Stations & profils¶

Cette page permet une exploration fine station par station (tables filtrables) et présente des profils comportementaux du réseau via clustering.

1) Table exploratoire (7 j / 30 j)¶

Colonnes : ID, nom, capacité estimée, % pénurie / % saturation (7 & 30 jours), volatilité (σ vélos), couverture, distance au centre, cluster.
Tri/filtre : top pénuries / saturations, variabilité, cluster, zone.

Téléchargements : - 7 jours : ../../assets/tables/network/stations/station_stats_7d.csv - 30 jours : ../../assets/tables/network/stations/station_stats_30d.csv - Clusters par station : ../../assets/tables/network/stations/station_clusters.csv
- Distribution des clusters : ../../assets/tables/network/stations/cluster_distribution.csv
- Centroïdes 24 h (CSV) : ../../assets/tables/network/stations/cluster_centroids_24h.csv
- Résumé clustering (JSON) : ../../assets/tables/network/stations/clustering_summary.json

2) Fiches station (liens depuis la table)¶

Chaque station peut avoir une fiche dédiée (optionnel) :
Sparkline 7 j, profil 24 h typique (médiane / 15 min), heatmap h×j récente, et indicateurs (pénurie/saturation 7 & 30 j, volatilité, couverture, événements).

3) Carte des clusters¶

Couleur = cluster ; taille ≈ capacité estimée.

4) Profils 24 h — centroïdes par cluster¶

Centroids

5) Projection PCA(2) des profils¶

PCA

La PCA ne sert qu'à visualiser la séparation des groupes ; le clustering se fait sur l’espace complet (96 points).

6) Sélection d’exemples (volatility)¶

../../assets/tables/network/stations/selection_volatility.csv

7) Clustering — méthodologie détaillée¶

Objectif. Regrouper les stations par similarité d’usage pour révéler des archétypes (résidentiel, pôle d’emplois, gares, loisirs…).

Variables (features). - Profil 24 h (96 pas de 15 min) : médiane d’occupation bikes / capacity_est sur ~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.

Pré-traitement. - Standardisation (moyenne 0, écart-type 1) sur les profils. - PCA (2D) uniquement pour la figure — pas pour l’algorithme.

Algorithmes. - K-Means par défaut, k choisi empiriquement (coude) + Silhouette / Davies-Bouldin.
- HDBSCAN en option quand la densité varie beaucoup (gère le bruit sans imposer k).

Attribution & stabilité. - Scores internes : Silhouette = 0.179, Davies-Bouldin = 1.564 (k=6, n=1458).
- Bootstrap par semaines pour vérifier la stabilité (optionnel).
- Centroïdes publiés (courbes moyennes par cluster) comme comportements-types.
- Signalement des stations frontières (incertitude) possible.

Étiquettes interprétables (exemples). - Résidentiel nocturne : haut la nuit, baisse le matin, remonte le soir.
- Pôle d’emplois : bas la nuit, pic d’arrivée le matin, vidage fin de journée.
- Transport / gares : fortes oscillations synchronisées aux pointes.
- Touristique / loisirs : week-end marqué, milieux de journée élevés.

Limites. Le clustering décrit des usages, il ne prédit pas. Les groupes évoluent avec la saison, travaux, événements — recalcul périodique prévu.

8) Mémo technique¶

Source : docs/exports/events.parquet, pas de 15 min.
Capacité estimée : priorité à capacity_src, sinon quantile 0.98 de (bikes + docks_avail) si dispo, sinon 0.98 de bikes.
Pénurie / Saturation : bikes == 0 / (docks_avail == 0 ou capacity - bikes == 0).
Couverture : #bins observés / #bins attendus sur 14 j.
Volatilité : σ des vélos par station sur la journée locale, médiane des stations.