L'impératif croissant pour la modélisation urbaine intégrée

Les zones urbaines du monde entier sont soumises à une pression croissante pour réduire les émissions de carbone tout en maintenant la mobilité et la vitalité économique. Le secteur des transports à lui seul représente environ le quart des émissions mondiales liées à l'énergie [2, le trafic routier représentant la plus grande part.

Les modèles intégrés de consommation de trafic et d'énergie fournissent une vision unifiée. Plutôt que de traiter les transports et l'énergie comme des domaines distincts, ces modèles permettent de saisir les boucles de rétroaction dynamiques entre le mouvement des véhicules, les tendances de congestion, la consommation de carburant ou d'électricité et l'empreinte environnementale qui en résulte.

Les villes investissent massivement dans les infrastructures de recharge des véhicules électriques, les systèmes de transport intelligents et les zones à faible émission. Sans modélisation intégrée, ces investissements risquent de fausser l'alignement et la circulation; par exemple, déployer des bornes de recharge dans des endroits où le trafic est minimal ou mettre en place des systèmes de tarification de la congestion qui transfèrent les émissions par inadvertance vers les corridors voisins.

Pourquoi les chutes de modélisation séparées traditionnelles sont-elles courtes

Pendant des décennies, les planificateurs de transport et les analystes énergétiques ont travaillé dans des mondes parallèles. Les ingénieurs du trafic ont concentré leurs efforts sur l'optimisation du débit des véhicules, la réduction de la congestion et l'amélioration de la sécurité.

Cette séparation a produit plusieurs lacunes bien documentées.Les projets d'atténuation de la congestion, comme l'ajout de voies routières, ont souvent réussi à réduire les temps de déplacement, mais n'ont pas tenu compte de la demande induite et de la consommation de véhicules; le phénomène où l'amélioration de la capacité routière attire des véhicules supplémentaires, ce qui a permis d'augmenter la consommation totale de carburant et les émissions.

Une étude du Laboratoire national des énergies renouvelables a révélé que l'absence de couplage entre le flux de trafic et la consommation d'énergie a entraîné des erreurs dans les économies de carburant projetées de 15 à 30 pour cent dans certains corridors urbains. Ces erreurs se traduisent directement par des budgets mal répartis, des objectifs d'émissions manqués et des infrastructures qui ne fonctionnent pas comme prévu.

Lorsque le volume de trafic augmente, les vitesses moyennes diminuent, l'efficacité énergétique diminue et les émissions augmentent et le débit de carburant augmente; mais l'ampleur de ces effets dépend de la combinaison des véhicules, de la géométrie de la route, du calendrier des signaux et du comportement du conducteur. Seul un modèle couplé peut saisir cette complexité avec la fidélité nécessaire pour la prise de décisions de niveau investissement.

Composantes essentielles des modèles intégrés d'énergie de trafic

Modèles de flux de circulation

Les modèles de flux de circulation forment la base de tout système intégré. Ces modèles simulent le mouvement des véhicules à travers les réseaux routiers en combinant des approches macroscopiques, mésoscopiques et microscopiques. Les modèles macroscopiques traitent le trafic comme un flux continu, en appliquant des principes de dynamique des fluides pour prédire les profils de congestion et les vitesses moyennes dans les principaux corridors.

Les modèles de trafic les plus modernes intègrent de plus en plus des données en temps réel provenant de détecteurs de boucles, de sondes GPS et de systèmes de véhicules connectés. Ces données se nourrissent d'algorithmes dynamiques d'attribution du trafic qui prédisent comment les conducteurs réagiront aux changements de conditions, y compris le détournement de route pendant la congestion ou en réponse à des signaux de message variables.

Les principaux paramètres qui relient les modèles de circulation aux modèles énergétiques comprennent la distribution moyenne de la vitesse, les événements d'accélération-décelération (qui ont un impact sur l'utilisation du carburant), les temps d'arrêt des véhicules aux intersections et la proportion de véhicules lourds dans le trafic.

Modèles de consommation d'énergie

Les modèles de consommation d'énergie convertissent les sorties des modèles de trafic en estimations de l'utilisation de combustibles ou d'électricité. Les approches les plus utilisées se répartissent en deux catégories : les modèles agrégés basés sur les facteurs de vitesse et d'émission moyens et les modèles modaux qui tiennent compte des conditions d'exploitation instantanées.

Les modèles agrégés, comme ceux utilisés dans la planification des transports régionaux, appliquent des coefficients d'émission moyens aux kilomètres parcourus, souvent stratifiés par type de véhicule et par vitesse. Ces modèles sont efficaces par calcul et adaptés à une analyse politique globale, mais ils ne tiennent pas compte des effets non linéaires de la congestion, de la conduite en arrêt et en marche et de l'accélération agressive.

Les modèles modaux, en revanche, estiment la consommation d'énergie à haute résolution temporelle en utilisant des données de vitesse et d'accélération de seconde à seconde. Les modèles EPA's MOVES (Motor Vehicle Emission Simulator) et la Commission européenne's COPERT représentent des exemples importants.Ces modèles appliquent des équations de demande de puissance qui tiennent compte de la masse du véhicule, de la traînée aérodynamique, de la résistance au roulement et des charges accessoires.

Pour la planification stratégique à l'échelle de la ville, les modèles d'agrégat peuvent fournir une précision suffisante avec des exigences de données gérables. Pour l'évaluation de projet au niveau du corridor ou l'analyse des points chauds d'émissions, les modèles d'agrégat sont fortement privilégiés.

Modèles d'impact environnemental

Les modèles d'impact environnemental permettent de combler l'écart entre la consommation d'énergie et les résultats de la pollution réelle.Ces modèles convertissent les estimations de consommation de carburant en quantités de gaz à effet de serre (CO[2, CH[4, N2O) et de polluants atmosphériques (NOx, PM2,5, CO, composés organiques volatils) en utilisant des facteurs d'émission propres aux combustibles.

Les modèles environnementaux avancés intègrent des calculs de dispersion pour estimer les concentrations de polluants ambiants au niveau du sol. Cette capacité est essentielle pour évaluer les impacts sur la santé des interventions de la circulation, car l'exposition à la pollution atmosphérique liée à la circulation varie considérablement d'un quartier à l'autre et dans les rues individuelles.

L'intégration des modèles d'impact environnemental aux modèles de trafic et d'énergie crée un outil complet d'aide à la décision. Un seul cycle de simulation peut prédire comment un investissement en transit ou un changement d'affectation des terres pourrait influer sur le flux de trafic, la consommation d'énergie, les émissions de gaz à effet de serre, la qualité de l'air local et l'exposition de la population et l'exposition à la pollution; ce qui permettra aux planificateurs d'évaluer simultanément les compromis entre plusieurs dimensions de la durabilité.

Avantages mesurables de l'approche intégrée

Amélioration de l'exactitude des prévisions de la demande d'énergie

Une étude de 2023 publiée dans la partie D de la Recherche sur les transports a comparé les prévisions intégrées et indépendantes pour une ville européenne de taille moyenne et a constaté que le modèle intégré a réduit l'erreur de prédiction absolue moyenne de 22 % pour la consommation d'essence et de 18 % pour la demande d'électricité des véhicules électriques. L'amélioration a été la plus marquée pendant les périodes de pointe, lorsque les effets de congestion sont les plus forts et que les modèles distincts errent le plus sévèrement.

Cette amélioration de la précision a des incidences financières directes.Les entreprises de services publics utilisent les prévisions de la demande d'énergie pour planifier la capacité de production, les mises à niveau du réseau et les structures tarifaires.La surestimation de la demande entraîne des actifs échoués et des coûts de consommation plus élevés.

Identification ciblée des zones d'intervention à haut impact

L'une des applications les plus puissantes des modèles intégrés est l'analyse spatiale. En superposant l'intensité du trafic, la consommation d'énergie par mille et les émissions sur une carte de la ville, les planificateurs peuvent identifier les corridors où les interventions ciblées produisent le plus grand rendement environnemental.

Par exemple, un modèle intégré appliqué à un corridor artériel majeur à Barcelone a révélé que la synchronisation des signaux de circulation le long d'un tronçon de trois kilomètres réduisait la consommation moyenne d'énergie en voyage de 14 pour cent, les économies les plus importantes étant concentrées à cinq intersections spécifiques.

Conception de la politique de transport durable

Les modèles intégrés permettent de concevoir des politiques fondées sur des données probantes dans un large éventail d'interventions. Zones à faible émission, tarification de la congestion, gestion du stationnement, voies prioritaires de transit et réduction de la vitesse, tout cela affecte le comportement du trafic et la consommation d'énergie de manière complexe.

La tarification des congestions fournit un exemple éloquent. La redevance de congestion de Londres et du 39; a été introduite en 2003, a réduit les volumes de trafic d'environ 15 pour cent et a réduit les émissions de CO[2[ d'environ 20 pour cent. Toutefois, les modèles initiaux qui tenaient compte du flux de trafic isolé n'ont pas permis de prédire l'ampleur du détournement vers les routes périphériques, où la congestion et les émissions ont réellement augmenté.

Une résilience urbaine accrue

Les villes sont de plus en plus confrontées à des perturbations causées par des phénomènes météorologiques extrêmes, des défaillances des infrastructures et des urgences en matière de santé publique.Les modèles intégrés d'énergie routière soutiennent la planification de la résilience en simulant la façon dont le système urbain réagit aux chocs.

Pendant la pandémie de COVID-19, plusieurs villes ont utilisé des modèles intégrés pour évaluer comment les tendances du télétravail et la réduction des émissions de carburant ont affecté la consommation d'énergie et les déplacements en transit. Les idées ont permis de définir des stratégies de réouverture progressive et des investissements dans des infrastructures de transport actives qui ont appuyé les objectifs de santé publique et de climat.

Intégration des données et défis techniques

Disponibilité et qualité des données

Les modèles de circulation nécessitent des comptages continus, des mesures de vitesse et des données de classification des véhicules sur l'ensemble du réseau routier. Les modèles énergétiques exigent des données sur la composition du parc de véhicules, des cotes d'économie de carburant et, pour les véhicules électriques, des profils de comportement de charge. Ces ensembles de données proviennent de différentes sources, à différentes résolutions spatiales et temporelles et avec différentes fréquences de mise à jour.

De nombreuses villes ne disposent pas d'infrastructures complètes de surveillance de la circulation, en particulier sur les routes mineures et dans les zones périurbaines. Même lorsque des données existent, les incohérences dans les méthodes de collecte et les normes de déclaration compliquent l'intégration.

Les données de la localisation des téléphones mobiles peuvent déduire les modèles d'origine-destination et les objectifs de voyage. Toutefois, ces ensembles de données soulèvent des préoccupations en matière de vie privée et peuvent introduire des biais d'échantillonnage. Les exploitants de parcs et les agences municipales doivent établir des cadres de gouvernance des données qui équilibrent la valeur analytique avec la protection de la vie privée, comme le souligne le Forum international des transports.

Complexité informatique

Les modèles intégrés qui fonctionnent à haute résolution spatiale et temporelle nécessitent des ressources informatiques substantielles. Une simulation de trafic microscopique couvrant une ville de taille moyenne pendant une seule journée peut impliquer des millions de mouvements individuels de véhicules, chaque générateur de vitesse et de données d'accélération à intervalles d'une seconde.

Les modélistes abordent les défis informatiques à travers plusieurs stratégies. L'informatique parallèle distribue les tâches de simulation sur plusieurs processeurs. Les techniques de réduction des modèles, comme le regroupement de segments de route similaires ou l'agrégation de périodes de temps avec une faible variabilité, réduisent la taille du problème tout en préservant la dynamique essentielle.

Collaboration interdisciplinaire

Les ingénieurs du trafic, les analystes énergétiques, les spécialistes de l'environnement, les spécialistes des données, les urbanistes et les analystes des politiques doivent travailler ensemble pour élaborer, valider et appliquer des modèles. Cette collaboration est souvent entravée par des différences de terminologie, de conventions de modélisation et de cultures professionnelles.

Des ateliers interdisciplinaires réguliers, des séances de formation conjointes et des détachements contribuent à la compréhension mutuelle. Certaines villes ont établi des unités de modélisation spécialisées qui combinent l'expertise de plusieurs ministères et favorisent les relations à long terme nécessaires pour soutenir des programmes de modélisation intégrée au-delà de projets individuels.

Les facteurs qui favorisent la technologie et les tendances émergentes

Données en temps réel et jumeaux numériques

La convergence des capteurs IoT, de la connectivité 5G et du calcul de bord permet des modèles intégrés en temps réel qui se mettent à jour en permanence avec des données réelles. Ces jumeaux numériques de systèmes de mobilité urbaine permettent aux opérateurs de surveiller les conditions actuelles, de détecter les anomalies et de tester les interventions dans une réplique virtuelle avant de les déployer dans le monde physique.

Les jumelles numériques sont particulièrement utiles pour les applications de gestion dynamique du trafic. Un opérateur peut simuler l'effet de l'ajustement du calendrier des signaux, de l'ouverture d'une voie gérée ou de la publication d'une recommandation de réacheminement, et voir des prévisions quasi immédiates des impacts de l'énergie et des émissions. La ville d'Helsinki a déployé un jumeau numérique de mobilité qui intègre les modèles de trafic, d'énergie et de qualité de l'air pour les décisions opérationnelles en temps réel.

Apprentissage automatique pour l'amélioration des modèles

Les techniques d'apprentissage automatique transforment la modélisation intégrée de plusieurs façons. Les modèles d'apprentissage approfondi peuvent apprendre les relations complexes non linéaires entre les variables de trafic et la consommation d'énergie directement à partir de données, contournant ainsi la nécessité de paramétrer physiquement de façon détaillée. Ces substituts basés sur les données atteignent une précision élevée tout en exécutant des ordres de grandeur plus rapidement que les modèles basés sur la physique, ce qui les rend adaptés pour des applications qui nécessitent de nombreuses simulations, telles que l'analyse de scénarios et l'optimisation.

L'étalonnage traditionnel ajuste les paramètres manuellement ou par une optimisation simple, qui prend du temps et peut ne pas saisir l'hétérogénéité spatiale. Les cadres automatisés d'apprentissage automatique peuvent calibrer les paramètres du modèle au niveau de la liaison ou du corridor en utilisant les comptages de trafic observés et les données énergétiques, produisant des modèles qui reflètent mieux les conditions locales.

Cependant, l'apprentissage automatique présente ses propres défis. Les modèles exigent de grandes quantités de données de formation de haute qualité qui captent toute la gamme des conditions d'exploitation. Ils peuvent extrapoler mal aux scénarios non représentés dans l'ensemble de formation, comme des interventions politiques sans précédent ou des événements extrêmes. Et leur nature de boîte noire peut rendre difficile d'expliquer les prédictions aux intervenants ou diagnostiquer des erreurs.

L'électrification et le paysage énergétique en évolution

L'adoption rapide des véhicules électriques introduit de nouvelles complexités et des possibilités de modélisation intégrée. La consommation d'énergie des véhicules électriques est très sensible aux conditions de conduite : le freinage régénératif récupère plus d'énergie en conduite urbaine en arrêt et en marche que sur les autoroutes, tandis que les charges CVC (chauffage et refroidissement) peuvent réduire la portée de 30 % ou plus en températures extrêmes.

Les propriétaires d'EV facturent généralement la nuit à la maison, aux lieux de travail pendant la journée ou aux bornes de recharge publiques dans les zones commerciales. La répartition spatiale de la demande de recharge dépend des destinations de voyage, de la disponibilité du stationnement et de l'emplacement du chargeur.

Avec la charge gérée, les services publics peuvent transférer la charge d'EV vers les périodes hors pointe, réduisant ainsi la pression sur le réseau et réduisant les coûts. Les systèmes d'EV permettent aux batteries d'évacuer l'électricité vers le réseau pendant la demande maximale, fournissant des services de réseau et des revenus aux propriétaires de véhicules.

Feuille de route pour la mise en œuvre

Renforcement des capacités institutionnelles

La première étape vers la modélisation intégrée consiste à renforcer la capacité institutionnelle, notamment à investir dans la formation du personnel, à créer des équipes interministérielles et à élaborer des ententes de partage de données entre les organismes de transport, d'énergie et d'environnement.

Les projets de modélisation intégrée sont souvent répartis entre les cloisons bureaucratiques traditionnelles, nécessitant coordination et compromis. Les champions supérieurs qui peuvent formuler la proposition de valeur, obtenir des ressources et tenir les organismes responsables de la collaboration augmentent considérablement les chances de succès.

En commençant par les cas d'utilisation à haute valeur

Au lieu d'essayer un modèle global à l'échelle de la ville dès le départ, les praticiens recommandent d'abord des cas d'utilisation ciblés qui offrent une valeur claire et une complexité gérable. L'analyse au niveau du corridor d'un artériel encombré, l'évaluation d'une zone à faible émission proposée ou l'évaluation des besoins en infrastructures de tarification des VE sont de bons candidats.

Chaque projet devrait définir des paramètres de succès et des critères de décision clairs dès le départ. Le modèle orientera-t-il une décision d'investissement spécifique, soutiendra-t-il un processus d'approbation réglementaire ou guidera-t-il l'engagement du public? L'approche de modélisation, le niveau de détail et les formats de sortie devraient-ils s'aligner sur ces utilisations prévues.

Intégrer les normes et outils ouverts

Le projet Open Traffic and Energy Model (OTEM) fournit, par exemple, des composants modulaires pour la simulation du trafic, le calcul de l'énergie et l'estimation des émissions qui peuvent être assemblés en flux de travail personnalisés, ce qui réduit les coûts de démarrage, permet de reproductibilité et facilite la collaboration entre les organisations.

Les normes ouvertes de données, telles que la spécification générale de transit (GTFS) et le langage de balisage du réseau routier (RNML), simplifient l'échange de données entre les modèles. L'adoption de ces normes dès le début d'un projet évite les transformations coûteuses de données et les conversions de formats qui consomment souvent la majorité des efforts de modélisation.

Conclusion

L'intégration des modèles de consommation de trafic et d'énergie n'est plus une aspiration théorique mais une nécessité pratique pour les villes engagées dans le développement durable. La puissance analytique de ces modèles couplés permet aux planificateurs de comprendre toutes les conséquences de leurs décisions, d'éviter les résultats non souhaités et de définir des interventions qui atteignent simultanément de multiples objectifs, de réduire la congestion, la consommation d'énergie, de réduire les émissions et d'améliorer la qualité de vie.

La voie de l'intégration passe par la résolution de véritables défis en matière de disponibilité des données, de complexité informatique et de coordination institutionnelle. Pourtant, les villes qui réalisent cet investissement réalisent déjà des dividendes dans des investissements en infrastructures mieux informés, des politiques plus efficaces et une plus grande résilience aux perturbations.