Vous êtes sur la page 1sur 38

Calcul ditinraire multimodal et multiobjectif en milieu urbain Soutenance de thse de doctorat

Tristram Grbener Institut de Recherche en Informatique de Toulouse (IRIT) Universit Toulouse 1 Capitole

15 novembre 2010

1/33

Sommaire

1 Problmatique et contexte

Exemple dintroduction tat de lart


2 Ma contribution

Modlisation du rseau Algorithmes Exprimentations et rsultats


3 Conclusion et perspectives

Conclusion Perspectives

2/33

Sommaire

1 Problmatique et contexte

Exemple dintroduction tat de lart


2 Ma contribution

Modlisation du rseau Algorithmes Exprimentations et rsultats


3 Conclusion et perspectives

Conclusion Perspectives

3/33

Problmatique
Chemin de A B avec tous les modes de transport. Quel est le meilleur chemin ? Comment prendre en compte les prfrences utilisateur ?

ickr/skillicorn CC-BY-ND

4/33

Exemple : de Eaunes la Manu


Trajet : Eaunes vers la Manufacture des tabacs Modes : voiture, transports en commun, vlo, marche Critres : temps, cot, CO2

ickr/16nine CC-NC-ND, ickr/jazzlog CC-NC-ND, David Reverchon CC-NC-SA

5/33

Exemple : de Eaunes la Manu

Mode : voiture Temps : 30 min CO2 : 5 kg Cot : 5 e Autres : embouteillages,

parking

6/33

Exemple : de Eaunes la Manu

Modes : vlo Temps : 1h15 CO2 : 0 Cot : 1 e Autres : eort physique,

mto

6/33

Exemple : de Eaunes la Manu

Modes : vlo, train, mtro Temps : 1h10 CO2 : 0,1 kg Cot : 2,50 e Autres : correspondances,

horaires

6/33

Exemple : de Eaunes la Manu

Modes : bus, train, mtro Temps : 1h25 CO2 : 0,2 kg Cot : 2 e Autres : correspondances,

horaires

6/33

Exemple : de Eaunes la Manu

Toutes ces solutions sont valables Importance de la multimodalit Importance de loptimisation multiobjectif Ncessit dun outil gnrique de calcul ditinraire

Modes Voiture Vlo Vlo + TC TC

Temps 0h30 1h15 1h10 1h25

CO2 5 kg 0 0,1 kg 0,2 kg

Cot 5e 1e 2e50 2e

7/33

Besoin dun nouvel outil


Les outils existants sont limits Changer la perception des avantages et dfauts des modes Prsenter des interconnexions originales Rduire limpact environnemental des transports

8/33

Historique des calculs ditinraires

1959 : Algorithme de Dijkstra Plus court chemin dun nud tous Variantes : A*, bidirectionnel. . . 1984 : Algorithme de Martins Plus court chemin multiobjectif 2006 : 9e challenge DIMACS Explosion dapproches haute performance Calcul du plus court chemin en 1 ms travers le monde Par exemple : Contraction Hierarchies [Geisberger 2008]

9/33

Caractristiques du problme

Dpendant du temps : optimalit pas toujours garantie Multimodal : modes htrognes Multiobjectif : nombre exponentiel de solutions Taille : grandes instances (le-de-France), nombreux objectifs Gnricit : pas de cas particulier

10/33

Dicults : dpendance du temps


Chemin le plus rapide : problme facile Chemin de moindre cot : problme dicile Deux approches : Time-dependent : graphe inchang, fonctions de cot Time-expanded : modication du graphe, cots constants (graphe espace-temps)

1 15 1 30 2 45 30 45 4 1 1 1 1

2 2 2 2 2

3 3 3 3 3

4 4 4 4 4

8h00 8h15 8h30 8h45 9h00


11/33

Dicults : multimodal

Batz 2009
Approaches work well (...) for road networks, but none of them gave convincing results for public transportation networks so far Deux familles de modes de transport :
Modes routiers : voiture, marche, vlo. . . Modes grille horaire : transports en commun Time-dependent : adapt pour transport routier Time-expanded : adapt pour les grilles horaires

12/33

Dicults : optimisation multiobjectif

Temps C A
Solutions quivalentes : front de Pareto Nombre exponentiel de solutions avec

cots constants et 2 objectifs [Hansen 79] B Min(temps,e) e


Cas dpendant du temps trs peu trait Terminaison des algorithmes dlicate

13/33

Dicults : taille du problme

Tailles traites
Ziliaskopoulos 2000 : 1 000 nuds, 100 intervalles de temps (

15 min)
Delling 2009 : 10 000 000 nuds, seulement 359 aroports

Exemples de tailles
Rennes : 12 000 nuds, 3 000 arrts le-de-France : 100 000 nuds, 25 000 arrts

14/33

Synthse de lexistant

Recherche trs active ces 5 dernires annes Des algorithmes trs performants. . . . . . appliqus des cas trs particuliers Multiobjectif souvent rduit au nombre de changements Multimodalit trs marginale

15/33

Sommaire

1 Problmatique et contexte

Exemple dintroduction tat de lart


2 Ma contribution

Modlisation du rseau Algorithmes Exprimentations et rsultats


3 Conclusion et perspectives

Conclusion Perspectives

16/33

Ma contribution

Approche gnrique :
Rellement multimodal Objectifs arbitraires Simplicit de mise en uvre Performances raisonnables (< 1 s)

17/33

Reprsentation des modes


Reprsentation multicouches
Un seul mode par couche Une seule ligne par couche (ramications RER) Garantit la contrainte FIFO Modlise les transitions possibles

0 0 0

1 1 1

2 2 2

3 3 3

4 4 4

Mtro Piton Vlo personnel

18/33

Gestion du temps

Approche Time-dependent
Meilleures performances [Mllerhannemann 2007] Plus adapte aux rseaux routiers Modlisation plus naturelle

19/33

Calcul de litinraire : algorithmes

Martins [1984] gnralis (prise en compte du temps) Algorithme de rfrence, trs simple Tsaggouris [2005] (prise en compte du temps) Polynomial sur le papier (approximation borne) Contraction hierarchies [2008] (extension multiobjectif) Approche mono-objectif trs performante

20/33

Calcul de litinraire : algorithmes

Martins [1984] gnralis (prise en compte du temps) Algorithme de rfrence, trs simple Tsaggouris [2005] (prise en compte du temps) Polynomial sur le papier (approximation borne) Contraction hierarchies [2008] (extension multiobjectif) Approche mono-objectif trs performante

20/33

Algorithme de Martins dynamique

Martins 1984 : extension de lalgorithme de Dijkstra en

multiobjectif
Nos travaux : extension triviale pour prendre en compte le temps Label : triplet (nud, vecteur cot, prdcesseur) Initialisation : l0 := (s, [t0 , 0, 0], _) chaque itration : Prendre le label l de plus petit cot lexical c(l ) Pour chaque successeur, crer un nouveau label l : ci (l ) := ci (l ) + fi (ct (l )) (ct tant le temps) liminer les labels domins

21/33

Heuristiques

Amliorer les performances Supprimer les labels domins par une solution Rduire les solutions trop similaires Dominance relche : un changement de plus pour gagner 2 minutes, nest pas intressant

22/33

Exprimentations

Taille des instances


Ville San Francisco Los Angeles Surface 100 km2 3000 km2 Population 744 000 5 000 000 Arcs 43 788 377 382 Arrts 3 659 15 565

Modes considrs
Vlo (au dpart uniquement) Transports en commun Marche

23/33

Rsultats : San Francisco


Nombre de solutions et temps de calcul
Objectifs Tps, mode Tps, mode, d+ Solutions Avec heur Sans heur 1 1.1 13 60 Temps (ms) Avec heur Sans heur 74 92 949 7 616

Tps : dure du trajet mode : nombre de

changements de modes
d+ : dnivel positif des

trajets vlo
Thomas Bachmann CC-BY-SA

24/33

Rsultats : Los Angeles


Nombre de solutions et temps de calcul
Objectifs Tps, mode Tps, mode, d+ Solutions Avec heur Sans heur 1.1 1.2 5.5 16.9 Temps (ms) Avec heur Sans heur 642 1 028 4 613 220 940

Tps : dure du trajet mode : nombre de

changements de modes
d+ : dnivel positif des

trajets vlo
Myriam Thyes CC-BY-SA

25/33

Bilan des exprimentations

Approche applicable la ralit Temps de calcul acceptable Les heuristiques sont indispensables La nature des objectifs inuence fortement le temps de calcul

26/33

Autres algorithmes

Tsaggouris Trop doprations lourdes chaque itration Performances trs mauvaises en pratique Contraction Hierarchies Rduction signicative des tiquettes gnres Performances en temps comparable Martins Voie explorer

27/33

Dun modle gnrique vers un outil gnrique

Rexion sur le nombre de solutions prsentes lutilisateur Code source mis en ligne

http://github.com/Tristramg/mumoro/ Utilisation des donnes :


Openstreetmap (routes) GTFS (transport en communs) API (vlo libre service)

28/33

Dmonstrateur Mumoro
Dmonstrateur sur Rennes : http://mumoro.openstreetmap.fr/

29/33

Sommaire

1 Problmatique et contexte

Exemple dintroduction tat de lart


2 Ma contribution

Modlisation du rseau Algorithmes Exprimentations et rsultats


3 Conclusion et perspectives

Conclusion Perspectives

30/33

Conclusion : ma contribution

Proposition dun modle simple aux proprits intressantes Extension de plusieurs algorithmes Application relle Le tout avec une approche trs simple Performance satisfaisante pour une grande agglomration

31/33

Perspectives

Amlioration des performances Meilleure gestion de la mmoire Utilisation relle pour avoir le point de vue de lutilisateur Prise en compte de lauto-partage, transport la demande Aspect temps-rel (embouteillages, perturbation du rseau) Nouvelles mtriques (robustesse, distance entre solutions)

32/33

Merci de votre attention

Questions !

ickr/fortdrastic CC-ND

33/33

Merci de votre patience !


Pot de thse 17h00 ME-001 Manufacture des Tabacs Alle de Brienne

ickr/cmbellman CC-NC-ND

34/33