Intelligence artificielle et planification de réseau : comment les algorithmes optimisent fréquences et itinéraires

Chaque éditeur de logiciel de planification affiche désormais le mot "IA" sur sa page d'accueil. Optibus revendique l'usage de "l'intelligence artificielle et d'algorithmes d'optimisation" pour rendre le transport public "plus intelligent", Remix (racheté par Via en 2021 pour 100 millions de dollars selon L'Usine Digitale) promet de redessiner un réseau en quelques clics. Pour une AOM ou un exploitant, la question n'est pas de savoir si ces outils sont utiles. Elle est de savoir ce qu'ils calculent réellement, et sur quelles données.

L'essentiel de ce qu'on appelle "IA" en planification relève de la recherche opérationnelle classique (optimisation sous contraintes, heuristiques), parfois complétée par de l'apprentissage statistique pour la prévision. Ces méthodes optimisent exactement ce qu'on leur donne. Si les temps de parcours injectés sont hérités d'un ancien graphicage, l'algorithme produit un plan optimal pour un réseau qui n'existe pas.

Ce que recouvre vraiment "l'IA" en planification

Le mot recouvre au moins six briques très différentes, qui n'ont ni la même maturité ni les mêmes besoins en données.

• Habillage et graphicage (véhicules, services agents) : optimisation combinatoire (programmation linéaire, heuristiques). Très mature, utilisée depuis des décennies. Donnée indispensable : horaires, temps de battement, règles sociales, dépôts.
• Calcul des temps de parcours : statistiques sur historiques, parfois apprentissage automatique. Mature si l'historique existe. Donnée indispensable : temps réels par tronçon et par tranche horaire.
• Ajustement des fréquences : optimisation sous contrainte de budget kilométrique. Mature. Donnée indispensable : charge par course, validations, ponctualité.
• Prévision de demande : modèles statistiques, apprentissage sur séries de validations. Maturité variable selon la qualité des données. Donnée indispensable : validations géolocalisées, comptages.
• Restructuration de lignes : modèles de déplacements (type PTV Visum), outils de scénarios (Remix, Optibus). Outil d'aide, pas de décision automatique. Donnée indispensable : matrices origine-destination, offre réalisée.
• Simulation de scénarios : affectation de trafic, simulation d'exploitation. Mature en bureau d'études. Donnée indispensable : toutes les précédentes.

Le graphicage et l'habillage sont les domaines où l'optimisation a fait ses preuves le plus nettement. GIRO, éditeur de HASTUS, a annoncé en 2019 le déploiement de son logiciel à la RATP pour les réseaux bus et tramway, avec des fonctions de conception de l'offre et de simulation opérationnelles depuis septembre 2018. En Italie, l'exploitant ATAP (Pordenone, 84 lignes urbaines et interurbaines) a annoncé en 2022 utiliser Optibus pour ses services véhicules et agents, avec des calculs réalisés en minutes plutôt qu'en heures. Le gain réel, dans ces cas, tient à la capacité de tester plusieurs scénarios rapidement, pas à une "intelligence" autonome.

À l'inverse, la restructuration de lignes reste un exercice où l'outil assiste un planificateur humain. Aucun logiciel ne décide seul d'arbitrer entre couverture territoriale et fréquence : c'est un choix politique qui revient à l'AOM.

Le point aveugle : optimiser sur des horaires théoriques faux

Un algorithme de graphicage prend en entrée des temps de parcours entre points d'arrêt. Dans beaucoup de réseaux, ces temps sont figés depuis la dernière refonte, ajustés à la main après des remontées de conducteurs. Ils ne reflètent ni les travaux, ni l'écart entre pointe du matin et pointe du soir, ni la différence entre un mardi scolaire et un samedi de vacances. Les conséquences sont mécaniques :

• Temps sous-estimés : retards dès le deuxième tour, battements absorbés, pauses conducteurs perdues.
• Temps surestimés : véhicules en attente aux points de régulation, véhicules et heures agents consommés inutilement.
• Temps moyen unique : faux à presque toutes les heures. L'optimiseur réduit le parc sur le papier, l'exploitation paie la différence en retards.

D'où l'existence de modules d'analyse des temps observés. Le module HASTUS-ATP, présenté en 2011 dans un travail associant l'UITP, TMB (Barcelone) et l'Université de Barcelone, exploite les données de localisation des véhicules et de billettique pour calculer des temps de parcours et des battements minimaux par tranche horaire, avec un objectif explicite de ponctualité. Côté Optibus, le cas publié du groupe espagnol Grupo Ruiz (plus de 186 000 voyageurs par jour selon l'éditeur) repose sur les "temps de parcours réels" et les données d'exploitation temps réel, avec une ponctualité annoncée à 97 % et un gain d'efficacité véhicules de plus de 2 %. Ce sont des chiffres d'éditeur, non audités, mais ils disent l'essentiel : le résultat vient d'abord de la donnée réalisée.

En France, Le Met' (Metz) l'écrit clairement en présentant son nouveau SAEIV fin 2023 : le système doit permettre d'utiliser des données concrètes pour "adapter les temps de parcours" et améliorer les horaires de passage aux arrêts. Autrement dit, l'optimisation commence par la mesure.

Prévision de demande : ce que disent (et ne disent pas) les validations

La prévision de fréquentation est le terrain favori du discours "IA". En pratique, elle se heurte à trois limites propres aux réseaux français.

La validation n'est pas le déplacement. Sans validation en sortie, on connaît la montée, pas la descente. Reconstituer une matrice origine-destination suppose des hypothèses d'enchaînement, fiables seulement si chaque validation est rattachée à une course et à un arrêt.

La localisation de la validation dépend du SAE. Si le valideur ne connaît pas avec certitude la course et l'arrêt, la charge est approximative, et un modèle entraîné sur ces données reproduit leurs biais avec assurance.

La fraude et la gratuité faussent la mesure. Les validations sous-estiment alors la charge réelle, et des comptages restent nécessaires pour caler les modèles.

Île-de-France Mobilités publie en open data des validations par jour et des profils horaires par jour type, mais pour le réseau ferré. Sur le bus, la granularité disponible est généralement bien plus faible.

Restructurer un réseau : ce que montrent les exemples européens

Les refontes de réseau les plus citées en Europe ne sont pas des histoires d'algorithmes, mais d'arbitrages assumés appuyés sur la donnée.

À Barcelone, la Nova Xarxa de TMB a été déployée d'octobre 2012 à l'automne 2018 : 28 lignes à haut niveau de service organisées en axes verticaux, horizontaux et diagonaux, avec des intervalles de 5 à 8 minutes selon l'opérateur. Le principe (une grille orthogonale qui accepte davantage de correspondances en échange de fréquences élevées) est un choix de conception, testé ensuite par la modélisation.

À Dublin, la refonte BusConnects pilotée par la National Transport Authority affiche des résultats nets : fin 2024, la fréquentation dans les secteurs passés au nouveau réseau avait progressé de 48 %, contre 8 % sur le reste du réseau. Mais la même NTA précise que le nouveau réseau représente une hausse de 35 % des kilomètres commerciaux annuels programmés. Le gain de fréquentation résulte donc d'une restructuration et d'un investissement massif en offre, pas d'une optimisation à moyens constants. C'est exactement le type de nuance que le marketing efface.

En France, PTV Visum est largement utilisé par les bureaux d'études et les collectivités, et Optibus a annoncé en 2022 des clients comme Avenir Atlantique et Vectalia France, notamment pour les appels d'offres. Partout, la qualité du scénario dépend du réseau "état actuel" décrit dans l'outil : si l'offre de référence est théorique, le gain calculé l'est aussi.

Le cadre français : LOM, open data et rôle de l'AOM

La loi d'orientation des mobilités de 2019 a fait de la donnée un sujet réglementaire. Son article 25 impose l'ouverture des données statiques et dynamiques de déplacement, ainsi que des données historiques, en application du règlement délégué européen 2017/1926, avec un contrôle confié à l'Autorité de régulation des transports. Les données sont publiées sur le Point d'Accès National transport.data.gouv.fr, aux formats NeTEx pour l'offre théorique et SIRI ou GTFS-RT pour le temps réel. Pour le détail des obligations par format, voir notre article GTFS-RT, SIRI, NeTEx : ce que le Point d'Accès National exige vraiment.

Conséquence pour la planification : l'outil devient interchangeable, et ce qui a de la valeur, c'est l'historique fiable des courses réalisées, des temps de parcours et de la charge. D'où l'intérêt, pour l'AOM, de prévoir dans ses contrats la remise de ces données d'exploitation réalisée. Une AOM qui ne dispose que du GTFS théorique de son délégataire achète un optimiseur sans matière première.

Ce que ça implique pour un exploitant ou une AOM

Avant de lancer une démarche d'optimisation, qu'elle soit présentée comme "IA" ou non, quelques vérifications concrètes font la différence.

1. Une saison complète de temps de parcours réels par tronçon, par tranche horaire et par type de jour. Sans cela, l'optimiseur travaille sur des moyennes.
2. La ponctualité par tronçon, pas seulement au terminus. Une ligne à l'heure au terminus peut compenser avances et retards en ligne.
3. Le taux de courses réalisées et les kilomètres effectifs. Une course supprimée restée dans les statistiques fausse la charge moyenne, donc les fréquences.
4. Des validations rattachées à une course et un arrêt, condition d'une prévision de demande crédible.
5. La transparence des hypothèses : quelles données alimentent le modèle, sur quel historique, comparées comment au réalisé.
6. Une boucle après mise en service : mesurer le nouveau graphicage dès les premières semaines et corriger les temps là où ils divergent.

Le SAEIV joue ici un rôle structurant : il produit la donnée réalisée (courses effectuées, ponctualité par arrêt et tranche horaire, kilomètres) qui alimente ensuite n'importe quel outil de planification. C'est ce socle que Pysae fournit aux réseaux, avec des exports ouverts (GTFS, GTFS-RT) pour qu'ils restent maîtres de leur donnée et libres de leur outil de planification.

L'algorithme n'est pas le facteur limitant : les outils d'optimisation performants sont accessibles. Ce qui manque le plus souvent, c'est un historique réalisé fiable. Investir dans la mesure avant l'optimisation reste le bon ordre des priorités.

FAQ

L'IA peut-elle concevoir seule un nouveau réseau de bus ?

Non. Les outils comparent des scénarios, mais les arbitrages (couverture contre fréquence, correspondances, zones peu denses) relèvent de l'AOM. Barcelone et Dublin reposent sur des choix de conception explicites, testés ensuite par la modélisation.

Pourquoi les temps de parcours théoriques posent-ils problème ?

Ils sont souvent anciens, uniformes sur la journée et déconnectés de la circulation réelle. L'optimiseur réduit le parc sur le papier, l'exploitation subit ensuite retards et battements absorbés.

Quelles données faut-il réunir avant un projet d'optimisation ?

Temps de parcours réels par tronçon et tranche horaire sur une saison, ponctualité par arrêt, taux de courses réalisées, kilomètres effectifs et validations rattachées à une course. L'offre théorique NeTEx ou GTFS complète ce socle.

Sources : L'Usine Digitale (rachat de Remix par Via, mars 2021 ; levée de fonds d'Optibus, mai 2022) ; GIRO, "HASTUS arrive à la RATP" (février 2019) ; Optibus, annonces ATAP et bureau de Paris (janvier 2022), étude de cas Grupo Ruiz ; TRID/TRB, "ATP: Run-time analysis and improved punctuality" (UITP, TMB, Université de Barcelone, 2011) ; Le Met', déploiement du nouveau SAEIV (novembre 2023) ; Île-de-France Mobilités, portail open data (validations réseau ferré) ; TMB, "What is the new bus network" ; National Transport Authority (Irlande), communiqué BusConnects (mars 2025) ; CMS Francis Lefebvre, "LOM et ouverture des données de transport" ; règlement délégué (UE) 2017/1926 ; France Mobilités, fiche PTV Visum.