Publicité
Tech by VICE

3000 Uber suffiraient à remplacer les 13500 taxis de New York

Des chercheurs du Laboratoire d'informatique et d'intelligence artificielle du MIT ont conçu un algorithme qui permettrait de réduire la quantité de taxis circulant dans New York, réduisant ainsi la pollution, les embouteillages et la consommation d...

par Daniel Oberhaus
04 Janvier 2017, 9:00am

Image: Felix Morgner/Flickr

Une nouvelle étude publiée ce lundi par le Laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL) a mis en évidence le fait que 3000 taxis pratiquant la course partagée suffiraient à faire le boulot des 13500 taxis licenciés de New York, qui ne transportent le plus souvent qu'une personne à la fois. Cette découverte, si elle était exploitée, pourrait révolutionner la gestion du parc des taxis new-yorkais—à condition de prendre en compte une contrainte importante : les passagers doivent utiliser l'option Pool offerte par Uber et Lyft.

L'étude a utilisé un algorithme développé par les chercheurs du CSAIL, qui ont exploité des données publiques sur les courses des taxis new-yorkais, à raison de 3 millions de courses effectuées sur une période d'une semaine en 2013. Grâce à un modèle qui simule les demandes de taxis des clients dans la ville, l'algorithme a pu réarranger les trajets des taxis disponibles de façon à laisser le moins de véhicules possible inoccupés.

Ce modèle a permis aux chercheurs de déterminer qu'un véhicule quatre places pouvait répondre à 98% des demandes avec un temps d'attente moyen du client de 2.7 minutes seulement, et un retard moyen de 2,3 minutes—les taxis étaient ainsi 20% plus rapides à arriver au client que ne le sont les Uber actuels. En adaptant le modèle pour incorporer différents types de véhicules, l'équipe a découvert que 3000 véhicules à deux places pouvaient gérer 94% de la demande de taxis à New York, et que 2000 véhicules similaires suffisaient à couvrir 95% de cette demande.

"À notre connaissance, c'est la première fois que des scientifiques ont pu quantifier expérimentalement comment pondérer la taille de la flotte de taxis, leur capacité, le temps d'attente, les retards de course et les coûts opérationnels d'une gamme de véhicules données", a déclaré Daniela Rus, la professeur d'informatique à CSAIL en charge de l'étude. "En outre, notre modèle est particulièrement adapté aux voitures autonomes, car il permet de rediriger les véhicules en fonction de la demande, en temps réel."

Ces résultats ne constituent pas une très bonne nouvelle pour les taxis de New York, qui se battent depuis plusieurs années contre l'expansion d'Uber dans la ville. Mais ils risquent de mettre en péril les conducteurs Uber eux-mêmes, qui craignent l'obsolescence de leur métier face au développement des véhicules autonomes. Or, l'algorithme du CSAIL pourrait contribuer à dynamiser ces nouveaux programmes de parcs automobiles sans chauffeur. En revanche, des algorithmes de ce types pourraient contribuer à stimuler l'économie américaine dans son ensemble, qui perd environ 121 milliards de dollars par an (environ 1% du PIB américain) quand la population perd 5,5 milliards d'heures d'activité à cause du trafic routier (sans parler des 11 milliards de litres de carburant gaspillés).

Bien que le concept du covoiturage ne soit pas vraiment nouveau, l'algorithme du CSAIL améliore énormément les algorithmes propriétaires d'Uber et Lyft permettant d'organiser les courses partagées. Les systèmes utilisés actuellement exigent que les utilisateurs éligibles à un partage de course se situent sur la même voie, et que toutes les demandes soient finalisées avant de créer un itinéraire de covoiturage. L'algorithme de CSAIL, en revanche, associe les utilisateurs à différents véhicules en temps réel, tout en analysant dans quel secteur les véhicules à haute capacité seront les plus avantageux.

"Les services de covoiturage pourront avoir un impact social énorme lorsqu'ils seront optimisés ; ils permettront de réduire la congestion du trafic, la pollution et la consommation d'énergie", ajoute Rus. "Je pense qu'il est de notre devoir en tant que chercheurs de contribuer à les rendre les plus efficaces et les plus fiables possibles."