Carte déformée des transports en Ile de France

Les cartes des transports en Ile de France sont des cartes anamorphosées qui présentent l'offre de transport de façon claire sans se préoccuper de la géographie sous-jacente, mais petit à petit, ces cartes déformées modifient notre perception du territoire.

Je me suis amusé avec une carte de l'Ile de France pour rendre compte de la déformation  :

• Voici une carte des communes d'Ile de France colorée en fonction du département "à l'échelle" (disons à peu près à l'échelle, car je ne suis pas géographe !)  :

 

• Voici une version classique de carte des transports (récupérée par exemple sur transilien.com) :

• Voici la première carte déformée pour se rapprocher de la transformation de la carte des transports :

Tous les modèles sont faux... Certains sont utiles !
Pour ceux que cela amuse, j'ai réalisé ces cartes à partir de Notebook iPython qui est vraiment un outil simple et performant pour analyser des données. J'ai, notamment utilisé les librairies : Matplotlib, Pandas. Il existe plusieurs "distributions" associant  au moins une partie de ces outils, j'ai essayé Pyzo, Enthought ou Anaconda... et, bien sûr, les données "opendata" des limites communales d'Ile de France.

Data Visualisation du temps de mobilité quotidienne : l'empreinte de mobilité journalière !

J'ai poursuivi l'analyse de mes traces Google Location History et je vous propose cette visualisation. 

Elle représente le temps moyen passé dans les différents modes de transport pour chaque heure de la journée.

A chaque colonne correspond une heure de la journée. Plus la colonne est fine, moins je passe de temps à me déplacer sur ce créneau horaire. 

Les rectangles rouges foncés représentent le nombre de relevés "inVehicle" c'est à dire en transport (ou en voiture), pour l'heure qui figure en haut de chaque colonne, en rouge clair, le nombre de relevés "onFoot"  (à pied), et en rouge "moyen" les relevés en vélo.

L'information est assez dense. Elle permet de constater que :

• C'est à 8 heures (entre 8.00 et 9.00) que je me déplace le plus, puis à 19.00, puis 18.00, 7 et 12...
• Je passe beaucoup plus de temps à marcher que dans les transports. A ce point, la proportion m'étonne, peut être est ce un biais de Google Location... Ou une conséquence du traitement réalisé sur les données brutes pour ne retenir que le mode le plus probable....
• Il m'arrive très rarement de circuler en vélo (vrai depuis quelques mois), et c'est en général entre midi et deux (ce qu est juste).
• Je me déplace beaucoup moins entre 21.00 et 1 heure du matin, et plus du tout entre 2 et 6 heures (ce qui semble aussi probable si la période étudiée n'est pas trop longue). 

Au total c'est une véritable "empreinte de mobilité journalière" qui est probablement aussi différente pour chacun d'entre nous que le sont nos empreintes digitales.

Et vous quelle est votre empreinte de mobilité ? 

Ce que révèlent les données de la géolocalisation de Google

Si vous êtes un utilisateur de Google Maps vous pouvez activer votre "historique de localisation" sur cette page. Google vous propose d'accéder aux données de localisation ainsi collectées (mais aussi à celles de nombreux autres services de Google) sur cette autre page.

J'ai récupéré mon historique de localisation et ai passé quelques heures à l'explorer (pour les nouveaux lecteurs, je l'avais déjà fait en 2010, mais de façon moins approfondie), voici ce que j'ai appris.

Les données sont dans un ficher "json" dont la taille dépend du nombre de localisations présentes dans votre historique. Le mien est composé de plus de 200 000 positions collectées entre fin 2009 et fin 2013... Mais la première surprise est que le nombre de point de mesure quotidien a très brutalement augmenté en 2013, comme le montre ce graphique du nombre de points relevés par jour :

Le nombre de points mesurés par jour augmente en 2013.

Je pense que cette augmentation correspond à une évolution du service, liée à la mise à disposition par Android d'informations plus complètes comme mentionné ici et à l'utilisation plus systématique des API de localisation par diverses apps. Si vous avez des idées sur la question, n'hésitez pas à me les indiquer en commentaires ou sur twitter.

Chaque position est décrite comme suit :

{"timestampMs" : "1389387648744",

   "latitudeE7" : 488109845,

   "longitudeE7" : 21917024,

   "accuracy" : 20,

   "activitys" : [ {"timestampMs" : "1389387648390",

                         "activities" : [ { "type" : "still", "confidence" : 85}, 

                                             { "type" : "inVehicle", "confidence" : 7}, 

                                             { "type" : "unknown", "confidence" : 7 } ]

                      } ]

  }

timestampMs est un indicateur de date et d'heure, on trouve, ensuite, la position : latitude et longitude, la précision (en mètre ?), et une suite d'indications concernant l'activité et en particulier la mobilité probable du porteur du téléphone. Les attributs proposés étant : still, inVehicle, onFoot, onBicycle et tilting. Voici la répartition des modes (en ne retenant que le plus probable pour chaque mesure) qui indique que les modes  inVehicle ou onBicycle sont très rarement les plus probables :

Répartition des modes dans Google Location History

Je me suis, ensuite, intéressé à la répartition horaire pour les différents jours de la semaine :

Historique de localisation Google par jour de la semaine

Ces graphiques semblent révèler un rythme hebdomadaire, avec des différences notables d'un jour à l'autre et qui mériterait d'être approfondi....

Enfin, je me suis intéressé à la répartition "spatio-temporelle" des relevés et ai essayé de retrouver des déplacements réguliers. Après quelques tâtonnements, voici un exemple où les localisations du Week End et celles de la semaine sont colorisées de façon différentes.

Répartition spatio-temporelle colorée de positions relevées le WE et en semaine.

J'ai réalisé ces analyses relativement rapidement en utilisant le langage R et en m'inspirant d'un article d'Oscar Branson sur le même sujet. 

Les données semblent très riches et même si, comme souvent, leur interprétation nécessite beaucoup de prudence, il y a probablement de nombreux enseignements qui peuvent en être extraits. Si cela vous inspire d'autres axes d'analyse (ou d'autres sources)  n'hésitez pas à me laisser un message ci-dessous.