Publication picture

La simulation multi-agents : un outil d’évaluation des politiques de la transition énergétique dans les transports

Introduction

Pour faire face aux externalités négatives des transports (pollution de l’air, nuisances sonores, accidents, congestion, etc.) et adopter un modèle de transport plus respectueux de l’environnement, les autorités publiques de plusieurs grandes villes européennes ont décidé d’éliminer progressivement les voitures diesel et à essence dans les centres-villes. Par exemple, la municipalité de Paris a pour objectif d’éliminer les voitures diesel d’ici 2024 et les voitures à essence d’ici 2030 (De Wolf, 2018). Si l’alternative reste l’usage des véhicules électriques ou à hydrogène, quel serait le mécanisme optimal de déploiement des bornes de recharge dans un réseau à grande échelle ?

La simulation multi-agents est un moyen attractif d’aide à la décision, permettant d’apporter des éclairages utiles sur les politiques de réformes de la mobilité. Elle peut se faire à travers plusieurs outils dont SUMO, GAMA, VISSIM, MATSIM qui peuvent également servir de prédiction.

Explication du sujet

La simulation multi-agents consiste à reprendre de manière virtuelle, les habitudes de déplacements des individus de leur origine à leur destination suivant les heures de départ, les modes de transports choisis et les itinéraires suivis. Elle repose donc sur la mise en place d’un modèle élaboré à partir des données d’entrée constituées de l’offre de transport (réseau routier et ferroviaire, véhicules et trains, emplacement des bornes de recharge) et de la demande (déplacements origine et destination des individus). 

 

Les étapes de la simulation multi-agents (Horni et al, 2016)
Les étapes de la simulation multi-agents (Horni et al, 2016)

 

Chaque usager commence par choisir, pour chacun de ses déplacements, un mode de transport, un instant de départ et un itinéraire (demande initiale). En fonction de son choix, l’individu obtient une note qui reflète son degré de satisfaction. La note est positive quand l’individu est situé à l’origine ou à la destination (par exemple, rester à la maison, au travail, aux loisirs ou aux achats) et négative (pénalités) quand il est en déplacement (on cherche donc à réduire le temps de trajet pour augmenter la note). Au niveau de la boucle principale (Simulation-Notation-Replanification), chaque individu décide d’explorer d’autres alternatives afin d’améliorer sa note (Notation). Les alternatives consistent à trouver un meilleur itinéraire ou à changer de mode de déplacement ou d’heure de départ afin d’éviter les pénalités (retards, congestion, accidents, …).

Cette boucle est répétée tant que les usagers arrivent à améliorer significativement leur note (Replanification). Le programme s’arrête donc lorsqu’un équilibre de l’utilisateur est atteint, c’est-à-dire quand l’usager obtient la meilleure note possible pour son déplacement. Le modèle est alors calibré afin que l’équilibre obtenu corresponde à des flux réalistes permettant des analyses pertinentes (l’évaluation du niveau de la congestion, de l’application de péages, l’utilisation des transports collectifs, ...). Nous avons utilisé MATSim (un outil de simulation multi-agents adapté aux grands réseaux) pour la simulation du réseau Nord-Pas-de-Calais.

Lorsque cette étape s’achève, le modèle est calibré. On l’utilise alors pour explorer différents scénarios dont l’usage des véhicules électriques et à hydrogène.

Simulation du réseau multimodal du Nord-Pas-de-Calais

Simulation du réseau multimodal du Nord-Pas-de-Calais

 

Ainsi, à la fin d'une simulation complète, plusieurs indicateurs (les pourcentages d’utilisation des voitures et des transports collectifs, les distances totales parcourues par tous les usagers, la durée moyenne du trajet, la distance par mode de transport et par heure, la quantité d’énergie nécessaire pour la recharge, la sollicitation des bornes) permettent d'analyser les déplacements des agents. Ces analyses permettent d’évaluer les réformes de mobilité déployées. En effet, certains usagers réadapteront leur déplacement en changeant leur heure de départ ou leur itinéraire habituel, pour éviter la congestion surtout au niveau des bornes de recharge, tandis que d’autres, feront recours aux transports collectifs.

D’autres scenarios simulés permettent d’évaluer les réformes de la mobilité telles que (i) la mise en place de péages routiers urbains (De Lara et al., 2013), (ii) la mise en place de péages routiers à l’échelle régionale (Gentile et al., 2005), (iii) la réduction des tarifs des TER et (iv) la gratuité des transports urbains.

Les enjeux

Malgré la volonté politique de réduire des émissions de gaz polluants et d’évoluer vers une mobilité plus favorable à l’environnement, les emplacements actuels des bornes de recharges ne favorisent pas la transition vers les énergies propres. Il se pose alors un véritable enjeu d’un déploiement optimal et en nombre suffisant des bornes de recharge pour garantir leur disponibilité tout en assurant la fluidité du trafic.

Quel serait le comportement des usagers face aux mesures de réformes de la mobilité. Achèteraient-ils un véhicule électrique ou iraient-ils vers les trains

Avant que la transition ne soit effective, quelles mesures sont idéales pour réduire les externalités négatives des transports ?

La simulation multi-agents est-elle incontournable pour évaluer les changements d’habitude de déplacement des usagers avant l’application de mesures et ne permet-elle pas une veille technologique pour le compte des pouvoirs publics ?

Le saviez-vous ?

Sachant qu’un trajet Paris-Marseille en voiture consommerait 136 kg de CO2 par rapport au TGV (10 kg de CO2), l’alternative idéale ne serait-elle pas de prioriser les transports collectifs pour nos déplacements quotidiens

Références

De Wolf, D. (2018). A comparison of distribution of energy between Fuel Cell Electrical Vehicles and Battery Electrical Vehicles in Europe. AMN 2018. session Hydrogen Energy, AVEIRO, 18-20 juillet 2018.

De Lara, M., de Palma, A., Kilani, M., & Piperno, S. (2013). Congestion pricing and long term urban form : Application to Paris region. Regional Science and Urban Economics, 43, 2, p. 282295. URL : https://doi.org/10.1016/j.regsciurbeco.2012.07.007.

Gentile, G., Papola, N., & Persia, L. (2005). Advanced pricing and rationing policies for large scale multimodal networks. Transportation Research Part A: Policy and Practice, 39, 7, p. 612631. https://doi.org/10.1016/j.tra.2005.02.025.

Horni, A., Nagel, K., & Axhausen, K. W. (2016). Introducing matsim. In The multi-agent transport simulation MATSim (pp. 3-7). Ubiquity Press.

Ngagne Demba DIOP

About the author

5f083e2b1db07887206279.png

Ingénieur en génie civil de formation et Doctorant en 2ème année au laboratoire TVES (Territoires, Villes, Environnement et Sociétés), Ngagne Demba DIOP travaille sur le développement de modèles de transport pour évaluer les politiques favorisant la transition vers les énergies moins polluantes.