Accueil Du parking intelligent à la mobilité prédictive

Du parking intelligent à la mobilité prédictive

par Gabriel Plassat

Exemple du parking « intelligent »: intégration des TIC, plus de savoirs, plus de choix. Si plus de savoirs, meilleure gestion.

Nous savons que les infrastructures vont jouer un rôle clé dans les transports du futur, comme en témoigne la collaboration récente entre Vinci et Renault. L'exemple des parkings de San Francisco est particulièrement intéressant. En les rendant plus intelligents (communicants) les usagers peuvent plus facilement connaître les places libres, ce qui d'une part permet de réduire le temps de circulation, mais d'autre part rend plus attractif la voiture particulière puisque l'on trouve sa place plus facilement. 

MBA: The Right Price for Parking from Streetfilms on Vimeo.

Pour ne conserver que les bénéfices environnementaux, il y a une autre solution COMPLEMENTAIRE : faire varier les tarifs de stationnement pour que le tarif soit suffisamment dissuasif surtout aux horaires engendrant les plus fortes congestions.

Ces tarifs dynamiques, communiqués 7 jours à l’avance, ont été mis en œuvre à SF apportant de précieuses informations aux exploitants. Plus les usagers utilisent  le système, s'informent, choisissent, plus le système apprend sur les usages, plus il accroît ses connaissances. Plus les connaissances augmentent, plus les tarifications sont précises, influentes et permettent de réduire la congestion, et finalement d'améliorer la performance du système globalement. Cet exemple "simple" limité au parking montre la voie. 

Dupliquons cela au trafic, aux péages, aux transports publics, aux solutions de covoiturage, autopartage, aux modes doux. Plus les usagers utiliseront les TIC pour s'informer, choisir, partager leur choix, plus nous apprendrons les pratiques réelles, plus nos savoirs collectifs progresseront. Plus nos savoirs progresseront, plus nous pourrons optimiser l'usage de nos ressources actuelles sans investir dans de nouvelles, plus nous pourrons prévoir les tendances à court, moyen et long termes. Les données temps réel iront nourrir des modèles prédictifs extrêmement importants pour atteindre des objectifs collectifs : congestion, GES, pollutions. La connaissance réelle du passé et du présent permet de mieux se préparer au futur.

Laisser un commentaire