Les systèmes de vélos en libre-service (BSS) se sont imposés en deux décennies comme un élément structurant de la mobilité urbaine durable. Leur déploiement massif génère des données exhaustives permettant d'observer des millions de déplacements sur de longues périodes. Ces données présentent toutefois une limite fondamentale : dans les systèmes à bornes fixes, l'itinéraire effectivement emprunté entre deux stations reste non observable. Cette thèse traite cette contrainte comme un problème scientifique : que peut-on apprendre des comportements cyclistes à partir des seules données origine-destination (O/D) ? Les travaux s'appuient principalement sur les données de VélôToulouse (2019-2022), couvrant les périodes pré-pandémique, pandémique et post-pandémique, avec une validation comparative sur HSL City Bike à Helsinki-Espoo et des données de villes américaines.
Une première ligne de travaux étudie l'évolution temporelle des flux agrégés. Une calibration répétée de modèles gravitaires sur des fenêtres temporelles glissantes permet de suivre l'évolution de leurs paramètres et de les interpréter comme des indicateurs synthétiques des transformations des usages. Cette approche met en évidence une réponse différenciée du réseau au premier confinement de 2020 et confirme la stabilisation des comportements en 2022. Une deuxième ligne exploite la variabilité des durées de trajet pour inférer les comportements d'itinéraire sans données GPS. Pour une même paire de stations, la dispersion des durées traduit notamment l'hétérogénéité des chemins empruntés. Des modèles de mélange log-normaux identifient ainsi des composantes comportementales distinctes. Une relation linéaire robuste est établie entre le mode de la première composante et la durée calculée par OpenStreetMap sur l'itinéraire le plus rapide. Cette régularité est intégrée dans un modèle de mélange contraint par le mode, estimé par un algorithme EM adapté, qui améliore la segmentation comportementale par rapport au modèle libre. La méthode est validée sur Helsinki-Espoo, confirmant sa généricité.
Les probabilités a posteriori issues de ces modèles permettent ensuite d'identifier les flux pendulaires sans identifiants usagers. Une régression bêta modélise leur dépendance aux caractéristiques temporelles et directionnelles. Des critères complémentaires sur-représentation de la composante rapide aux heures de pointe, effet négatif du week-end, inversion du sens dominant entre matin et soir et absence d'effet structuré à midi, permettent de qualifier les paires de stations support de flux pendulaires. La préférence pour l'itinéraire direct est ensuite quantifiée selon trois composantes : gain de temps, coût directionnel et coût cognitif. Les deux dernières sont statistiquement significatives et indépendantes du gain de temps. Enfin, la dépendance entre flux matinaux et vespéraux est formalisée dans un modèle Hurdle Binomial Négatif-Binomial. Le paramètre pij, estimé par la méthode des moments à partir des flux agrégés, représente la proportion des trajets matinaux O→D donnant lieu à un retour D→O le même jour. Sa distribution révèle un gradient centre-périphérie. Connu dès la fin de la pointe matinale, ce paramètre permet d'anticiper la demande vespérale station par station et de calculer un signal de déséquilibre exploitable pour la planification proactive du rééquilibrage. |
Bike-sharing systems (BSS) have established themselves over two decades as a key component of sustainable urban mobility. Their widespread deployment generates exhaustive data enabling the observation of millions of trips over long periods. However, these data present a fundamental limitation: in station-based systems, the route actually taken between two stations remains unobservable. This thesis treats this constraint as a scientific problem in its own right: what can be learned about cycling behaviour from origin-destination (O/D) data alone?
The work draws primarily on VélôToulouse data (2019-2022), covering the pre-pandemic, pandemic and post-pandemic periods, with comparative validation on the HSL City Bike network in Helsinki-Espoo and data from American cities.
A first line of work examines the temporal evolution of aggregated flows. Repeated calibration of gravity models over rolling time windows tracks the evolution of their parameters and interprets them as synthetic indicators of changes in usage patterns. This approach reveals a differentiated response of the network to the first lockdown of 2020 and confirms the stabilisation of behaviours in 2022.
A second line exploits the variability of trip durations to infer route choice behaviour without GPS data. For a given pair of stations, the dispersion of durations reflects in part the heterogeneity of routes taken. Log-normal mixture models identify distinct behavioural components. A robust linear relationship is established between the mode of the first component and the duration computed by OpenStreetMap for the fastest route. This regularity is formalised in a mode-constrained mixture model, estimated via an adapted EM algorithm, which improves behavioural segmentation compared to the unconstrained model. The method is validated on Helsinki-Espoo, confirming its generalisability.
The posterior probabilities derived from these models are then used to identify commuting flows without user identifiers. A beta regression models their dependence on temporal and directional trip characteristics. Complementary criteria, over-representation of the fast component during peak hours, a negative weekend effect, a reversal of the dominant direction between morning and evening, and the absence of a structured midday effect, allow station pairs supporting commuting flows to be identified. The preference for the direct route is then quantified along three components: time saving, directional cost and cognitive cost. The latter two are statistically significant and independent of the time saving.
Finally, the dependence between morning and evening flows is formalised in a Negative Binomial-Binomial Hurdle model. The parameter pij , estimated by the method of moments from aggregated flows, represents the proportion of morning O → D trips that give rise to a return D → O trip on the same day. Its distribution across the network reveals a centre-periphery gradient. Known from the end of the morning peak, this parameter enables station by station forecasting of evening demand and the computation of an imbalance signal that can be used for proactive rebalancing planning.
Taken together, these works show that an a priori sparse piece of data, a pair of stations and a trip duration, can, when properly exploited, reveal the structure of routes taken, the organisation of commuting mobility and the intra-day dynamics of demand, opening analytical and operational perspectives for the management of bike-sharing systems. |