Image :

Description en une ligne : La « bordure de rue » (curbspace en anglais) est l’espace entre la chaussée et l’espace privé derrière le trottoir. Aujourd’hui, cet espace est énormément accaparé par le stationnement des voitures à usage individuel ou familial entre deux trajets. Or, cet espace pourrait être mieux partagé parmi les différents usagers de l’espace urbain. A la Fabrique des mobilités Québec, nous sensibilisons les usagers sur le potentiel que représente le partage de cet espace et nous expérimentons plusieurs façons de contribuer à cet objectif.

Description :

Objectifs & Opportunités

La Fabrique des Mobilités Québec s’implique dans la valorisation des données liées la bordure de rue dans une optique de mobilité durable, notamment dans le cadre du "POC Croisement et collecte de données" du projet "Montréal en commun".

Cette volonté se décline en plusieurs points :

Maintien à jour des connaissances sur le stationnement
Identifier des outils et standards qui permettent l'analyse et le croisement des données afin de les répliquer
Faciliter la production et l’utilisation de communs par l’écosystème de mobilité durable
Mobiliser nos partenaires et la communauté (y compris à l'international) afin de promouvoir la démarche expérimentale et l'innovation autour des nouveaux enjeux sur la bordure de rue

La bordure de rue dans Montréal en commun

La Fabrique des Mobilités Québec est impliquée dans le projet Montréal en Commun, issu de la victoire de Montréal au Défi des villes intelligentes (concours lancé par Infrastructure Canada), en tant qu'acteur-clé du développement d'un Pôle de données en mobilité.

Dans ce cadre, nous faisons avancer des expérimentations afin d'innover sur la gestion de la bordure de rue dans la métropole montréalaise. Nous nous appuyons sur des travaux réalisés dans d'autres grandes villes ainsi que sur le dynamisme de l'écosystème de la mobilité et des transports dans le Grand Montréal.

Pour ne rien manquer de nos actualités, suivez La Fabrique des Mobilités Québec sur Facebook, LinkedIn et Twitter et consultez notre blogue.

En somme, nous réfléchissons et expérimentons sur trois questions :

Qui ? - Qui faut-il impliquer pour améliorer la gestion de la bordure de rue à Montréal?
Quoi ? - Que faut-il savoir et avoir pour améliorer la gestion de la bordure de rue à Montréal?
Comment ? - Quels outils et actions faut-il mettre en œuvre pour améliorer la gestion de labordure de rue à Montréal?

Expérimentations et initiatives

Carte CurbLR Plaza St-Hubert

Hypothèse et objectifs

Pour avancer plus efficacement sur le développement d'une carte au standard CurbLR pour la totalité de l'île de Montréal, nous avons commencé par sélectionner une zone pilote grâce à la collaboration avec la SDC Plaza St-Hubert pour tester les différents aspects de ce commun sur un public plus réduit !

Cela nous permet d'apprendre plus rapidement sur le comportement des usagers et donc d'avancer plus efficacement vers l'objectif : savoir si une telle carte intéresse les usagers pour planifier leur stationnement afin de gagner du temps et de réduire la congestion.

Avancement et défis rencontrés

L'aspect technique et peu "user-friendly" du standard CurbLR nous a conduit à remanier l'aspect de la carte pour en améliorer l'expérience et donc augmenter les chances de son usage. Dans notre démarche d'amélioration continue, nous avons placé un très court sondage de satisfaction pour recueillir l'impression des usagers de la carte (utilité, practicité, etc.).

Cet aspect "expérience utilisateur" s'accompagne d'un volet technique complémentaire. Premièrement, nous poursuivons l'enrichissement de la carte afin d'y inclure de nouvelles données. Ensuite, nous analysons ces données pour avoir une idée plus précise des usages de la bordure de rue dans la zone et donc comprendre les comportements de mobilité.

Comment convertir des données au format CurbLR ?

Nous avons également dûs faire face à des enjeux de format et de conversion de données en développant la carte. Voici comment nous avons finalement procédé pour mettre ces données au format CurbLR.

Liens utiles

Procédé

1. Obtenir un identifiant pour se connecter à l'API de Jalon

2. Convertir et filtrer les données

Le script de conversion est présentement en développement, et de nombreuses erreurs pourraient survenir. En cas de problème, voir la section suivante.

a. Cloner le projet de conversion des données

 git clone https://github.com/savoirfairelinux/fabmob

b. Choisir la branche dev-jalonapi

 git checkout dev-jalonapi

c. Se rendre au dossier "fabmob/Curblr/curblr-tools"

 cd fabmob/Curblr/curblr-tools

d. Créer un fichier appelé credits.json, et y coller ses identifiants pour l'API de JALON. Par exemple :

 {"username":"courriel@savoirfairelinux.com","password":"motdepasse"}

e. Exécuter le script "run_and_jalonAPI.py"

 python3 run_and_jalonAPI.py

Les données des parcomètres de la Plaza St-Hubert sont maintenant dans le fichier last_converted.curblr.json.

Pistes de solution pour débogage du script de conversion

1. Les limites de la Plaza St-Hubert sont définies dans le fichier data/plaza-saint-hubert.geojson. Assurez-vous que ce fichier est bien utilisé.
2. Le dossier dans lequel last_converted.curblr.json est enregistré n'a aucune importance. Changez-le en cas de problème.
3. Vérifiez que "plaza" est le seul arrondissement utilisé.

Mise à jour dans curb-map

1. Si ce n'est pas encore fait, cloner le projet curb-map

 git clone https://github.com/savoirfairelinux/curb-map/

2. Choisir la branche dev-plaza

git checkout dev-plaza

3. Copier le fichier last_converted.curblr.json (généré dans la section précédente), puis remplacer le fichier src/assets/data/mtl-parco-plaza.curblr.json par celui-ci 4. Exécuter le script merge.py

 python3 merge.py

Les données sont maintenant à jour !

Comment contribuer à cette expérimentation ?

Si vous prévoyez de stationner aux alentours de la Plaza St-Hubert :

Rendez-vous sur le site de la SDC, section "Comment s'y rendre ?"
Cliquez sur "en voiture" puis sur "carte des stationnements"
Visualisez les endroits où vous pouvez et ne pouvez pas stationner et ainsi mieux planifier votre trajet
Le plus important : laissez-nous votre avis ! Vos commentaires nous aident à développer notre commun pour offrir un meilleur service aux usagers.

Communs liés au standard CurbLR

Mobiclic

Hypothèse et objectifs

Afin de tester la fiabilité des données ouvertes de stationnement, Centre d’excellence des technologiques ouvertes pour la mobilité - FABMOB QUÉBEC développe Mobiclic en partenariat avec le Conseil régional de l'environnement de Montréal dans le cadre du Pôle de données.

Mobiclic est une application qui permet de prendre des photos géolocalisées des panneaux de signalisation. Notre objectif est d'arriver à valider la fiabilité des données ouvertes liées au stationnement grâce à la base de données générée par l'application, optimisant ainsi les processus de validation et mise à jour de la base de données opérée par différents arrondissements de Montréal.

Ces données « augmentées » vont permettre à la Fabrique des Mobilités Québec et ses partenaires de penser une meilleure gestion de la bordure de rue, de préparer des solutions en planification de stationnement et, à plus long terme, d’améliorer l’information pour les citoyens et de simplifier la compréhension des autorisations de stationnement.

Avancement et défis rencontrés

Notre démarche se voulant toujours incrémentale et expérimentale, nous avons démarré nos tests dans l'arrondissement Rosemont-Petite-Patrie afin d'en tirer nos premiers apprentissages. Actuellement, l'utilisation d'une première version de Mobiclic permet à l'arrondissement de gérer les problèmes liés aux panneaux de signalisation sur son territoire.

Au-delà des défis technologiques inhérents au développement d'une application (en particulier lorsqu'elle doit répondre à plusieurs enjeux simultané), La Fabrique des Mobilités Québec a fait face à un problème de taille : le retrait de Jalon du projet Montréal en Commun. En effet, cette organisme faisait partie des partenaires impliqués dans le développement de l'application.

Nous progressons donc sur l'identification de zones de tests et le design d'expérimentations ciblées au sein de cette initiative d'un côté (élaboration d'une landing page), et sur le déblocage du partenariat technique de l'autre (notamment grâce à une volonté de mise en place d'un comité de pilotage).

Actuellement, un travail de conceptualisation d’une API citoyenne pour la bordure de rue ainsi que des premiers tests en interne de Mobiclic ont suscité intérêt marqué des acteurs collaborant sur ces projets, ce qui pourrait aboutir à un portage possible du projet par les partenaires. Les avancées du projet sont également régulièrement mises à jour sur GitHub.

Acceptabilité du changement d'usage de la bordure de rue

Hypothèse de départ

Si on démontre que l'auto n'est pas la seule source de clientèle pour les artères commerciales cela rendra plus acceptable les changements d'usage de la bordure de rue.

Démarche expérimentale

Identifier les données à recueillir et analyser (et vérifier leur accessibilité)
Interpréter les données (proposition d'un modèle d'analyse)
Publication des conclusions issues de cette analyse de données. Celle-ci se concentrera sur les moyens d’accès à la Plaza St-Hubert, plus pour interpeler.

Analyse des modes de déplacements vers les artères commerciales de la Plaza St-Hubert

Les données utilisées

Les données de la Plaza ont été analysées pour comprendre par quel mode de transport les gens sont arrivés à la Plaza.

Nous nous sommes donc concentrées sur les données indiquant les arrivées dans le quartier défini. Nous détaillerons les critères pour chaque mode de transport que nous avons appliqués.

**Tableau des données souhaitées pour l'expérimentation**
Données utiles	Précisions
Bixi	Données ouvertes Bixi du 1er Octobre au 31 octobre 2021 Seulement les trajets qui arrivent dans la zone d’expérimentation sont pris en compte. Pour pouvoir comparer aux données de la STM : Seulement les trajets en semaine sont pris en compte Les données sont converties selon la période de la journée
Communauto	Communauto nous a partagé les données pour le quartier attendu et la période attendue (du 1er Octobre au 31 octobre 2021) Seulement les trajets dont les arrêts ont lieux dans la zone d’expérimentation sont pris en compte, c’est-à-dire : Les trajets de types Flex qui s’arrêtent dans la zone en question Les trajets de type Communauto qui effectuent un arrêt dans la zone en question Pour pouvoir comparer aux données de la STM : Seulement les trajets en semaine sont pris en compte Les données sont converties selon la période de la journée
Stationnements	En attente
STM	La STM nous a partagé les données pour le quartier attendu pour une journée en semaine type d’octobre 2019 (avant la pandémie).
Montréal Trajet	L’échantillon de données que la ville aurait pu nous partager était trop large. Il n’aurait pas pu être possible de faire de faire des comparaisons.

La préparation des données

Fonctions générales

Création du polygone de la Plaza

coin_rosemont_boyer= [45.53414890262374, -73.59569524098734]
coin_rosemont_st_vallier = [45.53181801496085, -73.59784906811936]
coin_jean_talon_st_vallier = [45.53915366061581, -73.61386735169552]
coin_jean_talon_boyer = [45.54174620305895, -73.61260342943066]

lat_point_list = [45.53414890262374, 45.53181801496085, 45.53915366061581, 45.54174620305895, 45.53414890262374]
lon_point_list = [-73.59569524098734, -73.59784906811936, -73.61386735169552, -73.61260342943066, -73.59569524098734]

polygon_geom = Polygon(zip(lon_point_list, lat_point_list))
crs = 'epsg:4326'
polygon_plaza = gpd.GeoDataFrame( crs=crs, geometry=[polygon_geom])

Fonction de conversion des dates en période de temps de la journée

def part_of_journey(hour):
  if hour <= datetime.time(6, 30):
      return '1 - Avant 6h30'
  if datetime.time(6, 30) < hour <= datetime.time(9, 30):
      return '2 - AM (6h30 à 9h30)'
  if datetime.time(9, 30) < hour <= datetime.time(15, 30):
      return '3 - Jour (9h30 à 15h30)'
  if datetime.time(15, 30) < hour <= datetime.time(18, 30):
      return '4 - PM (15h30 à 18h30)'
  if datetime.time(18, 30) < hour :
    return '5 - Soir (après 18h30)'
  else:
    return 'ERROR'

def part_of_journey_stm(period):
  if period == 'Avant 6h30':
      return '1 - Avant 6h30'
  if period == 'AM (6h30 à 9h30)':
      return '2 - AM (6h30 à 9h30)'
  if period == 'Jour (9h30 à 15h30)':
      return '3 - Jour (9h30 à 15h30)'
  if period == 'PM (15h30 à 18h30)':
      return '4 - PM (15h30 à 18h30)'
  if period == 'Soir (après 18h30)':
    return '5 - Soir (après 18h30)'
  else:
    return 'ERROR'

Adaptation des données

Les données de la STM étant les plus agrégées, le travail de préparation consiste a adapté les données de BIXI et Communauto au format et au niveau d’agrégation de la STM.

Bixi

Importation des données du fichier

bixi_station_df = pd.read_csv('data/Bixi/2021_stations.csv')
bixi_station_gdf = gpd.GeoDataFrame(bixi_station_df, geometry=gpd.points_from_xy(bixi_station_df.longitude, bixi_station_df.latitude))
bixi_station_gdf.crs = 'epsg:4326'

bixi_data_df = pd.read_csv('data/Bixi/2021_donnees_ouvertes.csv')

Jointure des données d'utilisation et de géolocalisation de stations

bixi_merged_df_1 = pd.merge(bixi_data_df,bixi_station_gdf, 
                     left_on='emplacement_pk_start',
                     right_on=bixi_station_gdf['pk'],
                     how='left')

bixi_merged_df_1 = bixi_merged_df_1.fillna(0)
bixi_merged_df = pd.merge(bixi_merged_df_1, bixi_station_gdf,
                     left_on='emplacement_pk_end',
                     right_on=bixi_station_gdf['pk'],
                     how='left',
                      suffixes=('_start', '_end'))

# Suppression des colonnes inutiles
bixi_merged_df.drop(columns=['latitude_start', 'longitude_start','latitude_end', 'longitude_end'], inplace = True)
bixi_merged_gdf = gpd.GeoDataFrame(bixi_merged_df)

Sélection des données pour la période et le quartier de l'expérimentation : on ne prend en compte que les heures d'arrivée (champs : end_date)

##### - Selection des données du 1er au 31 octobre 2021
bixi_merged_gdf['end_date'] = pd.to_datetime(bixi_merged_gdf['end_date'], format='%Y-%m-%d %H:%M:%S.%f')
bixi_extract = bixi_merged_gdf[(bixi_merged_gdf['end_date']<= '2021-10-31')& (bixi_merged_gdf['end_date']>= '2021-10-01')].copy()
##### - Gestion des periodes de la journée du stop
bixi_extract['periode'] = bixi_extract.apply(lambda trip: part_of_journey(trip["end_date"].time()),axis=1)

Extraction des trajets Bixi qui arrivent dans le polygone défini de la Plaza

bixi_extract.set_geometry("geometry_end", inplace=True)
bixi_extract_2 = bixi_extract.sjoin(polygon_plaza, how="inner", predicate='within')

Mise en forme des données Bixi

bixi_data = bixi_extract_2[['periode', 'end_date', 'emplacement_pk_end', 'name_end','is_member', 'geometry_end']].copy()
bixi_data["Type d'arrêt"] = 'Fin de trajet'
bixi_data["Mode"] = 'Bixi'
bixi_data = bixi_data.rename({'end_date': 'date_stop', 'emplacement_pk_end': 'id_station', 'name_end': 'nom_station', "Type d'arrêt": "type_arret", "geometry_end": 'geometry'}, axis=1)

Communauto

Importation des données du fichier

communauto_df = pd.read_excel('data/Communauto/Données brutes Communauto.xlsx') communauto_gdf = gpd.GeoDataFrame(communauto_df, geometry=gpd.points_from_xy(communauto_df.ArretLongitude, communauto_df.ArretLatitude)) communauto_gdf.crs = 'epsg:4326'

Sélection des données pour la période et le quartier de l'expérimentation : on ne prend en compte que les trajets comportant un arrêt dans le quartier de la Plaza (Type d'arret = "Arret" ou Nom de station = "Flex Montréal")

##### - Gestion des periodes de la journée du stop communauto_gdf['TripEventDate'] = pd.to_datetime(communauto_gdf['TripEventDate'], format='%d/%m/%y %H:%M') communauto_gdf['periode'] = communauto_gdf.apply(lambda trip: part_of_journey(trip["TripEventDate"].time()),axis=1 ##### - Selection des trajets qui font un arret dans la quartier de la plaza: Type d'arret = Arret ou Nom de station = Flex Montréal communauto_extract= communauto_gdf[(communauto_gdf["Type d'arrêt"]=='Arrêt') or (communauto_gdf["strNomStation"]=='FLEX Montréal')].copy()

Mise en forme des données Communauto

communauto_data = communauto_extract[['periode', 'TripEventDate', 'StationNo', 'strNomStation','Type d\\'arrêt','geometry']].copy() communauto_data['is_member'] =1 communauto_data["Mode"] = 'Communauto'	communauto_data.reset_index(inplace=True) communauto_data = communauto_data.rename({'TripEventDate': 'date_stop', 'StationNo': 'id_station', 'strNomStation': 'nom_station', "Type d'arrêt": "type_arret"}, axis=1)

STM

Importation des données du fichier

stm_df = pd.read_excel('data/STM/Résultat_Projet FabMob Plaza St-H - Liste des arrêts.xlsx', sheet_name='Données') stm_gdf = gpd.GeoDataFrame(stm_df, geometry=gpd.points_from_xy(stm_df.X, stm_df.Y)) stm_gdf.crs = 'epsg:2950' stm_gdf = stm_gdf.to_crs(4326)

Sélection des données pour la période et le quartier de l'expérimentation

##### - Gestion des periodes de la journée du stop stm_gdf['Période'] = stm_gdf.apply(lambda trip: part_of_journey_stm(trip["Période"]),axis=1)

Mise en forme des données STM

stm_gdf_ready = stm_gdf[['Période', 'Description de l\\'arrêt', 'Descendants', 'geometry']].copy() stm_gdf_ready['IsWeekend']= 'False' stm_gdf_ready['Mode']= 'Bus' # on multiplie par -1 le nombre de descendants pour obtenir la valeur absolue stm_gdf_ready['Descendants'] = stm_gdf_ready['Descendants']*-1 stm_gdf_ready = stm_gdf_ready.rename({'Période': 'periode','Description de l\\'arrêt': 'nom_station','Descendants':'Nb_personnes'}, axis=1)

Traitement des données cumulées

Le code est disponible sur le GitHub de la Fabrique des Mobilités Québec.

1ère étape : commencer par les données Bixi et Communauto

Sélection des données Bixi et Communauto

data_plaza =gpd.GeoDataFrame( pd.concat([bixi_data, communauto_data], ignore_index=True))

Ajout des infos du jour de la semaine pour traiter que des données de semaine (Lundi au vendredi)

data_plaza['day_of_week'] = data_plaza['date_stop'].dt.day_name() data_plaza['IsWeekend'] = data_plaza['date_stop'].dt.weekday >= 5

Agrégation des données selon la date, la période de la journée, l’arrêt et le mode de transport

data_plaza_agregat= data_plaza.groupby(['date','periode', 'nom_station','Mode']).agg({'id_station':'count', 'IsWeekend': 'first', 'geometry': 'first'}).reset_index()

Les données sont alors agrégées selon le type de jour (semaine ou weekend), la période de la journée, le nom de la station et le mode pour obtenir la moyenne de personne qui arrivent à la plaza en jour de semaine

data_plaza_agregat_all = data_plaza_agregat.groupby(['IsWeekend','periode', 'nom_station','Mode']).agg({'id_station':'mean', 'geometry': 'first'}).reset_index()

Seulement les données de semaine sont alors prise en compte

data_plaza_agregat_week = data_plaza_agregat_all[data_plaza_agregat_all['IsWeekend']==False]

2ème étape : ajouter les données STM

data_plaza_agregat_week_gdf = gpd.GeoDataFrame(data_plaza_agregat_week, geometry=data_plaza_agregat_week['geometry']) data_plaza_agregat_week_gdf =gpd.GeoDataFrame( pd.concat([data_plaza_agregat_week_gdf, stm_gdf_ready], ignore_index=True))

3ème étape : extraire les données

data_plaza_agregat_week_gdf['lon'] = data_plaza_agregat_week_gdf['geometry'].x data_plaza_agregat_week_gdf['lat'] = data_plaza_agregat_week_gdf['geometry'].y data_plaza_agregat_week_gdf.to_csv("data_plaza_agregat_week.csv")

Les résultats de l'analyse

Nous sommes actuellement en phase de préparation des publications de résultats.

En attendant plus d'informations, voici une première image du résultat visible sur le tableau de bord général suite à l'analyse des données expliquée ci-dessus :

Désirabilité des usages alternatifs de la bordure de rue

Hypothèse de départ : Nous pensons que si les citoyens comprennent que la bordure est un espace public au même titre qu'une place ou un parc l'acceptabilité d'un usage autre que l'usage historique du stationnement sera plus simple.

Démarche

Lister les usages possibles de la bordure de rue
Elaborer un sondage pour déterminer la désirabilité comparative de ces usages (en y incluant le stationnement voiture traditionnel)
Diffuser le sondage via une campagne sur les médias sociaux de la Fabrique des Mobilités Québec
Analyser les résultats du sondage pour en tirer des apprentissages

Informations recherchées : Combien de personnes qualifient la bordure de rue d'espace public ? Combien acceptent de considérer un autre usage que le stationnement ? Quels usages alternatifs sont priorisés ?

Conditions de succès : 50 % des personnes qui disent que la bordure sert au stationnement (question n°2) sont prêt à y voir d'autres usages (question n°3).

Challenge Mobilité 2021-2022

En tant que promoteur de la démarche agile et expérimentale dans les communautés liées à la mobilité durable et innovante, Centre d’excellence des technologiques ouvertes pour la mobilité - FABMOB QUÉBEC organise un Challenge en mobilité.

Qu’est-ce qu’un “challenge” en mobilité ?

Un “challenge” est un série d’activités expérimentales basées sur la théorie du design thinking, l’agilité et l’expérimentation d’affaires. Il est composé de plusieurs phases (identification des défis, priorisation d’hypothèses et prototypage, design d’expérimentations) qui permettent de dégager des pistes de solutions le plus rapidement possible.

A la Fabrique des Mobilités Québec, nous avons lancé deux challenges simultanément au deuxième semestre 2021 : un sur les enjeux autour des nouveaux usages de la bordure de rue et un autre sur la revitalisation du covoiturage après la pandémie. Les deux sont encore actuellement dans leur troisième phase (expérimentation). Le format permet de mobiliser un écosystème au sens large et donc de croiser des opinions et expertises diverses autour d'une thématique commune. Les challenges nous ont donc permis d’avancer à la fois sur les objectifs de mobilisation, de viabilité et d’alignement des équipes et partenaires.

Pour plus de détails sur les activités du Challenge Mobilité 2021 sur les enjeux de la bordure de rue :