Cet article fait partie de notre guide: Internet des Objets : Guide iconoclaste à l’usage des décideurs informatiques

Parkeon met le « Machine Learning » au service des automobilistes

Avec son application mobile "Path to Park", Parkeon exploite une architecture Big Data en production depuis plusieurs années. Jusqu’ici mise à profit par les villes, celle-ci est désormais à disposition des automobilistes.

par

Alain Clapaud

Publié le: 16 févr. 2015

Vous avez un rendez-vous professionnel chez HP France, Coca Cola, ou dans l’un des nombreux sièges de grandes entreprises présents à Issy les Moulineaux. Pas de problème pour vous garer, l’application "Path to Park" vous indique l’itinéraire qui devrait vous garantir de passer devant une place de parking libre.

Cette application, mise au point par Parkeon, est une nouvelle illustration de la stratégie « Big Data » du leader mondial des solutions de stationnement. Présent dans 55 pays, Parkeon gère un parc de 200 000 horodateurs dont 100 000 sont connectés. Dans son datacenter de Besançon, le leader mondial des solutions de stationnement collecte l’ensemble des tickets de stationnement, les rapports d’activité de ces objets connectés et les alarmes de fonctionnement. Ce sont donc plusieurs millions de tickets de stationnement et de données techniques qui, chaque jour, viennent enrichir les 50 instances Oracle gérant 200 schémas sur 8 serveurs en production.

Pour générer ses tableaux de bord, Parkeon a fait le choix de la solution Exalead pour délivrer aux villes des tableaux de bord dynamiques.

« Ce qui est intéressant avec cette solution technique, c’est que l’on peut travailler sur de très grands volumes de données », explique Yves-Marie Pondaven, directeur technique de Parkeon.

« Ainsi, sur New-York, lorsqu’on remonte des données d’historique sur le parc de 15 000 horodateurs, cela demande une grosse puissance de traitement. Les outils décisionnels classiques ont du mal, car faire des cubes OLAP implique d’agréger l’information.

Or, un horodateur peut générer 40 tickets de stationnement par jour et on doit pouvoir sélectionner, sur une zone donnée chaque ticket. L’unité de base reste le ticket de stationnement et, dans de telles conditions, les cubes ne permettent pas les gains de performance classiques. Il faut passer à autre chose et pour nous, cet autre chose, ça a été Exalead. »

Le Big Data remplace les coûteux capteurs

Parkeon exploite cette gigantesque base de données avec le moteur Exalead pour ses besoins des villes, notamment pour la maintenance prédictive des horodateurs. Et la mettait à disposition de ces mêmes villes afin qu’elles gèrent au mieux leurs parcs de stationnement. Désormais, le Français l’ouvre au grand public avec une application mobile de guidage des automobilistes.

Plutôt que de s’appuyer sur des capteurs de présence installés sous chaque place de parking, l’application utilise les statistiques pour déterminer la probabilité d’occupation des places. Une approche 100% « Big Data » bien plus économique que d’avoir à équiper des milliers de places avec des capteurs.

Pour alimenter ses modèles statistiques, Parkeon s’appuie bien évidement sur les tickets de stationnement qui constituent la matière première de ses calculs. Mais ces données sont enrichies d’autres informations très directement liées à la ville.

Ainsi, pour estimer le plus précisément possible l’occupation des places, ces modèles prennent en compte un certain nombre de données « Open Data » telles que la densité de population de l’Insee. Les données météorologiques influent peu la prévision : « l’impact de la météo varie en fonction des endroits. On peut imaginer que dans les villes balnéaires, il y ait un impact direct sur le tourisme, mais sur la région parisienne ce paramètre joue très peu », précise Yves-Marie Pondaven.

D’autres paramètres sont très difficilement modélisables dans un algorithme. Ainsi quel va être l’impact d’un concert de Coldplay ou d’Imagine Dragon sur la circulation un samedi soir ? Le groupe fera-t-il salle comble ? Les fans viendront-ils essentiellement en transport en commun ou en voiture ? Autant de critères qui doivent être ajustés manuellement et à terme automatiquement grâce aux « tracking » des usagers pour affiner en temps réel.

Parkeon a fait le choix de déployer sa plateforme prédictive en s’appuyant sur l’offre et les compétences de Dataiku. « Nous avons travaillé au départ avec l’équipe de Dataiku pour élaborer les premiers modèles, voir si nous pouvions obtenir des résultats probants. Techniquement, la mise en place de la plateforme n’a pris que quelques mois, par contre au niveau de l’application mobile, nous avons fait quelques itérations avant d’aboutir à la version actuelle. Nous avons fait de nombreux tests utilisateur pour améliorer l’ergonomie de l’application. En outre, nous avons réalisé des tests terrain pour ajuster nos modèles prédictifs car en partant des tickets de stationnement, on ne dispose que d’une estimation du nombre de places disponibles. »

L’application décisionnelle Parkeon Analytics, ouverte aux villes clientes de Parkeon, s’appuie sur la solution Exalead pour naviguer sur les très gros volumes de données engendrées par les horodateurs connectés.

En effet, entre les fraudeurs ou les camions qui empiètent sur 3 places, les modèles statistiques de Parkeon doivent être capables d’intégrer cet écart entre places de stationnements « vendues » et places effectivement occupées.

Devant cette incertitude et pour ne pas décevoir ses utilisateurs, l’application ne donne pas un emplacement où l’automobiliste va trouver une place, mais un itinéraire. « Nous préférons indiquer un chemin de 3 sections de rues où sur chacune d’elles la probabilité de trouver une place est de 80%. Mathématiquement, en parcourant les trois sections la probabilité de succès dépasse 99%. »

L’intérêt du Machine Learning est qu’une fois que la machine apprend à modéliser à partir des données de stationnement, il est possible de prédire le fonctionnement d’une rue sans horodateur ou même d’une ville entière. C’est ce qui va nous permettre d’ajouter facilement de nombreuses villes.

La Data Science Studio de Dataiku facilite l’usage du Machine Learning avec un éditeur graphique qui permet d’ajouter de nouvelles sources de données facilement et de tester leur impact sur les modèles. Il est important de pouvoir itérer rapidement afin de trouver rapidement les variables les plus discriminantes et d’adapter facilement les modèles au contexte (telle ville peut avoir une source de donnée et pas une autre).

Une architecture hybride pour faire face à la montée en charge

Le Machine Learning permet de prédire le stationnement d’une rue sans horodateur

Parkeon a fait le choix d’internaliser la plateforme Dataiku sur ses propres serveurs. Actuellement déployés sur Issy les Moulineaux, seuls deux serveurs frontaux répondent aux requêtes des utilisateurs mais avec des données préparées pour avoir de bonnes performances dans l’application mobile.

« Le back-office se compose de serveurs qui exécutent les analyses dans le Data Science Studio, mais les données sont préalablement traitées dans le Cloud, via le service Redshift d’Amazon Web Services. Le plus gros des traitements sont réalisés dans le Cloud, car il faut traiter tous les tickets de stationnement pour en faire une information exploitable car ce qui est intéressant pour le guidage de l’automobile, c’est de savoir combien il y a de tickets actifs à telle heure et à tel endroit. C’est cette information qui va être intéressante pour les modèles de Machine Learning.

« Les traitements les plus lourds sont aujourd’hui réalisés tous les soirs, mais nous accélérons maintenant le rythme des traitements progressivement. L’intérêt de Redshift, c’est que l’on peut traiter énormément de tickets de stationnement rapidement. Actuellement, les traitements représentent une demi-heure de calcul pour une ville majeure. Le Machine Learning génère ensuite les données calculées et le code associé qui est exécuté en mémoire sur les machines en frontal des applications mobiles. »