eux confirme le status de modèle. Afin de s'approcher davantage des interractions réelles d'une telle situation, il faudrait prendre en compte un nombre conséquent d'autres paramètres. Ceux-ci seraient d'ordre spacial et physique, permettant de caractériser concrètement l'espace considéré, et d'ordre humain, caractérisant les interractions entre agents de manière individualisées et non générique.
Ainsi, nos objectifs sont-il remplis ?
Nous pouvons affirmer que nous avons déterminer l'aspect des flux de déplacement selon des configurations spaciales et de comportement des individus données, comme souhaité, dans les limites du modèle actuel.
Nous avons aussi pu observer l'importance des règles régissant le comportement des agents dans des espaces étroit afin d'optimiser le déplacement, comme la toute relative importance de celles-ci dans un espace plus vaste.
Prologements de l'étude
Comme mentionné ci-dessus, le modèle en l'état fait fi de nombreux paramètres qui régissent les interractions entre individus dans une situation réelle. Il faudrait par conséquent améliorer les procédures de déplacement en tenant compte de l'ensemble de ces paramètres supplémentaires.
On peut envisager des paramètres variables selon les agents, tels que la vitesse de déplacement, le groupement d'individus ou encore des files pour les agents allant dans la même direction, mécanisme nommé "flocking".
L'espace pourrait aussi être davantage charactérisé, comme l'intersection de deux couloirs. Les obstacles pourraient aussi prendre davantage d'importance et influencer plus fortement les déplacements.
Il serait alors intéressant de comparer les conclusions obtenues dans le cas du modèle actuel avec celles du modèle plus repésentatif de la réalité. Nous pourrions ainsi savoir si les paramètres choisis pour le modèle actuel sont les plus déterminants.
Un second prologement pertinent consiste à comparer notre modèle et les résulats obtenus avec des recherches parallèles qui portent sur des sujets semblables. Que ce soit d'autres modèles basés-agents ou des études de cas réels, la comparaison des résulats et de la pertinence de la modélisation entreprise seraient crutiales.
Une piste intéressante est menée au Laboratoire de transport et moblitié de l'EPFL grâce aux recherches et travaux de Antonin Danalet et Flurin Hanseler.
Voici un document traitant précisément des flux de piétons dans une gare: Analysis and modeling of pedestrian flows in railway stations.
Conclusion sur l'étude et la recherche dans le cadre de la semaine ENAC
Malgré un aboutissement relatif de notre modèle et de notre étude, notamment par l'ampleur du sujet abordé et la nécessiter d'aprofondir nos connaissances dans les modèles basés-agents ainsi que leur transcription via NetLogo, nous sommes heureux d'avoir apris un tel outil qui nous influencera certainement dans nos prochains projets.
Aussi, l'utilisation de l'approche "bottom-up" nous a donnée l'occasion de découvrir une façon de penser inhabituelle. Bien que peu évidente, cette approche mérite davantage d'intérêt et nous semble tout à fait valable pour l'analyse d'une situation telle que celle étudiée ici. De plus, nous sommes persuadés qu'une approche de ce type combinée à une approche classique permettrait de saisir l'ensemble des enjeux d'un problème.
Concernant la semaine ENAC, nous avons été ravis de travailler en groupe d'étudiants de sections diverses. Malgré nos idées parfois divergentes, ce fut une bonne expérience et nous a donné un aperçu de la vie professionnelle future où des personnes spécialisés dans différents domaines s'entraident pour atteindre le même but.
Nous voulons remercier Thomas Favre-Bulle, André Ourednik et les assistants pour nous avoir encadré et aidé avec patience tout au long de notre projet.
Pour finir, nous sommes ravis de cette semaine très intense et sommes contents de pouvoir détacher nos yeux des ordinateurs!
