Parkeon dope Path to Park au machine learning de Dataiku

L’application mobile d’assistance au stationnement urbain Path to Park de Parkeon s’appuie sur l’expertise Big Data de Dataiku, l’éditeur français de Data Science Studio, plateforme d’analyse de données et d’applications prédictives. « Le projet a débuté en février 2013. Une première version de Path to Park a été mise à disposition début 2014 dans des villes pilotes, en Europe et aux États-Unis. C’était les débuts de Dataiku, mais nous avions déjà confiance dans l’équipe et la solution, qui permettait de tester des idées plus rapidement et simplement », explique à la rédaction Yves-Marie Pondaven, CTO de Parkeon.

Prédire les comportements des utilisateurs

« Depuis le premier déploiement, la solution a été optimisée et nous pouvons maintenant gérer des zones géographiques très larges – des pays entiers. C’est une première mondiale dans ce domaine et un gros challenge technique », assure Yves-Marie Pondaven. Téléchargeable gratuitement pour Android et iOS, Path to Park est disponible à Paris et désormais sur l’ensemble de la France métropolitaine. L’application repose sur le traitement de données massives hétérogènes et la modélisation de la pression de stationnement en temps réel. « Notre approche consiste à utiliser, mêler, des données de terrain et les données ouvertes de la ville pour modéliser le stationnement. Une telle modélisation prend en compte des phénomènes relativement fins, comme la différence entre les habitudes des usages suivant le type de quartier, les croisements de rue, le ou les centres d’une ville. La richesse du modèle vient de cette capacité à combiner l’Open Data avec des données spécifiques », précise Florian Douetteau, cofondateur et Pdg de Dataiku. « Par ailleurs, le système combine une approche de modélisation à long terme qui est ensuite corrigée en temps réel, et ce en tenant compte des derniers évènements de la ville », ajoute-t-il.

Le stationnement payant est « indispensable »

L’application Path to Park apprend pour « prédire » le comportement des utilisateurs de parking en associant des données intermédiaires (trafic, comportements urbains, typologies des rues…). Mais le Machine Learning ne sonne pas le glas des horodateurs « Les horodateurs, et plus généralement le stationnement payant, restent d’actualité, car ils permettent d’avoir plus de places disponibles en voirie dans les zones en manque de places », souligne Yves-Marie Pondaven. « Il est souvent plus facile, par exemple, de se garer dans la rue, même si vous avez un parking dans l’immeuble où vous habitez. Vous pouvez donc avoir des rues pleines de voitures garées par les résidents, ce qui empêche aux occasionnels de se garer. Le stationnement payant évite aussi les voitures ventouses (parfois des épaves). Dès que le parking devient payant, même faiblement, la situation s’améliore. Donc le stationnement payant est indispensable ».

Le Machine Learning « nous aide à savoir où il y a le plus de chance de pouvoir se garer, mais pas de créer de places de parking. Il nous permet, en revanche, de mieux utiliser les places disponibles en dirigeant les usagers vers des rues et des places qui ne sont pas forcement visibles ou d’éviter aux usagers de faire des tours à la recherche de places inutilement ». Ceci étant dit, poursuit le CTO de Parkeon, « grâce aux technologies de pointes utilisées, il est possible de prédire où se garer dans des rues, des villes et des régions sans horodateurs ! Pour faire simple, c’est comme pour les sondages : avec peu de données il est possible d’extrapoler avec un bon niveau de fiabilité et, dans notre cas, les sondés sont les horodateurs ».

Lire aussi :

Big Data : Data Science Studio joue aussi la carte Spark
Big Data : Dataiku va doubler ses effectifs et gagner New York