Aller au contenu

Réseau — Présentation générale

Cette section explore comment le réseau Vélib’ vit dans l’espace et dans le temps. Elle se compose de trois pages complémentaires :

Granularité temporelle
Les analyses sont réalisées à pas 15 minutes en UTC (affichage local possible). Les agrégations (jour, semaine, mois) s’appuient sur ces pas.

Jeux de données utilisés
- events.parquet : comptages et états par station (bikes/docks), 15 min.
- perf.parquet : séries cibles y_true et, si disponible, y_pred (utile pour certaines métriques d’usage).
Les deux fichiers sont régénérés régulièrement et reflètent l’état le plus récent du réseau.

1) Aperçu du réseau (ce que vous trouverez dans overview.md)

Objectif

Donner en un coup d’œil la santé du réseau aujourd’hui et la situer par rapport aux semaines précédentes.

Questions auxquelles la page répond

  • Combien de stations actives / hors ligne actuellement ?
  • Quel est le niveau de disponibilité (part de stations avec au moins 1 vélo / 1 place) ?
  • Où sont les zones sous tension (pénuries récurrentes, saturation) ?
  • Comment se comparent les pics/creux d’aujourd’hui à la médiane des dernières semaines ?

Indicateurs clés

  • Disponibilité vélo = 1[velos_disponibles > 0] (taux de stations offrant au moins 1 vélo).
  • Disponibilité place = 1[docks_disponibles > 0].
  • Taux de saturation = part de stations à docks_disponibles = 0.
  • Taux de pénurie = part de stations à velos_disponibles = 0.
  • Couverture = part d’horodatages valides (données présentes).
  • Volatilité intra-journalière (écart-type des vélos dispo par station, agrégé).

Visualisations principales

  • Carte instantanée (ou la plus récente) avec couches pénurie / saturation.
  • KPIs du jour vs médiane J-7/J-14/J-21 (barres ou cartes d’étincelles).
  • Courbe journée type (médiane horaire des dernières N semaines) superposée à la journée en cours.

Lecture & limites

  • Les indicateurs de disponibilité sont structurels (présence/absence) et indépendants de la capacité.
  • Une station « saine » peut être très utilisée mais rarement en zéro vélo ou zéro place.
  • Les maintenances et coupes réseau peuvent fausser temporairement la perception sur quelques heures.

2) Stations & profils (ce que vous trouverez dans stations.md)

Objectif

Permettre une exploration fine station par station, avec une table filtrable et des profils comportementaux (clustering).

Table exploratoire

  • Colonnes suggérées : ID, nom, capacité estimée, taux de pénurie/saturation (7 & 30 jours), volatilité, couverture, quartier/arrondissement, distance au centre, cluster (voir ci-dessous).
  • Tri/Filtre : top pénuries, top saturations, variabilité, cluster, zone géographique.

Fiches station (liens depuis la table)

Chaque station dispose d’une fiche synthétique (ouverture dans une page dédiée) comprenant :
- Sparkline 7 jours (vélos disponibles).
- Profil 24 h typique (médiane par quart d’heure).
- Heatmap h×j récente (intensité d’usage).
- Indicateurs : pénurie/saturation (7 & 30 jours), volatilité, couverture, événements anormaux récents.

Clustering des comportements (expliqué)

Objectif : regrouper les stations par similarité d’usage pour comprendre des archétypes (résidentiel, pôle d’emplois, gares, touristique…).

Variables de description (features) - Profil 24 h : vecteur de longueur 96 (15 min) = médiane des vélos dispo par pas, sur une fenêtre récente (ex. 28 jours), centré-réduit.
- Amplitude/variabilité : écart-type quotidien, plage min-max normalisée.
- Asymétries temporelles : ratios matin/soir, semaine/week-end.
- Contexte léger (optionnel) : capacité, distance centre, altitude (si dispo).

Pré-traitement - Normalisation (StandardScaler) pour rendre comparables les courbes.
- Réduction (PCA 2-3D) uniquement pour la visualisation : le clustering se fait sur l’espace complet normalisé.

Algorithmes - K-Means (par défaut) avec k choisi via coudes + Silhouette/Davies-Bouldin.
- HDBSCAN (option robuste) quand les densités diffèrent fortement : gère bruit/outliers sans imposer k.

Attribution & stabilité - Évaluation interne (Silhouette) et stabilité par re-sampling (bootstrap sur semaines).
- Centroides typiques restitués comme “comportements-types” interprétables (courbes moyennes).
- Stations proches des frontières signalées (incertitude).

Étiquettes interprétables (exemples) - Résidentiel nocturne : haut la nuit, baisse le matin (départs), remonte le soir (retours).
- Pôle d’emplois : bas la nuit, pics d’arrivée le matin, vidage en fin de journée.
- Transport/gares : fortes oscillations, pics synchronisés aux pointes.
- Touristique/loisirs : activité plus marquée week-end, milieux de journée.

Sorties affichées - Carte par cluster (couleur = cluster, taille = capacité).
- Courbes typiques par cluster (centroïdes).
- Distribution des clusters par arrondissement / zone.

Limites
- Le clustering décrit les usages, il ne prédit pas.
- Les clusters peuvent évoluer avec la saison ou des travaux ; un recalcul périodique est prévu.

3) Dynamiques spatio-temporelles (ce que vous trouverez dans dynamics.md)

Objectif

Mettre en évidence les rythmes et déplacements de pression dans la ville.

Analyses proposées

  • Heatmaps h×j (par station et agrégées) : intensité des vélos disponibles ou du taux de pénurie, par heure du jour et jour de semaine.
  • Saisonnalité courte/longue :
  • Intra-semaine (lundi→dimanche) : comparaison des profils typiques.
  • Intra-année (si historique suffisant) : effet météo/vacances (qualitatif), glissements de pics.
  • Cartes temporelles animées (ou séquences d’instantanés) pour suivre la vague de saturation → pénurie sur une journée type.
  • Flux intra-urbains (qualitatif) : lecture conjointe des zones qui passent de saturation à pénurie avec un décalage horaire (indication de “courant” de déplacement).

Indicateurs & méthodes

  • Indice de tension par station : penurie_rate + saturation_rate (7 jours).
  • Score de régularité : corrélation de la journée en cours à la journée type (90 derniers jours).
  • Détection d’épisodes : séquences ≥ X pas en pénurie/saturation (morphologie binaire).
  • Agrégations spatiales : par arrondissement/quartier (moyennes pondérées par capacité).

Lecture & limites

  • Les heatmaps mettent à nu la récurrence des phénomènes ; elles n’expliquent pas la cause (météo, événements).
  • Les “flux” sont déduits visuellement par co-évolution des zones ; ils ne sont pas des trajectoires individuelles.

Valeur analytique de la section “Réseau”

  • Opérationnel : repérer rapidement les zones à surveiller (redispatch).
  • Stratégique : comprendre les archétypes d’usage et leur évolution (clustering).
  • Communication : visualisations pédagogiques pour le grand public (profil 24 h, cartes).

Bonnes pratiques de lecture

  • Toujours croiser pénurie et saturation (les deux faces d’un déséquilibre).
  • Un taux de disponibilité élevé ne signifie pas faible tension : regarder la volatilité.
  • Les clusters aident à comparer des stations comparables entre elles.

Aller plus loin