Calage et validation des modèles de trafic - Sétra

migrations alternantes et s’applique mieux pour certains types de cas (liaison couronne périurbaine - pôleurbain notamment) ; la deuxième s’appuie sur une analogie avec les lois de la gravitation (cf. guidemodélisation urbaine du Certu [6]) ;• les méthodes d’ajustement de la matrice. Les paragraphes sur la combinaison des résultats d'enquêtes et sur ladésagrégation de matrices le soulignent bien : la matrice OD n’est qu’une estimation, avec une marge d’erreurelle-même estimable. Des méthodes simples (Fratar) à complexes (optimisation du gradient ou du maximumde vraisemblance) d’ajustement sur les comptages sont présentées, en insistant sur les risques inhérents etdonc les conditions d’emploi ;• la constitution de sous-classes de matrices. La matrice est usuellement décomposée en deuxclasses homogènes dans les modèles interurbains : les VL et les PL. Or, chaque classe comporte des sousclassesnettement hétérogènes : usagers ne supportant pas les coûts des péages, ménages avec différentesclasses de revenus, catégories de PL soumises à des réglementations et des péages différents, … Lesprincipales sous-classes à examiner sont détaillées, accompagnées de propositions pour leur intégration dansun modèle d’affectation interurbain.4.1 - Choix des postes d'enquêtes, combinaison optimaleLors de la constitution d’une matrice OD, le modélisateur dispose d’une base de données, qui peut êtreconstituée d’une part de tout l’historique des enquêtes OD réalisées dans le secteur d’étude dans les dernièresannées, et d’autre part d’un recueil de données récent effectué spécifiquement pour l’étude, mais nécessairementrestreint pour des raisons de coût. Plusieurs problèmes peuvent donc se poser :• les informations sont redondantes : plusieurs coupures permettent de calculer différents estimateurs des fluxOD ;• la qualité des données est variable et fonction de l’échantillon du poste d'enquêtes (cf. 3.1 - Principes deconstitution du zonage). Sur certains flux OD, il peut même n'y avoir aucune information, du fait del'échantillonnage ;• des données récentes sont à comparer ou à combiner avec des données plus anciennes.Le modélisateur est donc confronté à un problème de fusion de données, que l’on peut illustrer par un exemple.Imaginons une OD suffisamment longue pour qu’il y ait plusieurs enquêtes pour l’estimer, admettons avec deuxitinéraires, comme sur l’exemple illustré ci-dessous. Par ailleurs, cinq enquêtes OD sont disponibles pourestimer la matrice d’ancienneté et de qualité très variables.ODCoupure 1199810 000 véh/jour1 200 interviewsEnquête 1200615 000 véh/jour900 interviewsCoupure 2200220 000 véh/jour600 interviewsNB : on ne représente ici que les deuxcoupures ayant fait l’objet d’enquêtessur une même période.Comment combiner les résultats ? Différentes options sont envisageables :• conserver l’estimation de la coupure complète la plus récente (2002), mais elle est très imprécise (échantillontrès faible) ;• faire une moyenne des coupures 1 et 2, pour compenser à la fois les défauts d’ancienneté et d’imprécision,mais l’information de l’enquête la plus récente est alors inutilisée ;• combiner le résultat de l’enquête 1, la plus récente (2006), avec une moyenne des enquêtes des coupures 1 et 2sur la route la plus longue, …Chapitre 4 – Phase I : donner des bases solides au modèle 67