Des piétons suivis à la trace grâce au WiFi
© 2016 EPFL
En utilisant des données WiFi anonymisées collectées sur le campus de l’EPFL, des chercheurs ont pu analyser les motivations des étudiants dans une activité primordiale: manger. Plus largement, la méthode permet d’étudier les activités et les destinations des piétons à peu de frais.
Pizza ou pasta, thaï ou indien, burger ou resto? Dans une cité de 13 000 occupants, il y a l’embarras du choix quand vient l’heure de manger. Qu’est-ce qui fait la différence? Aux outils de sondage classiques, des chercheurs de l’EPFL ont préféré les «traces» laissées par les piétons en côtoyant les points d’accès WiFi. Ces petits cailloux virtuels, déposés par des flux d’individus, se transforment en or pour comprendre, et prédire, le comportement des utilisateurs d’infrastructures piétonnes. Pour autant qu’on sache les lire.
Antonin Danalet, chercheur au Laboratoire Transport et Mobilité, s’est intéressé au campus de l’EPFL, véritable laboratoire grandeur nature. Il a consigné plus de 2 millions de points détectés par les 789 antennes WiFi situées sur le site. La collecte s’est prolongée sur 10 jours, mi-2012. «Bon marché et faciles à acquérir, les traces WiFi restent toutefois nébuleuses en tant que telles», regrette le chercheur. D’abord, elles sont imprécises. Si elles autorisent un suivi sur la distance et dans le temps, elles ne permettent pas de prime abord de décrire les mouvements ou les activités effectuées à destination. La thèse d’Antonin Danalet a donc consisté à les faire parler.
Grâce aux services informatiques de l’Ecole, il a pu associer les points collectés à des individus – environ 2000 au total - afin de leur donner sens, au propre comme au figuré. «Les données ont été anonymisées, rassure-t-il. Je savais uniquement si les traces émanaient d’un étudiant ou d’un collaborateur de l’EPFL. Dans le premier cas, je savais à quelle section et en quelle année était l’étudiant.»
Observation du comportement des piétons
Pour comprendre les destinations successives des individus, il a ensuite fusionné les localisations WiFi avec des données cartographiques. Le plan du campus et ses cheminements piétons ont permis de retracer des itinéraires et de définir l’heure à laquelle les piétons arrivent à destination, la durée des arrêts et l’activité effectuée. Le chercheur a encore superposé les données d’occupation des salles du campus, en utilisant les taux d’occupation des salles de cours définis notamment par les horaires ainsi que le nombre de transactions de caisse des lieux de restauration, soit le nombre de personnes qui ont ouvert leur porte-monnaie un jour donné et à une heure donnée.
«Il existe des statistiques et des comptages pour les automobilistes et les usagers du train, mais la façon dont se déplacent les piétons reste souvent mystérieux, rappelle le chercheur. Ces observations sont très précieuses pour comprendre l’utilisation réelle des infrastructures piétonnes telles que dans les festivals, les musées ou les hôpitaux.»
Pour confirmer la fiabilité du modèle, Antonin Danalet l’a confronté à la réalité: l’identité d’un individu lui a été divulguée, la sienne. «Ceci a permis de corriger des biais éventuels du modèle», souligne Antonin Danalet. Autre recoupement: «Nous avons comparé les résultats d’un sondage sur les heures d’arrivée et de départ déclarées des étudiants avec les traces WiFi.» Et? D’après les traces WiFi, les étudiants arrivent sur le campus le matin environ une demi-heure plus tard que ce qu’ils ont annoncé lors du sondage… «Allument-ils leurs téléphones une demi-heure après être arrivés sur le campus, ou avaient-ils cherché à se présenter sous un jour favorable lors du sondage? Le mystère reste entier, mais les psychologues appellent la deuxième option le biais de désirabilité sociale», avance le chercheur.
Le prix et la proximité, critères du choix de restauration
Outre le comportement, les traces WiFi peuvent aussi servir à mieux comprendre les choix des individus. Par exemple, celui d’un restaurant sur un campus qui offre 21 lieux de restauration (état en 2012). Le chercheur a ainsi attribué un «score» à chaque lieu de restauration du campus. Il a inclus différents critères tels que le prix, la taille, la proximité, l’évaluation annuelle de la qualité, les menus proposés ou encore les heures d’ouverture. En appliquant les données WiFi – par exemple, où l’étudiant en architecture va-t-il manger de préférence? - Antonin Danalet a pu voir quels étaient les facteurs les plus déterminants. Sans surprise, sur un campus, le prix reste un facteur clé. Mais pas uniquement. La proximité joue aussi un grand rôle de même que la taille du lieu: plus la cafétéria est grande, moins on fait la queue. En revanche, le menu ne pèse pas beaucoup dans le choix.
Et Antonin Danalet de conclure: «L’intérêt de ce modèle est de pouvoir prédire les changements d’activité et de destinations en fonction des changements de l’offre. Quel sera l’effet d’une hausse du prix du menu du jour? Vers où se reporteront les petits budgets? Ou encore quel sera l’impact de l’ouverture d’un nouvel établissement? Ces modèles de comportement des piétons sont très précieux pour concevoir ou redessiner des infrastructures piétonnes telles que les gares, les aéroports ou les centres commerciaux. Ils sont des indicateurs pour définir, par exemple, les meilleurs endroits pour placer un automate à billets ou une boulangerie.»
Images à télécharger
