Analyse cinématique des taxis électriques révèle des modèles de conduite optimaux
À l’ère où la mobilité urbaine opère une transition rapide vers l’électrification, comprendre le comportement des véhicules électriques dans des conditions réelles de circulation est devenu crucial – non seulement pour l’efficacité énergétique, mais également pour la sécurité et le confort des passagers. Une étude novatrice publiée dans le Journal of Beijing Jiaotong University offre de nouvelles perspectives sur les comportements de conduite des taxis 100% électriques grâce à l’analyse de plus de 7 millions de points de données GPS collectés sur neuf jours à Shenzhen, en Chine. Cette recherche, dirigée par Ning Li, Zhouzhou Yao et Chunjiao Dong, introduit une méthodologie inédite combinant la segmentation cinématique, l’analyse en composantes principales (ACP) et la classification par algorithmes K-means pour identifier 27 modèles distincts de conduite selon divers contextes spatio-temporels.
Les implications de ces travaux dépassent largement le simple intérêt académique. Alors que les villes du monde entier poussent vers des flottes zéro émission – particulièrement dans les secteurs à forte utilisation comme le transport avec chauffeur et les services de taxi – les régulateurs, gestionnaires de flottes et conducteurs ont besoin de renseignements exploitables sur la façon dont ces véhicules sont réellement conduits. Contrairement aux véhicules à moteur à combustion interne traditionnels, les véhicules électriques purs présentent des caractéristiques opérationnelles uniques : fonctionnement plus silencieux, couple instantané et dynamique de freinage différente due aux systèmes de récupération d’énergie. Ces traits peuvent influencer subtilement le comportement du conducteur, le flux de circulation et même les profils de risque d’accident.
L’innovation centrale de l’étude réside dans l’utilisation de « segments cinématiques » – des épisodes de conduite discrets définis entre deux périodes d’immobilisation. Chaque segment encapsule un microcosme de la conduite réelle, incluant les phases d’accélération, de décélération, de croisière et d’immobilisation. En extrayant 1 757 de ces segments à partir d’une flotte de 14 taxis électriques BYD e6 opérant dans le district de Futian à Shenzhen, les chercheurs ont constitué une base de données riche reflétant les réalités nuancées de la mobilité électrique urbaine.
À partir de ces données, ils ont initialement identifié 13 caractéristiques liées au mouvement regroupées en trois domaines : caractéristiques de vitesse (vitesse moyenne, vitesse maximale, taux de dépassement de vitesse), dynamiques d’accélération/décélération (fréquence des changements de vitesse, accélération moyenne) et métriques d’état de conduite (proportion de temps d’immobilisation). Cependant, reconnaissant que nombre de ces indicateurs sont interdépendants – et que l’utilisation des 13 introduirait redondance et inefficacité computationnelle – l’équipe a appliqué l’ACP pour distiller les variables les plus informatives.
Le processus d’ACP a révélé que quatre composantes principales expliquaient 83,28% de la variance totale du comportement de conduite, dépassant confortablement le seuil communément accepté de 80% pour une réduction de dimensionnalité fiable. Une analyse plus poussée des contributions des composantes a permis aux chercheurs d’isoler huit indicateurs clés représentant collectivement la sécurité, l’efficacité et le confort – les trois piliers de l’évaluation holistique de la performance de conduite.
Ces huit indicateurs ont ensuite été traités par un algorithme de classification K-means. Utilisant la méthode du coude pour déterminer le nombre optimal de clusters, l’équipe a établi trois archétypes comportementaux distincts par scénario spatio-temporel. En croisant trois types de routes (artérielles, secondaires et locales) avec trois périodes horaires (pic matinal, heures creuses et pic vespéral), ils ont généré une bibliothèque complète de 27 modes caractéristiques de conduite.
L’une des découvertes les plus contre-intuitives de l’étude concerne l’heure de pointe matinale. La sagesse conventionnelle pourrait suggérer que le trafic intense entraîne une conduite plus erratique, stressante et potentiellement dangereuse. Pourtant, les données racontent une histoire différente : les taxis électriques de Shenzhen ont exhibé leur meilleure performance globale durant le pic matinal, obtenant les scores les plus élevés aux métriques combinées de sécurité, efficacité et confort. Cette supériorité semble découler d’une vigilance accrue des conducteurs en début de journée, d’un respect plus strict des limites de vitesse et de profils d’accélération/décélération plus lisses.
En contraste, la performance du pic vespéral accusait un retard significatif – particulièrement en termes de sécurité. Les chercheurs émettent l’hypothèse que la fatigue des conducteurs après une longue journée de travail pourrait contribuer à des comportements plus risqués, comme des freinages plus brutaux ou des taux de dépassement de vitesse plus élevés. Cette insight comporte des implications profondes pour la gestion de flotte : programmer des shifts plus courts, implémenter des pauses repos obligatoires ou déployer des systèmes de feedback en temps réel durant les heures vespérales pourrait atténuer ces risques.
Le type de route jouait également un rôle décisif. Les routes artérielles – généralement plus larges, mieux entretenues et moins congestionnées que les rues locales – produisaient systématiquement les scores de confort les plus élevés. Les conducteurs sur ces routes exhibaient des fréquences d’accélération/décélération plus basses et des transitions de vitesse plus douces, se traduisant par une conduite plus fluide pour les passagers. Inversement, les routes locales, avec leurs arrêts fréquents, voies étroites et activité piétonne imprévisible, produisaient les modèles de conduite les plus variables et souvent sous-optimaux.
La méthodologie de l’étude ne se contente pas de décrire le comportement passé – elle permet une intervention en temps réel. En traitant continuellement le flux GPS d’un véhicule, le système peut extraire des segments cinématiques à la volée, calculer les huit indicateurs clés et apparier instantanément le mode de conduite actuel à l’archétype le plus proche dans la bibliothèque de 27 modes. Cela permet un feedback immédiat et contextuel : si un conducteur exhibe un pattern « faible sécurité, haute agressivité » sur une route locale durant le pic vespéral, le système pourrait suggérer de réduire la vitesse, augmenter la distance de sécurité ou éviter les inputs accélérateurs brusques.
Un tel système s’aligne parfaitement avec la tendance croissante des technologies d’assistance à « l’éco-conduite » et la « conduite défensive ». Mais contrairement aux outils de coaching génériques, cette approche s’enracine dans des données empiriques provenant d’opérations réelles de taxis électriques dans une métropole chinoise majeure. Elle tient compte de la culture traffic spécifique, de l’infrastructure routière et de l’environnement réglementaire de Shenzhen – une ville souvent considérée comme leader mondial dans l’adoption des véhicules électriques.
De plus, le cadre est intrinsèquement scalable. Bien que cette étude se soit concentrée sur les taxis, la même pipeline de segmentation cinématique et de classification pourrait être appliquée aux véhicules électriques privés, aux fourgonnettes de livraison ou même aux navettes autonomes. L’insight centrale – que le comportement de conduite peut être décomposé en patterns répétables et classifiables – est universellement applicable.
D’une perspective politique, les résultats offrent des guidance concrètes pour les urbanistes et autorités de transport. Par exemple, la proportion élevée de temps d’immobilisation (46% en moyenne) souligne la sévérité de la congestion urbaine à Shenzhen et suggère que l’optimisation des feux de circulation ou des voies dédiées aux taxis sur les routes artérielles pourrait générer des gains d’efficacité significatifs. Similairement, la prévalence de cycles fréquents d’accélération/décélération (moyenne de 29,26 événements par minute) pointe vers des opportunités d’écoulement traffic plus fluide grâce à une meilleure conception des intersections ou un contrôle adaptatif des signaux.
La recherche contribue également au discours plus large sur la sécurité des véhicules électriques. Malgré leurs bénéfices environnementaux, certaines études – incluant une citée par les auteurs du Ministère de la Sécurité Publique de Chine – ont indiqué que les véhicules à énergie nouvelle pourraient avoir des taux d’accident et de mortalité plus élevés par 10 000 unités comparés aux véhicules conventionnels. Bien que les raisons soient multifactorielles (ex: accélération plus rapide conduisant à des erreurs de jugement, fonctionnement plus silencieux réduisant la conscience piétonne), cette étude suggère que le comportement du conducteur est un facteur critique et modifiable. En identifiant et promouvant les modes de conduite « haute performance », les villes pourraient potentiellement réduire le risque d’accident sans recourir à des régulations restrictives.
Critiquement, l’étude évite l’écueil commun de traiter tous les véhicules électriques comme homogènes. Au lieu de cela, elle reconnaît que le comportement de conduite est façonné par une interaction complexe entre type de véhicule, environnement routier, heure du jour et facteurs humains. Cette approche nuancée améliore l’utilité pratique des résultats.
Perspectivement, la méthodologie pourrait être enrichie avec des flux de données additionnels. Intégrer l’état de charge de la batterie, l’intensité du freinage régénératif ou même la température de l’habitacle pourrait révéler des corrélations plus profondes entre gestion énergétique et style de conduite. Similairement, incorporer des facteurs externes comme la météo, les événements spéciaux ou les perturbations des transports publics pourrait améliorer la puissance prédictive du modèle.
Pour l’instant, cependant, l’étude se présente comme un blueprint robuste et data-driven pour comprendre et améliorer les opérations de taxis électriques. Sa bibliothèque de 27 modes sert non seulement d’outil analytique, mais aussi de référence pour ce à quoi ressemble une « bonne » conduite électrique en milieu urbain dense. Les gestionnaires de flotte peuvent l’utiliser pour former de nouveaux conducteurs, récompenser les comportements exemplaires ou identifier ceux nécessitant un coaching correctif. Les régulateurs peuvent s’y référer lors de la rédaction de directives traffic spécifiques aux véhicules électriques. Et les chercheurs peuvent s’appuyer dessus pour explorer des comparaisons inter-villes ou des changements comportementaux longitudinaux.
Ultimement, la transition vers la mobilité électrique ne se résume pas à changer de moteurs – il s’agit de repenser notre façon de nous déplacer dans les villes. Cette recherche, en illuminant les patterns cachés de la conduite des taxis électriques, prend une étape significative vers rendre cette transition plus sûre, plus fluide et plus durable.
Auteurs : Ning Li¹, Zhouzhou Yao², Chunjiao Dong¹
Affiliations :
¹ Laboratoire Clé des Technologies d’Application des Big Data pour l’Industrie des Transports, Ministère des Transports, Université de Beijing Jiaotong, Beijing 100044, Chine
² Institut de Recherche Hikvision, Hangzhou 310051, Chine
Publié dans : Journal of Beijing Jiaotong University, Vol. 48, No. 1, pp. 176-186, Février 2024
DOI : 10.11860/j.issn.1673-0291.20230020