See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/284607921

Un système d'aide à la régulation pour un réseau de transport urbain collectif:

Vers une approche de raisonnement à base de cas

Article in Journal of Decision System · January 2007

DOI: 10.3166/jds.16.469-504 · Source: dx.doi.org

CITATIONS READS

6 480

2 authors:

K. Bouamrane Fouzia Amrani

University of Oran1 Ecole Nationale Polytechnique d'Oran
107 PUBLICATIONS 302 CITATIONS 13 PUBLICATIONS 20 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Management of interactions between experts in e-maintenance View project

Towards a Decision Support System for Optimizing the Location of Warehouses in a Supply Chain by Using the Bee Colony Algorithm View project

All content following this page was uploaded by K. Bouamrane on 31 May 2020.

The user has requested enhancement of the downloaded file.

Un Système d’aide à la régulation pour un
réseau de transport urbain collectif: Vers
une approche de raisonnement à base de cas

Bouamrane karim* — Amrani Fouzia*

* Faculté des Sciences - Département Informatique

BP 1524 EL Mnaouer, Oran Algérie
[email protected]
[email protected]

Journal of Decision Systems. Volume 16 – N°4

RÉSUMÉ. Cet article présente un système de classification basé sur un raisonnement à base de
cas. Cette approche nous permet d'associer un profil de scénario des actions de régulation
pour réguler les perturbations qui apparaissent dans un réseau de transport urbain.
Les déplacements des personnes et des biens ont toujours été au centre des préoccupations
des responsables des collectivités locales. La qualité des transports est un élément essentiel
de la compétitivité. Si les exigences en matière de confort et de sécurité sont les aspects les
plus préoccupants, c’est la fiabilité et la ponctualité du transport qui retiennent le plus
souvent l’attention.
Ce travail contribue à l’avancement de la thématique de la régulation du trafic au sein d’un
réseau de transport urbain bimodal (Bus et tramway). Ce problème préoccupe de plus en plus
les compagnies de transport, d’autant plus que les usagers deviennent de plus en plus
exigeants, que la concurrence devient de plus en plus rude. Ces derniers ont peu de moyens
de prévoir l’apparition des phénomènes aléatoires qui affectent le trafic.
ABSTRACT: This paper presents a classification system based on case-based reasoning. This
approach allowed us to associate a profile of scenarios for the actions performed by the
controllers who regulate the disturbances that appear in an urban transportation system.
Movements of people are always a core concern for managers in charge of the administration
of local communities as the quality of transport is an essential element of competitiveness.
This work contributes to the advancement of the research area concerned with the regulation
of traffic in an urban transportation system (bus and tram). This problem is increasingly
important for transport companies, because of rising user expectations, heightened
competition and the fact that they have few means of planning for the largely unpredictable
traffic disturbances which they must face.
MOTS-CLÉS: Système d’aide à la régulation (SAR), Réseau de transport urbain (RTU),
régulateur, Raisonnement à base de Cas (RBC), Approche multi-critères
KEYWORDS: Decision-Making System of regulation (DMSR), urban transportation system
(UTS), regulator, Case-Based Reasoning (CBR), Multicriterion approach
1. Introduction

Le but de cette étude est d’offrir un outil d’aide pour les opérateurs de la
régulation en poste de commande centralisé (PCC) pour la gestion du trafic
au niveau des interstations et des correspondances. L’objectif principal est
d’élaborer un système d’aide à la régulation (SAR), capable de résoudre le
problème de gestion des incidents durant le parcours des véhicules (Bus ou
tramway) dans les conditions normales ou perturbées. A travers cela, la
qualité de service offert aux voyageurs est améliorée dans leurs
déplacements quotidiens. Ceci permet d’atteindre l’objectif majeur qui est la
minimisation des temps d’attentes des voyageurs dans les réseaux des
transports urbains.
Il s’agit alors, de la conception d’un SAR permettant aux régulateurs :
- de surveiller le trafic urbain (acquisition des perturbations),
- d’analyser les perturbations en enrichissant l’environnement de
supervision du régulateur du réseau par des informations pertinentes sur
le contexte (connaissances contextuelles) (Pasquier 2002 ; Brezillon
2003) qui sont organisées et structurées pour être exploité dans la
résolution de celles-ci,
- d’assurer le classement préalable des perturbations, si tel est le
souhait du régulateur,
- de fournir des alternatives de solutions,
- donner une évaluation pour chaque alternative basée sur des critères
pertinents,
- d’appliquer la solution retenue par le régulateur.
Pour la réalisation du SAR, le choix d’utiliser une approche « ingénierie
cognitive » (Millot 2003) s’est imposé en raison du rôle du régulateur dans le
processus global de régulation d’un réseau de trafic urbain.
Les systèmes de transport étant des systèmes ouverts et distribués, Il y a
naturellement recours aux systèmes multi-agents (SMA) qui permettent de
répartir les tâches entre différents agents et de les faire coopérer pour un
même but à savoir la régulation. De même, afin de doter le SAR de
mécanismes de régulation et d’apprentissage, il y a recours:
1. à la formalisation algorithmique des actions de régulation afin de
faciliter leur intégration dans le SAR,
2. à la définition d’une panoplie de critères pertinents pour
l’évaluation des actions de régulation,
3. à la proposition d'un système de Raisonnement à Base de Cas
(RBC) basé sur l'indexation par situation comportementale afin
d’appréhender le savoir-faire des régulateurs et de le faire partager
 avec les autres régulateurs émergents dans le métier de la
régulation,
4. au développement d'un Système à Base de Connaissances (SBC),
particulièrement une base de règles afin de jouer le rôle de
"conseiller" pour le régulateur et fournir des solutions pertinentes
dans le cas d'afflux important de perturbations.
Enfin, la combinaison d'outil classique de la régulation identifiée par les
actions de la régulation, nouvellement formalisées (Bouamrane et al., 2006a)
et des outils de l’intelligence artificielle (SMA, RBC, SBC) représente une
première expérience dans le domaine de la régulation des réseaux de
transport multimodal.
Nous nous intéressons dans cet article au module de la régulation, et tout
particulièrement au raisonnement à base de cas (RBC).
Nous présentons dans la section deux, la problématique liée au domaine
de la régulation, nous enchaînons dans la section trois par situer cette
problématique du point de vue gestion de la connaissance et système d’aide
à la décision (SAD). Dans la section quatre, nous abordons la notion d’aide à
la décision dans les réseaux de transport urbain, dans la section cinq, nous
montrons l’opportunité de réfléchir à un raisonnement à base de cas. Les
sections six et sept sont consacrées respectivement au choix du RBC pour la
régulation d’un réseau de transport urbain, au processus d’élaboration d’un
RBC et le modèle RBC proposé. La section huit est dédiée aux principes de
l’approche proposée avec un exemple d’adaptation. Ensuite, la section neuf
présente une étude comparative basée sur deux critères montrant les
performances de l’outil proposé et du régulateur. Nous terminons cet article
par une conclusion synthétisant notre proposition.

2. Problématique

La problématique réside dans le fait que la régulation du trafic est une

tâche difficile, où chaque décision est prise en fonction de la situation en
cours. C’est pourquoi, les exploitants des réseaux de transport essayent de
trouver des solutions de plus en plus efficaces. Ils rencontrent de nombreuses
difficultés pour assurer un trafic urbain stable tout en respectant les règles en
usage (règles de régulation, règles de sécurité, rôle commercial de
l’entreprise…). En général, les difficultés rencontrées sont dues aux
mauvaises conditions de circulation (par exemple : le retard engendré sur les
différentes lignes du réseau), aux manques de personnel et de matériel (par
exemple : absence d’un conducteur ou panne d’un véhicule) et aux
correspondances non assurées (entre les véhicules d’un même mode de
transport ou de modes de transport différents).
 Pour mieux assurer la régulation dans leur PCC, l’apparition des
Systèmes d’Aide à l’Exploitation (SAE) a beaucoup aidé les opérateurs de
régulation (appelés aussi régulateurs). Les SAE permettent le suivi en temps
réel de l’exploitation d’un réseau de transport urbain en comparant les
horaires récupérés au niveau du réseau urbain via des capteurs aux horaires
théoriques disponibles dans le tableau de marche (TM) correspondant
généralement à une base de données dans laquelle, on sauvegarde les
différents horaires estimés. Les SAE traitent des quantités très importantes
d’informations mais les régulateurs n’arrivent pas à prendre en charge ce
grand nombre d’informations pour la prise de décision, en cas de
perturbations. La prise de décision nécessite de prendre en considération les
informations les plus importantes. Un Système d’Aide à la Décision (SAD)
est nécessaire afin d’aider les régulateurs à prendre des décisions pertinentes
pour la régulation du trafic, en cas d’éventuelles perturbations. Le SAD pour
la régulation est interactif : il doit pouvoir renseigner le régulateur sur des
points précis en fournissant des informations ciblées et pertinentes. Les
régulateurs à qui s’adresse le SAR fondent leurs actions sur leur savoir-faire
dans le domaine de la régulation ainsi que sur les connaissances
contextuelles (Brezillon 2003) qui leur sont fournies sur les perturbations.
Les régulateurs construisent des stratégies de gestion des incidents à partir de
données techniques sur l’exploitation des lignes et des procédures, en les
adaptant à la situation réelle. Les procédures ne peuvent pas prendre en
compte toute la richesse des situations rencontrées, mais le contexte
(Brézillon 2003 ; Pomerol et al.,2002 ; Brézillon et al., 1999) des incidents à
traiter influence grandement les stratégies de gestion. Ainsi deux incidents,
par ailleurs identiques, ne sont pas traités de la même manière en heure de
pointe qu’en heure creuse. La période de la journée étant un facteur
déterminant pour le choix de la procédure de régulation. En heure creuse, le
régulateur peut envisager des stratégies moins contraignantes en ressources
matérielles et humaines. Les connaissances contextuelles de la perturbation
telle que la période de la journée qui interviennent dans le choix des
stratégies sont nombreuses dans le cas de la gestion d’incidents sur le réseau
urbain.

3. Gestion de la connaissance et Système interactif d’aide à la

décision (SIAD)

Il existe de nombreux articles qui traitent des SIAD et de la

gestion de la connaissance. D’une part dans les travaux de (Rolland et
al.,2000), des SIAD sont utilisés pour la gestion de la connaissance.
D’autre part dans les travaux de (Gray 2001), la gestion de la connaissance
est utilisée dans les SIAD.
De plus, dans la littérature, on trouve une grande quantité d’articles qui
traitent conjointement ces deux domaines, par exemple, dans le domaine
financier Zopounidis et ses collègues parlent de SIAD basé sur la
connaissance (Zopounidis et al.,1997) ou dans les organisations où
Courtney et ses collègues proposent un nouveau paradigme de SIAD basé
sur le couplage de la prise de décision et de la gestion des connaissances
(Courtney 2001) tandis que Yim et ses collègues présentent la prise de
décision basée sur la connaissance comme base à une approche sur les
dynamiques du système (Yim et al., 2004).
Un autre exemple concerne les travaux de Lind qui regarde comment un
modèle de décision, en particulier celui proposé par Rasmussen
(Rasmussen 1986), peut être utilisé pour la conception de Systèmes à Base
de Connaissances (SBC). Les étapes du modèle de décision, une fois
formalisées, peuvent être utilisées comme un outil de conception de système
à base de connaissances. En conclusion de leurs travaux, le modèle de
décision a pu être appliqué à des niveaux fonctionnels d’un système à base
de connaissances (Lind 1991).
On peut alors constater que ces deux domaines sont fortement liés. La
suite montrera qu’il faudra tenir compte de cette relation dans la conception
d’un SIAD.
Maret et Pinon (Maret et al.,1996 ; Maret et al.,1997) montrent
l’importance pour une entreprise de maîtriser les savoirs et savoir-faire pour
aboutir à leur réutilisation. Ils démontrent l’intérêt du cadre conceptuel pour
gérer efficacement les processus de capitalisation et de réutilisation des
expériences. L'intérêt est porté dans la suite de cette étude à la réutilisation
des expériences à travers un système de Raisonnement à Base de Cas (RBC)
et un système à Base de Connaissance (SBC).
De plus, relativement aux travaux de Ouni et ses collègues
(Ouni et al., 2004) dans le domaine de la gestion de connaissances, on se
situe dans la perspective « système d’information » (SI) où le système de
gestion de connaissances est défini comme une « classe de système
d’information appliqués à la gestion de connaissances » (Alavi et al., 2001).
En effet, cette perspective met en évidence trois points essentiels dont
celui concernant l’intégration des connaissances et de l’utilisateur dans ces
systèmes, identifier les évolutions à apporter au SI pour répondre à des
objectifs de gestion de connaissances et spécifier de nouveaux systèmes pour
la gestion de connaissances. Dans cet ordre d’idée, Stenmark (2002)
préconise à ce que le système de gestion de connaissances doit être géré afin
d’aider l’utilisateur à assimiler et comprendre l’information ou la
connaissance. Par conséquent, il est recommandé de ne as se contenter
d’examiner les informations mais aussi les besoins cognitifs et
psychologiques de l’utilisateur (Stenmark 2002). En prenant en compte, cet
ensemble de recommandations, il a été proposé, dans le cadre de ce travail
pour les besoins du SAR, un processus décisionnel en cinq étapes prenant en
considération les besoins informationnels des régulateurs et leurs
préoccupations à prendre en charge les perturbations en un temps limite
(Bouamrane et al., 2005)

4. Aide à la décision et réseau de transport urbain

La multitude d’informations à gérer, à manipuler et à surveiller dans les

systèmes de supervision est souvent un obstacle au maintien de l’attention de
l’opérateur sur les éléments essentiels. Les apports des (SAD) pour ces
systèmes sont de deux ordres (Millot 2003):
− fournir une aide à la maintenance pour contrôler et détecter des
déviations par rapport à la normale, et en informer l’opérateur;
− fournir une aide à la conduite (régulation) par des outils de
simulation ou de commande directe.
Selon (Jovic 1992), la conception de ces systèmes fait partie de l’analyse
des processus cognitifs sous-jacents à la prise de décision par l’opérateur.
Dans sa tâche de prise de décision, l’opérateur se fie à ce qu’il connaît de
l’état du système.
La détection et le suivi d’une situation donnée dépendent en grande partie
de la perception de l’opérateur et de sa rapidité de réaction, qui est souvent
affaiblie par l’avalanche des informations reçues et par les problèmes de
choix d’outils et de documents disponibles. De plus, les bonnes synthèses
d’informations ne sont pas toujours disponibles car elles peuvent ne pas
avoir été prévues lors de la conception du système de supervision. En effet,
tous les cas de figure de situations possibles sont nombreux et non
prévisibles au moment de la conception du système de supervision.
Concernant la supervision d’un réseau de transport urbain, Fayech
(Fayech 2003) a identifié un ensemble de questions à se poser liées à la
nature des perturbations et aux manœuvres de régulation. Ces questions se
résument comme suit :
− Comment et quand détecter une perturbation ?
− Quel est son impact sur le réseau ?
− Comment mesurer l’importance de l’incident ?
− Nécessite-t-il une régulation ? Si oui, existe-t-il des mesures qui
lui sont adaptées ?
− Quelles mesures choisir ?
− Selon quel(s) critère(s) faut-il faire ce choix ?
− Comment évaluer pour pouvoir décider ?
 Les observations de (Fayech 2003) ont montré que le régulateur doit faire
face à ces questions en temps réel, tout en étant submergé d’informations en
provenance du SAE. Il doit prendre en un temps limité, des décisions
immédiates pour traiter les perturbations. Les visites du site de la Semurval
(Bouamrane 2003) par exemple, ont permis d’observer que le régulateur
passe plus de 50% de son temps à communiquer avec les conducteurs. Par
conséquent, pour qu’un régulateur puisse être efficace dans son poste de
régulation, il doit :
− avoir une vision globale sur le réseau ;
− traiter immédiatement les informations disponibles décrivant
l’état du réseau ;
− mener une analyse selon le temps et l’espace des perturbations ;
− projeter dans le futur l’effet des actions de régulation sur le
réseau.
A certaines périodes de la journée, les heures de pointes particulièrement,
les régulateurs exécutent en temps réel ou différé, des tâches difficiles
(raisonnement, réflexion, décision) sur plusieurs incidents à la fois, et sur
plusieurs lignes. Ces constats concernant le travail du régulateur en PCC
montre la nécessité de concevoir un SAD pour assister le régulateur dans sa
tâche.
Carlsson (Carlsson et al., 2002) montre que la recherche liée aux SAD
modernes se focalise sur la théorie et l’application des systèmes intelligents
et du « soft computing » dans la gestion, la planification, l’ordonnancement
et la résolution de problèmes diversifiés. De plus, dans le domaine de l’aide
à la décision, les approches hybrides ont bien prouvé leur efficacité. A titre
d’exemple, (Kacem et al., 2002) propose une approche hybride basée sur la
logique floue et les algorithmes évolutionnistes. Borne (Borne et al., 2002)
stipule que la qualité d’un SAD peut être mesurée suivant sa capacité à
réduire la complexité et à avoir des techniques multi-modèles, plusieurs
niveaux de coopération, un degré d’intelligence artificielle et aussi un degré
d’autonomie.
Dans cet ordre d’idée, on propose un SAR conçu comme un gestionnaire
de modèles, figure (1). Ces modèles intègrent une même architecture (SMA)
et partagent la même base de données (TM). Chaque modèle sélectionné par
le régulateur propose une à plusieurs solutions. Les solutions proposées par
chaque module sont évaluées à priori et proposées au régulateur afin de lui
permettre de choisir sur la base de son expérience du terrain, et sur la base
des évaluations à priori, la solution, la plus appropriée.
 SAE Base de données
TM

SAR
Analyse par le système
(connaissances contextuelles)

Algorithmes de Système à Système à Base

régulation Base de Cas de
(RBC) Connaissances

Evaluation des solutions

Figure 1. Les différents modèles intégrés dans le SAR

Les modules proposés à la figure (1) ont été développés autour d’une
maquette proposée en annexe (1). Ils sont présentés de façon hiérarchique au
régulateur. Ce dernier, peut choisir selon un processus décisionnel identifié
(Bouamrane et al., 2005) :
− de construire lui-même sa solution en s’appuyant sur des actions
de régulation (algorithmes de régulation), ceci se traduit par un
mode de régulation dit manuel ;
− de construire sa solution en se faisant aider par un algorithme de
filtrage ; ceci est considéré comme étant un mode de régulation
semi-automatique ;
− de recourir au mode de régulation automatique caractérisé par un
module de raisonnement à base de cas (RBC) et un module à
base de connaissances (base de règles).
La possibilité offerte au régulateur de construire sa solution est une
démarche originale. En effet, nous assurons, en cela au régulateur une réelle
interactivité avec le SAR, et par conséquent, nous lui permettons de proposer
une solution, quand celle-ci n’est pas disponible dans la base de cas, ou que
celle qui est proposée ne le satisfait pas (Bouamrane et al., 2005).
Par ailleurs, parmi les outils existants d’aide à la décision ou de
diagnostic, aucun n’offre la possibilité d’intégrer des connaissances
expérimentales. Or, l’expérience fait partie de la connaissance utilisée et est
déterminante dans la décision des opérateurs. Ceci a été mis en évidence lors
des études menées sur les sites pilotes, où la formation des opérateurs prévoit
leur mise en situation par simulation (Fuchs 1997). A ce titre, le SAR
proposé intègre l’expérience du régulateur à travers une base de cas
exploitée par un module de RBC.
 Le principal objectif de l'approche RBC est de proposer au régulateur en
un temps minime une solution, la plus adéquate à traiter la perturbation en
cours. Cela décharge le régulateur d’une lourde tâches particulièrement en ce
qui concerne les perturbations familières compte tenu qu’il passe plus de
50% de son temps à la radio ou au téléphone (Bouamrane 2003).
Néanmoins, le RBC a son utilité uniquement quand la solution est disponible
dans la base de cas. La base de cas représente la capitalisation du savoir-faire
du régulateur et par la même occasion un système d’apprentissage non
négligeable (Hayat et al., 2005).
Le SBC, caractérisée par une base de règles, est conçu pour fonctionner
comme un conseiller pour le régulateur. En effet, plusieurs actions de
régulation partagent les mêmes connaissances contextuelles (période de la
journée, type de véhicule, lieu,…), le régulateur pourrait délaisser certaines
actions par rapport à d’autres. Le SBC est conçu de manière à lui proposer
l’ensemble des possibilités avec une évaluation à priori afin qu’il puisse
sélectionner celle qu’il juge la plus pertinente au traitement de la
perturbation en cours.
Le SAR représente un support pour le régulateur dans le choix de ses
décisions. Ainsi, il permet de le fournir en propositions de solutions selon
une interaction homme-machine à structure verticale (Bouamrane et
al.,2005). L’objectif est de proposer au régulateur un outil qui lui permette
de confectionner sa décision de régulation si le besoin se fait sentir ou bien
de limiter son rôle au choix de la solution la plus appropriée si les solutions
sont multiples ou à sa simple approbation si la solution est unique.
L’ensemble des solutions étant enrichi de critères d'évaluation pour l’aider à
faire son choix (Bouamrane, et al., 2005). Finalement, le choix des décisions
revient au régulateur et le SAR ne sert que de support pour l’implémentation
des décisions à l’aide du SAE.

4. Opportunités de réflexion sur le raisonnement à base de cas

Pour situer le raisonnement basé sur les cas, il est nécessaire de remonter
aux travaux de (Minsky 1975 ; Schank 1982 ; Schank et al., 1989 ; Winston
1988) sur le paradigme du raisonnement et de la mémoire. Les évolutions les
plus récentes du raisonnement basé sur les cas sont encore largement
inspirées des directions données par ces premiers travaux.
Ce raisonnement artificiel à pour but de proposer des solutions à un
problème faisant partie d’une classe de problèmes couramment rencontrés
par le décideur. Il repose sur une base de cas où sont enregistrées les
situations déjà rencontrées et sur une mesure de similarité entre les
situations. Cette mesure de similarité doit être définie de manière assez fine
pour que les cas retrouvés aient des solutions assez proches d’une solution
du problème à résoudre.
 Les différentes observations effectuées (Bouamrane 2003 ; RCATUO
2004 ; Sémitan, 2003 ; TaM 2005) au niveau des PCC régulateurs ont
montré que ces derniers adoptaient des stratégies distinctes de régulation et
que l’action de régulation retenue était différente d’une période à une autre,
d’où l’intérêt d’une hiérarchisation des cas ainsi que l’exploitation d’une
indexation par situation comportementale basée sur la notion de chronique
événementielle. En effet, c’est l’arrivée d’une perturbation à un instant
donné, pour une situation donnée qui détermine le choix du régulateur. La
notion de savoir-faire est prédominante, d’où la nécessité de prendre en
considération l’ensemble des solutions proposées par l’ensemble des
régulateurs. A première vue, cela semble lourd à gérer, mais la mise en place
de structures adéquates de filtrage permet de limiter le nombre de cas par
perturbation.
Le choix d’un raisonnement à base de cas est justifié par l’afflux
important d’informations, ce type de système raisonnant par analogie peut
décharger les régulateurs de l’ensemble des cas de perturbations familières.
Ce genre de technique à déjà fait ses preuves (Jaczynsky et al., 1997 ; Leake
1996 ; Fuchs et al., 1999). Mais peu de ces techniques sont destinées à la
régulation des réseaux de transport. En effet, seuls les travaux de Pasquier
(Brezillon et al., 2000 ; Pasquier 2002) utilisent un RBC exploitant les
graphes contextuels pour la régulation d’une ligne de métro de Paris gérée
par la RATP1.
De ce fait, et relativement aux travaux de (Lamontagne et al., 2002) qui
indique les situations pertinentes amenant au choix d’un RBC, nous
proposons ci-dessous l’opportunité du choix de cette approche pour la
régulation d’un réseau de transport urbain (Bouamrane 2006b).
1. le régulateur est généralement un ancien conducteur dont le savoir-
faire accumulé durant des années lui permet d’anticiper les
perturbations et de connaître dans la majorité des cas, quelles actions
de régulation entreprendre, dans un réseau auquel, il est habitué ;
2. toute l’expertise du régulateur est basée sur des expériences vécues,
3. différentes solutions peuvent exister pour une même perturbation,
cela dépend du régulateur au commande ;
4. le régulateur peut être confronté à de nouvelles perturbations, mais
cela concerne principalement le réseau bi-modal (mise en place d’un
tramway),
5. des archives sur les perturbations et leur régulation correspondante
existent sous forme de verbalisation, mais ne sont utilisées que dans
un but statistique,

1
RATP : Régie Autonome de Transport de Paris
 6. les verbalisations peuvent être exploitées pour construire une base de
données de cas (ce qui est le cas dans cette étude). De plus, dans le
cadre de ce travail, un système expert (SBC) sert à enrichir la base de
cas dès qu’un nouveau cas est proposé et validé par le régulateur.
Les régulateurs ont une formation initiale principalement technique. Après
plusieurs années sur le terrain en tant qu’agent de maîtrise polyvalent
(conducteur, agent de manœuvre…), le futur régulateur suit une formation à la
régulation de trafic et à la gestion d’incident sur les lignes du réseau de
transport (Bus ou tramway, la formation est différente pour le moment).
Pendant cette formation, les futurs régulateurs apprennent les procédures,
ensuite, ils sont en alternance au PCC. Après cette période de formation, les
nouveaux régulateurs ont en charge la régulation d'un réseau (une ligne dans le
cas du tramway) et sont aidés par un de leurs collègues pendant les heures
d’exploitation voyageur.
Cette formation initiale fournit aux régulateurs les éléments nécessaires à la
régulation et à la gestion des incidents (Fourage 2002). Cette dernière est
complétée par l’expérience acquise pendant leur service. Chaque nouvelle
perturbation est l’occasion de se perfectionner. Pendant l’incident les
régulateurs échangent leurs points de vues, proposent diverses solutions
possibles. Le chef régulateur élabore sa stratégie à partir des procédures, de ses
expériences et de celles des autres régulateurs présents au moment de la
perturbation. Une autre période importante d’échange d’expérience entre
régulateurs a lieu après l’incident, et surtout lors des relèves. Outre, le résumé
des incidents d’exploitation ayant eu lieu, les régulateurs se relevant échangent
des informations sur des incidents particuliers ou des situations spécifiques
(Pasquier 2002).
L’ensemble de l’expérience acquise par les régulateurs, lors de la formation
initiale, lors des incidents qu’ils ont vécus ou lors d’échanges entre collègues,
garantie l’autonomie décisionnelle laissée aux régulateurs. Ainsi les
régulateurs sont des experts de haut niveau en régulation de trafic et en gestion
d’incidents.
Le réseau de la ville d’Oran se dotant prochainement d’une ligne de
tramway, les futurs régulateurs n’ont aucune expérience sur la façon de
réguler ce nouveau réseau bi-modal. A travers un module à base de RBC, il
leur est proposé une approche pour la régulation ayant des capacités
d’apprentissage afin de capitaliser l’expérience des régulateurs. Ceci étant
réalisé dans le but de faciliter la transmission du savoir-faire de certains
régulateurs expérimentés ou intervenant expert étranger à d’autres émergents
dans le métier et pour mieux réutiliser les connaissances acquises.
A cet effet, dans cette étude, la technique du RBC est adoptée pour un
réseau bi-modal, qui ne présente pas les mêmes caractéristiques qu’une ligne
de métro (système guidé), avec une interaction entre deux modes de
transport et partage des voies (bus et tramway). Pour cela, un système
d’indexation par situation comportementale est proposé. Enfin, notons que le
RBC dans le cadre du SAR permet de capitaliser l’ensemble des solutions
proposées par le régulateur, ce qui représente un apprentissage non
négligeable. Le régulateur étant le décideur final, il peut accepter ou refuser
les propositions faites par ce module (Bouamrane 2006b).
Dans le cas de la régulation d’un Bus, plusieurs types de comportement
des régulateurs vis à vis des perturbations sont observés. Pour la même
perturbation, et en fonction de l’expérience du régulateur, des solutions
différentes peuvent être obtenues (Mariné et al., 1988). Le RBC ne fait pas
état de ces différences. Pour cela, il a été introduit la notion d’index pour
pouvoir caractériser de façon individuelle chaque solution. Les sections
suivantes montrent comment est exploitée la réutilisation des expériences à
travers un RBC.

5. Processus d’élaboration et Formulation d’un RBC pour un

réseau de transport urbain

Selon (Lamontagne et al., 2002), la construction d’un système à base de

cas passe par cinq (5) étapes distinctes présentées ci-dessous.

1. Construction ou élaboration d’un cas : La construction ou

"élaboration d'un cas" est un processus en amont des activités de
résolution de problèmes du système RBC. Elle correspond à la
structuration initiale de la base de cas et des autres connaissances
du système à partir de différentes ressources tels des documents,
bases de données ou transcriptions d’interviews avec des
praticiens du domaine.
2. La recherche : permet de déterminer les cas de la base qui sont
les plus similaires au problème à résoudre. La procédure de
recherche est habituellement implantée par une sélection des plus
proches voisins (“k-nearestneighbors”) ou par la construction
d’une structure de partitionnement obtenue par induction.
3. L’adaptation : Dans la phase d'adaptation, le système RBC aide
l’usager à modifier et à réutiliser les solutions de ces cas pour
résoudre son problème courant. En général, on retrouve deux
approches pour l’adaptation de cas. Une approche
transformationnelle (ou structurelle) et une approche générative
(ou dérivationnelle).
4. Révision ou Vérification : poursuit deux buts
complémentaires (Lamontagne et al., 2002) à savoir : évaluer la
pertinence de la solution proposée selon des critères de réussite
 spécifiques au problème et vérifier que la solution ne contredit
pas des règles générales qui doivent toujours être vérifiées par
exemple et tracer les erreurs pour éviter de les refaire en pareille
circonstance.
5. Maintenance ou Apprentissage : les concepteurs doivent
préconiser certaines stratégies pour intégrer de nouvelles
solutions dans la base de cas et pour modifier les structures du
système RBC pour en optimiser les performances.
Dans notre étude, la construction des cas initiaux a été réalisée via la
saisie de certaines verbalisations concernant les perturbations précédentes ou
bien par le biais du SBC qui alimente la base de cas par les solutions
validées par le régulateur. On notera aussi, que pour la révision des cas, nous
utilisons un mécanisme d’évaluation extérieur qui se base sur une approche
multicritère (Roy 1985) pour établir une classification permettant de retenir
le cas source, le mieux placé.
La base de cas représente la base de connaissance centrale d’un RBC et
est noté Base−de−cas . Chaque élément de Base−de−cas est appelé cas
source. On note un cas source par cas−source=(source, Sol(source)) où
source est appelée perturbation source. La figure (2) montre le processus
d’identification de la perturbation source inspiré du carré d’analogie de
(Chouraqui 1986 ; Bouamrane et al., 2006a).
αproblème
perturbation perturbation
source (Pb2)
cible (Pb1)

βcible
βsource

Sol(source)
αsolution Sol (cible) ?

Figure 2. Processus d’identification de la source

avec :
αproblème : Ordre partiel avec lequel sont comparées la perturbation cible et la perturbation source,
βsource : Indexation de l’ensemble des solutions source en exploitant les évaluations des perturbations Indx(Source)
αsolution : Extraction de la meilleure solution (suite à l’indexation),
βcible : Coût avec lequel la solution cible a été obtenue (non considéré dans cette étude).
 Etant donné une perturbation source, le système RBC a pour tâche
d’exploiter la base de cas pour résoudre cible. Ce raisonnement s’effectue en
deux phases : la recherche et l’adaptation.
1. la recherche a pour objectif de chercher dans la base de cas
Base−de−cas un cas−source=(source, Sol(source)) tel que la
perturbation source est similaire à la perturbation cible. Le
cas−source est appelé cas remémoré ou recherché.
2. l’adaptation a pour tâche de construire une solution Sol(source) de
la perturbation source.

6. Modèle du RBC proposé

Le modèle RBC proposé exploite une indexation basée sur une situation
comportementale. Il s'agit d'un ensemble d’indices décrivant une évolution
dans le temps d'un état à l’opposé de l’indexation basée sur une situation
instantanée qui représente un ensemble d’indices définissant un état à un
instant particulier.
L’aspect comportemental permet souvent de mieux décrire une situation
et représente pour de nombreux problèmes une composante essentielle de la
description de la situation.
La prise en compte d’un ensemble de comportements dans l’indexation a
été exploitée dans plusieurs applications basées sur le raisonnement à base
de cas ; nous citons les travaux de (Rougegrez 1994) sur la prévision de
l’évolution de feux de forêt ; (Nakhaeizadeh 1994) concernant la prévision
économique, (Schmidt et al., 1996 ; Bull et al., 1997) sur la prévision
médicale et épidémiologique ; (Ram et al.,1993 ; Fuchs et al.,1995),
respectivement sur la commande de robots mobiles et l’aide à la supervision
de processus.
Son exploitation pour la régulation d'un RTU (aide à la supervision de
processus), représente, une première tentative.

6.1. Présentation de l’indexation par situation comportementale

Pour parler d’indexation par situation comportementale, le concept

"situation comportementale" dont les éléments principaux sont les
comportements (Jaczynski et al., 1997) est d'abord défini.
L’indexation par situation comportementale suppose l’observation d’un
processus qui évolue dans le temps. C’est souvent le cas dans des problèmes
de diagnostic, de prévision ou de commande. Dans ce genre de problèmes,
un processus représente un procédé physique ou une activité humaine se
déroulant dans un environnement. Le processus possède un ensemble de
variables caractéristiques de son état. Ces variables prennent des valeurs à
différents instants, utilisant une unité de temps propre à l’observation du
processus appelée chronique.
Le terme situation comme a été défini par Kolodner (Kolodner 1993)
stipule qu’il s’agit d’un « ensemble d’indices, caractéristiques pertinentes et
discriminantes d’un cas ou du problème courant ». Par conséquent, une
situation comportementale est l’ensemble des indices qui représente en
particulier les comportements pertinents de certaines variables du processus
et leurs relations temporelles. Une situation comportementale doit être vue
comme une extension temporelle d’une situation instantanée, et donc
n’exclut pas que certains indices représentent des valeurs instantanées.

6.2. Intérêt de l’indexation par situation comportementale

L’indexation par situation comportementale doit être utilisée pour des

problèmes qui présentent les deux caractéristiques suivantes (Jaczynski et
al., 1997) :
− les évolutions dans le temps des variables du processus sont
pertinentes pour l’activité de résolution de problèmes ; et/ou les
relations temporelles entre les valeurs des différentes variables d’un
processus sont pertinentes. Dans le cas de la régulation d’un RTU
cela se traduit par l’évolution des variables temporelles (heure
creuse, heure de pointe, heure de relève);
− il n’est pas possible par manque de connaissance, d’abstraire ou de
modéliser les différents comportements et leurs relations pour
décrire une situation instantanée. Pour une même situation, deux
régulateurs peuvent proposer des actions de régulation différentes. Il
est donné dans cette étude, l’avantage à la solution proposée par le
chef régulateur compte tenu de son expérience dans la régulation du
réseau.
Ces caractéristiques se retrouvent dans de nombreux systèmes existants
en RBC qui abordent d’une part des problèmes de prévision et d’autre part
des problèmes de conduite et de supervision de processus. Ce sont ces
mêmes caractéristiques qui sont retrouvées dans le RBC destiné à la
supervision d’un RTU afin d’en assurer la régulation.

7. Principes de l’approche proposée

7.1. Représentation explicite de la similarité

En se référant à la figure (2), il peut être énoncé que Sol(cible) est

obtenue par adaptation du cas recherché (phase 3 du processus d’un RBC),
cas-source à la perturbation cible. cas-source n’est pas nécessairement
adaptable à la perturbation cible : l’adaptation peut échouer et ne pas donner
une solution. Par conséquent, deux approches de la recherche peuvent être
distinguées :
− la première se fonde sur la recherche dans la base de cas du cas cas-
source le plus proche de cible au sens d’une distance donnée.
− la seconde consiste à garantir que le cas recherché est adaptable à la
perturbation cible.
Le type de recherche présenté dans ce travail se situe dans le cadre de la
première approche. Elle utilise une représentation explicite de la similarité.

7.2. Recherche et classification

Considérons, Pb1 comme étant la nouvelle perturbation acquise (cible)

via le SAE et Pb2, la perturbation présente dans la base de cas (source),
figure (2).
Dans le système d’aide à la régulation proposé, le module RBC est
organisé sous forme d’une base de données (enregistrements). Les
perturbations qui arrivent sont comparées à l’aide d’un ordre partiel « < ».
Dans ce cas, si pb1<pb2 on peut dire que la perturbation pb1 est plus
spécifique que pb2 (c’est-à-dire que les valeurs des paramètres de pb1 sont
incluses dans les intervalles de celles de pb2).
Chaque cas−source (perturbation) enregistré devient une solution
source pour la base de cas. A ce stade, on lui associe un index indx(source)
tel que indx(source)>=source : un index est une généralisation d’une
perturbation source. Les index sont organisés en une hiérarchie Hidx pour
l’ordre <. Une solution source est ajoutée à la hiérarchie en considérant un
seuil à partir duquel elle peut être retenue dans la hiérarchie. Ce seuil est
établi sur la base d’un certain nombre de paramètres, tableau (1),
particulièrement la durée de la perturbation, la période de la journée et la
localisation de la perturbation. La figure (3), montre un exemple
d’organisation.
L’indexation consiste en un classement qui repose sur l’historique. Le
«modèle d’indexation par situations comportementales » est une approche
générique en RBC pour l’indexation par historique. L’approche proposée
comprend le modèle de représentation proprement dit des indices. La
situation comportementale d’un cas définit des comportements élémentaires
(actions à exécuter pour la régulation) auxquelles on associe l’évaluation
obtenue. Cette évaluation servira de mesure lors de l’exploitation de la
hiérarchie afin de déterminer la solution cible (perturbation cible), la plus
appropriée.
 Hiérarchie Hidx

est composé

Indx 1 Indx 2 Indx n

Figure 3. Organisation de la hiérarchie et construction des index

La recherche d’une perturbation enregistrée à l’aide de Hidx s’appuie sur

deux processus de classification. Une classification dite dure ou uniquement
la stricte égalité des deux structures de cas est prise en considération, et en
cas d’échec de cette dernière, c’est-à-dire lorsqu’il n’existe pas de
perturbation traitée source identique, la classification élastique est activée. A
ce stade, le module RBC cherche une fonction de modification
approximative fm1 telles que :

Source ≤ indx(source)≅ fm1(indx(source)) (1)

où ≅ se lit « similaire à » et signifie « égal à une modification près ».

Cette fonction de modification est basée sur la comparaison d’un nombre

de paramètres en respectant différents seuils. Les paramètres et leurs seuils
sont présentés dans le tableau (1).

Paramètres Retard Localisation Période Mode de

transport
Seuil ± 2 min ± soit un arrêt même période même
précédent, soit un (horaire de la mode de
arrêt suivant sauf si perturbation) transport
c’est le terminus
Tableau 1. Paramètres et seuils de fm1
La recherche dans le modèle à base de cas consiste à trouver un
traitement similaire à la perturbation cible. Elle établit par conséquent de
quelle façon ils sont similaires. source est similaire à cible dans le cas d’une
égalité stricte ou bien si la relation (1) entre source et cible est vérifiée.
Le calcul de la similarité dans le cas de la régulation d’un RTU est basé
sur six données, les quatre proposées dans le tableau (1), plus deux
paramètres concernant le calcul des distances par rapport au prochain arrêt et
au prochain terminus (Bouamrane 2006b), à savoir :
− Durée de la perturbation
− le nom de l’arrêt suivant (arrêt suivant l’arrêt ou a été localisé la
perturbation),
− Horaire de la perturbation (période)
− mode de transport considéré (bus ou tramway).
− distance par rapport au prochain arrêt,
− distance par rapport au prochain terminus,
L’adaptation (Lieber et al., 1997) consiste alors à généraliser la solution
Sol(source) de source en une solution Sol(Indx(source)) de
Indx(source) et à spécialiser cette solution générale en une solution
Sol(cible) de cible, ce qu’on peut noter par le diagramme suivant,
figure (4):

source Indx(source) cible

Sol(source) Sol(Indx(source)) Sol(cible)

Figure 4. Généralisation de la solution source

7.3. Modélisation du RBC

L'algorithme général du RBC inspiré des travaux de (Lieber et al., 1997)

est présenté ci-dessus. Cet algorithme ne prend en charge que les étapes de
recherche et d’adaptation, c’est-à-dire sans l’étape d’apprentissage.
Une fonction recherche est considérée, elle prend en entrée une
perturbation cible et retourne un couple (cas-source, sim(source, cible)) où
cas source est un élément de la base de cas et sim(source, cible) est un
chemin de similarité de cas-source à cible. En cas d’échec de la recherche,
cas-source et sim(source, cible) seront égaux respectivement à échec {∅}.
L’adaptation est considérée comme une fonction Adaptation qui à partir
d’une perturbation cible, d’un cas-source et d’un chemin de similarité
sim(source, cible) associe une solution Sol(cible) de cible. A l’opposé de la
recherche, l’adaptation ne doit jamais retourner un ensemble vide∅.
L’algorithme suivant présente de façon globale l’organisation des
fonctions recherche et adaptation au sein du RBC proposé.
RBC(cible)
entrée : une perturbation cible
sortie : une solution Sol(cible) de la perturbation cible ou ∅
1. Rechercher un cas-source=(source, Sol(source)) ∈ base-de-cas et un
chemin de similarité sim(source, cible) de source à cible :
2. Si cas-source= ∅ alors retourner ∅
3. Adapter cas-source à cible selon sim(source, cible) :
Sol(cible)← Adaptation(cible, cas-source, sim(source, cible))
4. retourner Sol(cible)

7.4. Structure de la base de cas

Les figures (5) et (6) montrent la structure partielle d’un cas représentant
les informations concernant une perturbation avec sa solution (dans la base
de cas).
Structure d’un cas
Notation :
Numéro d'ordre : NumO
Période de la journée (Heure creuse ou heure de pointe) : Pj
Type perturbation (Avance, Retard, Panne) : Np
Valeur perturbation (positive (retard) ou négative (avance) : Rt
N° ligne : Nl
Type véhicule (Bus standard, bus articulé ou tramway) : Tp
Charge Véhicule (Nombre de voyageurs estimé à l’instant Pt : Cv
Localisation Perturbation : Lp

NumO Pj Rt Nl Tp Np Cv Lp
Figure 5. Composition partielle d’une perturbation (source ou cible)

Code action de régulation : Ca (toutes les actions de régulation sont

codées)
Compteur : Compt (comptabilise le nombre de fois où
cette solution a été sollicitée)
N°Index : Indx (N° d’ordre dans la hiérarchie)
Valeurs des critères de la solution: Eval1,2,3,4,5

Ca Compt Indx Eval1 Eval 2 Eval 3 Eval 4 Eval 5

Figure 6. Composition partielle d’une solution (source)
 Dans cette étude, nous exploitons cinq critères d’évaluation pour chaque
solution proposée dont les valeurs de trois critères sauvegardées dans la
structure de cas solution (source) sont utilisés dans la phase d’adaptation de
la solution dans le système RBC (Hayat et al.,2005 ; Bouamrane 2006b).

7.5. Exemple d'adaptation (RBC)

Comme indiqué en introduction, nous exploitons une architecture multi-

agent à l’image des travaux de (Balbo 2000 ; Gruer et al., 2001 ; Laichour
2002 ; Fayech 2003) supportant les différents modules de régulation
proposés à la figure (1).
Soit une perturbation simulée affectant le véhicule de type Bus N° V7 de
la ligne 11 à 10:12 (période creuse). A partir de là, une opération de
recherche est déclenchée par le module RBC. Cette dernière opération, en
considérant une classification dure (égalité stricte) et en exploitant les seuils
proposés dans le tableau (1) identifie trois perturbations source (cas-source)
préalablement enregistrées. Ce qui correspond à la hiérarchie d’index (trois
solutions différentes représentent éventuellement trois comportements
différents émanant des régulateurs pour solutionner une même perturbation
arrivant dans la même période). Chacune de ses solutions a ses propres
évaluations à priori. Le tableau (2) représente les trois solutions avec
l’évaluation des trois critères essentiels retenus pour la recherche
multicritères.

Solution 1 Solution 2 Solution 3

Critère de régularité (R) 1 0,8 0,2
Critère de ponctualité (P) 0,8 0,5 0,3
Critère de correspondance (C) 0,6 0,5 0,5

Tableau 2. Représentation des solutions trouvées lors de la remémoration

avec évaluation des critères retenus2
Les solutions une, deux et trois correspondent respectivement dans la
littérature des régulateurs à un "demi-tour en ligne", un "demi-tour en ligne
avec échange de conducteurs et de voyageurs" et une "régulation en ligne".
La notation solution 1, 2 et 3, est utilisée afin d'en faciliter la compréhension.
A partir de là, une méthode multicritère de sur-classement est adoptée
afin de déterminer la solution la mieux classée (Caillet 2003).

2
Les différents critères sont évalués entre 0 et 1 ce qui correspond à l'intervalle 0% à
100%.
 Tout d’abord, on doit ranger les critères en trois catégories de poids : fort,
moyen et faible. Ensuite, vient le moment de l’évaluation de chaque solution
(indx) par rapport à chacun des critères. Les notes disponibles pour cette
évaluation sont limitées et dépendent du poids du critère. Si on évalue une
solution sur un critère de poids fort, on ne pourra mettre à cette solution
qu'une note appartenant à la série de valeurs : {10, 7.5, 5, 2.5, 0}. De même,
si le critère est de poids moyen, la note devra appartenir au barème : {8, 6.5,
5, 3.5, 2}. Finalement, si le critère est de poids faible, on ne pourra mettre à
la solution qu'une note appartenant à : {7, 6, 5, 4, 3}. Ainsi, toutes les notes
attribuées ont la même base de notation, et il n'y a pas à normer les résultats,
ni à tenir compte des poids lors de l'agrégation des résultats (Caillet 2003).
Grâce à cette notation, on construit une matrice d'évaluation, tableau (3)
avec en ligne les solutions obtenues par le biais de l'indexation et en
colonnes les critères. Dans l'exemple proposé, considérons les critères de
"régularité" et de "correspondances" comme des critères à poids fort. Le
critère de "ponctualité" aura un poids moyen.

Critère de Critère de Critère de

Régularité Correspondance Ponctualité
Solution 1 2.5 2.5 6.5
Solution 2 5 7.5 5
Solution 3 7.5 7.5 8

Tableau 3. Matrice des poids d'évaluation

Nous utilisons en adoptant, l'approche multicritères Electre III, un

calcul de la différence des notes d entre deux solutions pour un critère
quelconque est effectué. On peut calculer cette différence pour tous les
couples de solutions, relativement à tous les critères. On fixe également
pour tous les critères des seuils de préférence forte (noté p) et de
préférence faible (noté q).
Considérons un critère quelconque et deux solutions 1 et 2 évaluées sur
ce critère (d sera "note de Solution 1" moins "note de Solution 2").

d≥p Solution 1 est fortement préféré à solution 2

p≥d≥q Solution 1 est faiblement préféré à solution 2
q≥d≥0 Solution 1 et solution 2 sont indifférente
-q ≤ d ≤ 0 Solution 1 et solution 2 sont indifférente
-p ≤ d ≤-q Solution 2 est faiblement préférée à solution 1
d ≤ -p Solution 2 est fortement préféré à solution 1

Un seuil de veto est aussi considéré, tel que si la différence de notes soit
en valeur absolue supérieure à ce seuil, on exclue l'action qui se comporte
mal sur ce critère. Ensuite, un indice de crédibilité est accordé à l'hypothèse
" Solution 1 surclasse Solution 2 pour le critère considéré", en fonction du
niveau de préférence défini par les seuils de préférence. Cet indice de
crédibilité est fonction de d.
Cet indice de crédibilité est une image de la certitude que l'on a que
"solution 1 soit au moins aussi bonne que solution 2". On considère ainsi que
dans la zone d'indifférence, cela est réalisé (l'indice vaut 1). Si solution 2 est
fortement préféré, on considère alors que solution 1 ne peut être meilleur que
solution 2 (l'indice vaut 0). Entre ces deux zones, on suppose que cet indice
varie linéairement.
Ensuite, on définit un indice de concordance global pour l'hypothèse
"solution 1 surclasse solution 2". Son calcul est simple: il s'agit de sommer
les indices de crédibilité de cette hypothèse, pour tous les critères, pondérés
par les poids respectifs des critères (Caillet 2003).
Nous définissons un seuil de veto, que l'on note v. Si la différence de note
entre solution 1 et solution 2 est inférieure à – v, le degré de discordance
(c'est-à-dire le regret) de l'hypothèse " Solution 1 surclasse solution 2" vaut
1. Si cette différence de note est supérieure à –p, le degré de discordance
vaudra 0. Entre les deux, on impose au degré de discordance de varier
linéairement. L'indice de discordance global de l'hypothèse " Solution 1
surclasse solution 2" sera calculé en sommant les degrés de discordance pour
chacun des critères, pondérés par le poids de leurs critères respectifs.
Ensuite, on fixe différents seuils sur les indices de concordance et de
discordance, afin de déterminer des relations de préférence (forte ou faible),
et indifférence entre les solutions. Un graphe peut être déduit, et par la suite
un classement des solutions.
En considérant notre exemple avec les seuils suivant, tableau (4), nous
obtenons alors le graphe de la figure (7) où solution 2 domine solution 1 et 3;
et solution 3 domine solution 1 d'où le classement des solutions.
Seuil de Seuil de Seuil de
préférence préférence forte veto v
faible q p
Critère de 0.2 0.8 0.5
régularité
Critère de 0,8 0,3 0,5
ponctualité
Critère de 0,3 0,2 0,5
Correspondance

Tableau 4. Implémentation des données avec les seuils

 Domine
Solution 2 Solution 3
Domine Domine

Solution 1

Figure 7. Graphe de dominance des différentes solutions (classement)

Dans cet exemple, c’est la solution 2 qui sera adaptée à la perturbation
cible. En parallèle, l’ensemble des critères (Bouamrane 2006b) est réévalué
avec les informations spécifiques à la perturbation avec mise à jour dans la
base de cas.
Malgré le fait que l’approche multicritère puisse proposer la solution, la
plus adéquate en fonction des évaluations dans le cas du RBC, il revient
toujours au régulateur en poste de valider ou non cette décision.

8. Etude comparative Régulateur/SAR

Afin d'illustrer l'apport de l'outil de régulation, il a été jugé utile de

comparer les résultats obtenus du SAR en mode de régulation automatique
par rapport aux propositions faites par le régulateur en reproduisant les
conditions normales de travail en PCC. A cet effet, deux critères ont été
retenus, le temps de réponse et la compatibilité des réponses entre le
régulateur et le SAR (Bouamrane 2006b).

8.1 Processus d’expérimentation

Un échantillon de 15 scénarios de perturbation a été testé représentant la

majorité des cas pertinents rencontrés dans un RTU. Pour cet échantillon de
scénarios, deux régulateurs ont été retenus : un chef régulateur, ancien
conducteur connaissant très bien le réseau à réguler et les différentes
situations ayant été lui-même confronté à ces situations durant sa carrière, et
un régulateur bien formé (en apprentissage). De manière systématique, c’est
la réponse du chef régulateur qui est retenue dans le cas de contradiction
entre les deux (Prérogatives du chef régulateur et respect de la hiérarchie des
postes)
Pour le temps de réponse, un chronométrage est effectué à partir du
moment où le régulateur a fini de lire le scénario. Ensuite, celui qui donne le
résultat en premier est pris en compte. La figure (8) illustre l’évolution des
deux réponses. Pour le cas des scénarios 7 et 8, le SAR ne disposait pas de
réponse par le biais du RBC, et le SBC n’a pas été sollicité. Nous constatons
à la suite de l’analyse des réponses, qu’en moyenne la réponse émanant du
régulateur est deux fois supérieure à celle du SAR. Exception faite des cas
où le SAR ne peut proposer de solutions, d’où l’intérêt du savoir-faire du
régulateur dans ces conditions.

Figure 8. Graphique représentant l’évolution du temps de réponse

Régulateur-SAR
Pour l'adéquation des réponses, un taux de 0% représente le fait que le
régulateur n’à aucune réponse commune avec le SAR alors qu’un taux de
100% de compatibilité représente une parfaite adéquation entre le régulateur
et le système SAR. La figure (9) représente l’évolution des réponses. Il en
ressort que le régulateur et le SAR sont en adéquation dans 66% des cas de
régulation des perturbations. Ce taux mérite réflexion, et une analyse a été
entreprise avec les régulateurs pour déterminer la vraie marge d’erreur
acceptable de la part du SAR sachant pertinemment que le régulateur lui-
même peut faire des erreurs d’appréciation. En fait, tout cela ne peut être
déterminer que par une évaluation à posteriori, une fois que le SAR sera
intégré au PCC.

Figure 9. Evolution de l’adéquation des réponses régulateur/SAR

 Les réponses relatives à une solution telle que la régulation en ligne ou la
régulation en terminus qui sont les actions les plus exploitées par les
régulateurs ont été délibérément omises.
Pour lancer les tests, un certain nombre de perturbations ont été réalisées,
décrites principalement par des retards, des avances ou des pannes
engendrant un écart entre les horaires théoriques et les nouveaux horaires
estimés d’arrivée. Par ailleurs, des localisations différentes et des horaires de
perturbations différents ont été introduit afin d’observer le traitement
accordé par les régulateurs.
Plusieurs scénarios de perturbations ont été ainsi proposés à différents
régulateurs afin de voir si le traitement apporté était le même. Il en résulte
des résultats assez significatifs dans la mesure où certains scénarios n’ont
pas reçu le même traitement et cela est du principalement à la prise en
considération du flux passagers ainsi que de l’horaire de la perturbation. En
effet, le fait d’avoir la même perturbation mais à des horaires différents
implique le choix ou non de réguler. De même, une perturbation de type
panne (immobilisation du véhicule) peut engendrer en heure de pointe
l’envoi de réserve (un véhicule plus un conducteur) alors qu’en heure creuse,
cela n’entraîne aucun envoi de réserve. Cela, très souvent est fonction de
l’appréciation du régulateur et des objectifs des exploitants (rôle commercial
de la compagnie) concernant l’envoi systématique ou non de réserve pour
garantir le confort des passagers.
Les observations montrent que les actions de régulation recensées par les
régulateurs ne sont pas figées et qu’il est par conséquent possible que le
régulateur en poste, compte tenu de la situation, ne prend pas
systématiquement la décision comme il l’a appris dans les annales. Cela
conforte l’idée de proposer un système d’aide à la régulation dans lequel le
régulateur reste le maître à bord, en construisant ou en utilisant des actions
prédéfinies qui lui sont proposées.

8.2 Synthèse des résultats de l’étude comparative

En considérant que le régulateur dans son PCC avise les conducteurs de

ce qu’ils doivent faire, notre système permet dans un premier temps de
proposer plusieurs solutions dans un temps limité alors que généralement le
régulateur réfléchi en fonction des informations contextuelles à celle qui est
la plus appropriée avant d’entamer le processus de régulation par radio ou
téléphone. Actuellement, le régulateur ne dispose pas de système d’aide à la
décision, les informations qu’il reçoit du SAE sont analysées, ensuite, il
décide de la solution à adopter (Bouamrane 2006b).
A titre comparatif, la première solution obtenue par le SAR l’a été en
moins de 10 secondes, celle-ci ne peut être prise par le régulateur qu’au bout
de 1 minute, ce qui donne un gain de 84% en temps de réponse. De plus, le
régulateur dispose de plusieurs solutions possibles, ce qui lui donne un choix
appréciable par rapport au passé. Ces solutions sont évaluées en fonction de
trois critères essentiels : le gain en ponctualité, le gain en régularité et le gain
en correspondance. Cette évaluation permet au régulateur de mieux choisir
en fonction des objectifs qu’il veut atteindre pour la régulation de la ligne
perturbée.
Sur un autre plan, en considérant la prédominance de l'aspect supervision
dans le rôle du régulateur, les actions de régulation proposées par le SAR ont
été comparées à ceux recommandées par le régulateur. L'évaluation de la
simulation reposait sur quatre variables: durée de la perturbation, nature de
la perturbation (retard, avance, panne), distance par rapport au prochain
terminus et distance par rapport au prochain dépôt, flux passagers (à bord,
prochaine station), période de la journée (heure de pointe, heure creuse).
Dans la majorité des cas étudiés, la simulation donne le même résultat
remarqué et en particulier pour les perturbations de type retard qui
impliquent principalement des accélérations ou simplement un demi-tour.
Néanmoins, pour les perturbations impliquant des correspondances, les
différentes solutions proposées aux scénarios retenus sont en contradiction
avec les verbalisations considérées.

9. Conclusion

Cet article a présenté l’approche RBC proposée pour la régulation des

perturbations d’un réseau de transport urbain. Cette approche est exploitée
pour capitaliser l’ensemble des solutions proposées par les régulateurs, ce
qui représente un apprentissage non négligeable pour le SAR. Le régulateur
étant le décideur final, il peut accepter ou refuser les propositions faites par
ce modèle.
De plus, une indexation des cas par situation comportementale est
proposée. Cette représentation traduit principalement la différence de
comportement pour la régulation d’un réseau Bus. En effet, pour la même
perturbation et en fonction de l’expérience du régulateur des solutions
différentes peuvent être obtenues. Le RBC ne fait pas état de ces différences.
Pour cela, la notion d’index a été introduite pour pouvoir caractériser de
façon individuelle chaque solution. En ce qui concerne la régulation du
tramway, les actions de régulation sont un peu standardisées compte tenu de
la particularité du réseau (guidé). Néanmoins, cela n'empêche pas de garder
les solutions proposées par les différents régulateurs du tramway. De plus,
pour la phase révision du système RBC nous avons exploité une approche
multicritère au lieu des approches classiques très souvent envisagées.
 Le développement de la maquette en général et du module RBC en
particulier s’est fait dans un esprit d’intégration des connaissances et de
l’utilisateur dans un même environnement cognitif afin de bénéficier de leur
complémentarité et d’assurer ainsi une meilleure interactivité.
Enfin, afin de mieux appréhender les résultats obtenus suite à la
réalisation de la maquette du SAR, une étude comparative a été entreprise.
Cette dernière montre les possibilités que pourraient offrir un tel système
implanté au PCC ainsi que sa bonne insertion dans l’environnement de
travail du régulateur.

Remerciements

Nous tenons à remercier le ministère de l’enseignement supérieur Algérien

MESRS qui supporte ce travail à travers l’agrément du programme de recherche
intitulé : « Modèles et méthodes pour l’ingénierie de transport, l’ingénierie
urbaine et la gestion de production» sous le N° B1820060067 du 01/01/2007 ainsi
que le Professeur Christian Tahon, Directeur du Laboratoire LAMIH/SP de
l’Université de Valenciennes et du Hainaut Cambrésis pour son accueil au sein du
laboratoire.

10. Biblioraphie

Alavi M., Leidner D., Knowledge management and Knowledge management systems:
Conceptual foundations and research Issues, MIS Quaterly, vol.25, N°1, 2001,
pp 107-176,.
Balbo F. , "ESAC : Un modèle d’interaction Multi-agent utilisant l’environnement comme
support actif de communication : Application à la gestion des transports urbains",
Thèse de doctorat, Université PARIS IX Dauphine, 28 janvier 2000.
Borne P., Fayech B., Hammadi S., Maouche S., "Decision support System for Urban
transportation Networks ", IEEE SMC Part C : Applications an Reviews, special issue
on decision technologies in Honour of Prof Madan Singh, Vol 33, N°1, 2002,
pp 67-77.
Bouamrane K., Compte rendu Visite Poste de commande centralisé, Rapport interne N°1,
Equipe Informatique et Automatique, Mai 2003, Université d'Oran, Département
Informatique.
Bouamrane K., Bonte T., Sevaux M., Tahon C., « SART : Un système d’aide à la décision
pour la régulation d’un réseau de transport bimodal », MHOSI’2005, Hammamet
(Tunisie) 24-26 Avril 2005, pp187-192.
Bouamrane K., Tahon C., Sefiane, H., “Régulation d’un réseau de transport urbain :
Formalisation des actions de régulation et Raisonnement à partir de Cas“, Actes de la
 6e Conférence Francophone de MOdélisation et SIMulation- MOSIM’06. Rabat –
Maroc, 3-5 Avril 2006. Edition TEC & DOC – Lavoisier.
Bouamrane K., "Un système interactif d'aide à la décision pour la régulation d'un réseau
de transport urbain bimodal: approche multi-agent et raisonnement à base de cas"
Thèse de doctorat d'état, Université d'Oran, Faculté des Sciences, Département
Informatique, Avril 2006.
Brézillon P., Représentation de pratiques dans le formalisme des graphes contextuels. In:
J.M.C. Bastien (Ed.), Actes des Deuxièmes Journées d’Etude en Psychologie
Ergonomique – EPIQUE’2003, INRIA, pp.263-268.
Brézillon P., Hors du contexte, point de salut. Actes des Premières Journées d'Etudes et
d'Echanges sur les Objets Communicants. Grenoble, France Télécom R&D (31
janvier et 1er février), 2002, pp. 136-140.
Brézillon P., Naveiro R., Cavalcanti M. Pomerol J-Ch., “SART: An Intelligent Assistant
System for Subway Control”, Pesquisa Operacional, Vol. 20, No.2, 2000, p. 247-268.
Brézillon P., Pomerol J-Ch., Contextual knowledge sharing and cooperation in intelligent
assistant systems. Le Travail Humain, 1999, 62(3): 223-246.
Bull M., Kundt G., Gierl L., “Case-Based Risk detection and forecasting in a geographic-
medical system”. In R. Bergmann & M. Wilke, Editors, German Workshop on case-
based reasoning, 1997, pp 59-64.
Caillet R., “Analyse multicritère: Etude et comparaison des méthodes existantes en vue
d’une application en analyse de cycle de vie », Série Scientifique, CIRANO, 2003.
Carlsson C., Turban E., “DSS : Directions for the next decade”, Journal of decision
Support Systems, Vol 33, Issue 2, 2002, pp 105-110.
Chouraqui E., “Le raisonnement analogique : sa problématique, ses applications“. Actes
de journées nationales de l’intelligence artificielle, Aix-les-bains, 1986, pp 107-117.
CEPADUES Editions, Toulouse.
Courtney J.F., "Decision making and knowledge management in inquiring organization:
toward a new decision-making paradigm for DSS". Decision Support Systems, 31,
2001, pp. 17-38.
Cure C., Foraste B., "Systèmes d’aide à l’exploitation et algorithmes de régulation ",
Revue Recherche Transport Sécurité, pp 14-22, juillet 1984.
Fayech Chaar B., "Régulation des réseaux de transport multimodal : Systèmes Multi-
agent et algorithmes évolutionnistes ", Thèse de doctorat, Université de Lille, 2003.
Fourage J.M., Recensement des pannes pour le tramway, Responsable exploitabilité
tramway, Semurval, 2002, Valenciennes.
Fuchs B., Lieber J., Mille A., Napoli A., "Vers une théorie unifiée de l'adaptation en
raisonnement à partir de cas", Actes de RàPC99, Palaiseau, France, p. 77-85, 1999.
Fuchs B., "Représentation des connaissances pour le raisonnement à partir de cas ", Thèse
de doctorat, 1997.
Fuchs B., Mille A., Chiron B., Operator aiding by adaptation of supervision strategies. In
M.Veloso, K.D. Althoff, and M.M. Richter, editors, case-based reasoning research
and development, Volume 1010 of LNAI, Springer-Verlag , 1995, pp 23-32.
Gray P.H., "A problem-solving perspective on knowledge management
practices". Decision Support Systems, 31, 2001, pp. 87-102.
Gruer P., Hilaire V., Koukam A., “Multi-Agent Approach to Modeling and Simulation of
Urban Transportation Systems”, Proceeding of 2001 IEEE-SMC Conference, 6-10
October 2001, Tucson, Arizona, USA, pp 2499-2504.
Hayat S., et al., « Etudes et recherches technologiques dans les transports terrestres »,
Rapport collectif sur la deuxième phase du projet coopératif SART : Système d’Aide
à la Régulation de Trafic du réseau de transport Valenciennois et de ses pôles
d’échanges. Juillet 2005.
Jaczynski M., Trousse B., CBR*Tools : une bibliothèque objet pour l’indexation des cas
par situation comportementale, Rapport de recherche INRIA, N° 3215, Juillet 1997.
Jovic.F,. “Expert systems in Process Control”, Chapmann & Hall London 1992.
Kacem I., Hammadi S., Borne P., "Pareto-Optimality approach for flexible Job-Shop
scheduling problems: Hybridization of genetic Algorithm with Fuzzy logic " ; Journal
of Mathematics and computer in simulation, Elsevier science, 2002,
pp 245-276.
Kolodner J., "Case Based Raisoning ", Morgan Kauffman, 1993.
Kolski C., “Analyse et conception de l’IHM : Interaction Homme-machine pour les SI »,
tome 1, Hermès Sciences Edition, 2001.
Laïchour H., “Modélisation mutli-agent et aide à la décision : application à la régulation
des correspondances dans les réseaux de transport urbain ", Thèse de doctorat en
Automatique et informatique industrielle, Université des sciences et technologies de
Lille, 20 décembre 2002.
Lamontagne L., Lapalme L., Raisonnement à base de cas textuels. Etat de l’art et
perspectives. RSTI – RIA. Volume 15 – n°3/2002, pp. 339-366.
Leake D.B., Smyth B., Yang Q,. Wilson D., “Special Issue on Maintaining Case-Based
Reasoning Systems”, Computational Intelligence, Vol. 17, No. 2001.
Leake D.B., “Case-Based Reasoning: Experiences, Lessons, and Future Directions”.
AAAI Press/MIT Press, 1996, Menlo Park, CA.
Lieber J., Napoli A., “Planification à partir de cas et classification“. Actes des journées
ingénierie des connaissances et apprentissage automatique (JICAA’97), 1997.
Lind M., “Decision Models and the Design of Knowledge-based Systems”. In J.
Rasmussen, B. Brehmer, and J. Leplat (Eds.), Distributed Decision Making, Cognitive
models for cooperative work, John Wiley & sons, Chichester, England, 1991.
Long D., Garigliano R., Reasoning by analogy, Causality: a model, application. Ellis
Horwood series in artificial Intelligence. 1994.
Maret P., Pinon J.-M., "Ingénierie des savoir-faire - compétences individuelles et
mémoire collective". Hermès: Paris, 1997.
Maret P., Poullet L., Pinon J.-M., "Des modèles conceptuels pour capitaliser la
connaissance au sein d'une organisation ". Ingénierie des systèmes d'information, 4,
1996, pp. 491-540.
Mariné C., Cellier J.M., Valax F., “Dimensions de l’expertise dans une tâche de
régulation de trafic ; règles de traitement et profondeur du champ spatio-temporel“.
Psychologie Française, 33-3, Novembre 1988.
Millot P, “Supervision et coopération Homme-Machine : approche système". In G.
Boy(Ed) Ingénierie Cognitive IHM et Cognition, Chapitre 6, pp 191-221, Hermès
2003.
Minsky M., A framework for representing knowledge. The psychology of computer
vision. P. Winston. New York: McGraw-Hill, 1975.
Nakhaeizadeh G., “Learning prediction from time series: a theoretical and empirical
comparison of CBR with some other approaches”. In topics in case-based reasoning,
volume 837 of lecture Notes in artificial Intelligence, Springer, pp 65-76, 1994.
Ouni A., Dudezert A., « Etat de l'art des approches de définition du Système de Gestion
des Connaissances », Publisher KnowledgeBoard, Novembre 2004.
http://www.knowledgeboard.com
Pasquier L., Modélisation de raisonnements tenus en contexte. Application à la gestion
d’incidents sur une ligne de métro. Thèse LIP6, 2002.
Pasquier L., Brézillon P., Pomerol J.-Ch., From representation of operational knowledge
to practical decision making in operations. Proceedings of the IFIP WG 8.3
Conference on Decision Support Through Knowledge Management, Stockholm,
Sweden, July 9-11, 2000, pp. 301-320.
Pomerol J.-Ch., Brézillon P., Pasquier L., Operational knowledge representation for
practical decision making. Journal of Management Information Systems Vol. 18 No.
4, Spring 2002 pp. 101 – 116.
Prax J.-Y., "Le manuel du Knowledge Management". Dunod, 2003.
Ram A., Santamaria, J.C., “Continuous case-based reasoning”. In AAAI case based
Reasoning Workshop, 1993, pp 86-93.
Rasmussen J., “Information Processing and human-machine Interaction.
An approach to cognitive engineering”. In P. Sage (Ed), system Science and
Engineering. Elseiver 1986.
RCATUO., Document RCATUO : Régie communale pour le transport urbain d’Oran,
2004.
Rolland C., Nurcan S., Grosz G., "A decision-making pattern for guiding the enterprise
knowledge development process". Information and software technology, 42, 2000, pp.
313-331.
Rougegrez S., Prediction de processus à partir de comportement observés : le système
REBECAS. Thèse de doctorat, Institut Blaise Pascal, 1994.
Roy B., Méthodologie multicritères d’aide à la décision. Economica, 1985, Paris.
 Schank R., Dynamic memory: A theory of reminding and learning in computers and
people. Cambridge University Press, 1982.
Schank R., Riesbeck K., “Inside case Based Reasoning”, LEA Publishers, Hillsdale, 1989,
New Jersey.
Stenmark D., Information vs. knowledge: the role of intranets in knowledge management,
Knowledge Management Group, Gothenburg, Suede, 2002.
Schmidt R., Heindl B., Pollwein B., Gierl L., “Abstraction of data and time for
multiparametric time course prognoses”. In I. Smith and B. Faltings, editors,
advances in CBR, Volume 1168 of lectures notes in Artificial Intelligence, 1996,
pp 377-391. Springer Verlag,
Sémitan., Compte rendu visite PCC, projet SART, LAMIH/SP, Université de
Valenciennes et du Hainaut Cambrésis, 2003.
TaM., Compte rendu visite TaM à Montpellier, LAMIH/SP Valenciennes, 2005.
Velde W.V., Aamodt A., Machine Learning issues in CommonKADS, Document Esprit:
Projet, 1994.
Winston P.H., Intelligence Artificielle. Addison Wesley Europe, InterEditions, 1988,
Paris.
Yim N.-H., Kim S.-H., Kim H.-W., Kwahk K.-H., "Knowledge based decision making on
higher level strategic concerns: system dynamics approach ". Experts Systems with
Applications, 27, 2004, pp. 143-158.
Zopounidis C., Doumpos M., Matsatsinis, N.F., "On the use of knowledge based
decision support systems in financial management: A survey". Decision Support
Systems, 20, 1997, pp. 259-277.

Annexe 1 : Architecture de la maquette du SAR et Présentation

des interactions régulateur-SAR

La mise en œuvre de la maquette est réalisée selon l’architecture présentée,

figure (10). Cette architecture est basée sur un module acquisition des
perturbations, un module régulation et un module évaluation, ainsi, que les
interfaces permettant au régulateur d'activer chacun de ces modules.
L’identification du comportement du régulateur et l’adaptation d’un modèle
de l’ingénierie cognitive a permis de développer un environnement de
supervision convivial. Les interfaces proposées au régulateur sont construites
sur la base d’un modèle d’évaluation SADT/Petri (Kolski 2001). Ainsi,
comme il est suggéré, l’intérêt dans la phase de décision est de proposer une
interaction entre les différentes approches : une approche basée sur la
formulation algorithmique (Bouamrane 2006a) des actions de régulation
autres que le départ programmé (DP) et départ programmé par anticipation
(DPA) qui l’ont été par (Cure et al., 1984) et deux approches résultant de
l’intelligence artificielle (RBC, SBC). L’ensemble supporté par une
architecture SMA.
Figure 10. Architecture du SAR

La maquette développée repose principalement sur quatre modules :

• Module 1 : permettant d’assurer l’acquisition des perturbations
via le SAE et de les comparer avec les horaires théoriques
disponibles dans le TM.
• Module 2 : représentant le noyau du SAR, intégrant l’ensemble
des stratégies de régulation proposées au régulateur ainsi que les
algorithmes correspondants.
• Module 3 : assurant l’évaluation des solutions (décisions de
régulation) proposées par le module 2 automatiquement ou sur
demande de la part du régulateur en fonction du mode de
régulation (stratégie de régulation) adopté par ce dernier.
• Interfaces SAR : différentes interfaces permettant la navigation à
travers les différents modules.

Les différentes interfaces de la maquette permettant les interactions

régulateur/SAR sont présentées ci-dessus.
Devant la nécessité d’intégrer des outils d’aide à la décision dans les
systèmes Homme-machine, la structure verticale a été adoptée (Millot 2003).
Le SAR est préconisé pour devenir un système de contrôle-commande
centralisé en PCC.
L’interaction entre le régulateur et le module SAR est basée sur cinq
interfaces distinctes à savoir :
- un écran principal " Moniteur SAR" consacré à l'acquisition des
données réseau, des données contextuelles et environnement des
perturbations, cette interface permet de récupérer l’ensemble des
informations envoyées par le SAE ainsi que les informations
récupérées du TM ou calculées par le SAR concernant
l’environnement immédiat des perturbations, figure (11) ;
 - une interface "saisie appel radio" dédiée à la saisie par le régulateur
des informations relatives aux perturbations qui sont annoncées par
les conducteurs via la radiotéléphonie.(2ème mode d'acquisition des
perturbations), figure (12) ;
- une interface "détail" qui propose des informations supplémentaires
sur la ligne perturbée et sur le personnel conducteur ;
- une interface "Régulation" proposant l'outil de régulation identifié
par l'ensemble des modes de régulation (manuel, semi-automatique
et automatique), figure (13) ;
- une interface "évaluation" affichant les résultats de l'évaluation pour
toute solution proposée, figure (14).

Figure 11. Ecran de supervision exploité par le SAR (Moniteur SAR)

Par souci d’efficacité, le premier écran de visualisation "Moniteur SAR"
rassemble, figure (11), les informations jugées pertinentes pour identifier une
perturbation afin que le régulateur puisse faire un choix entre une régulation
manuelle, semi-automatique ou automatique.
Ces informations concernent :
- les réserves qui sont gérées en fonction du planning horaire de la
journée ;
- l’affichage systématique de la période de la journée (heure de pointe,
heure creuse) ;
- l’affichage de l’heure courante ;
- identification de la perturbation à savoir :
• numéro de la ligne affectée,
• numéro du véhicule affecté,
• type de véhicule (bus standard, bus articulé, rame de
tramway)
• type station suivante (simple, correspondance, terminus ou
régulation). Ces informations sont puisées à partir des
informations du réseau de transport urbain que nous aurons
à réguler.
• nature de la perturbation (panne, ralentissement en minutes
(retard), avance)
• durée estimée de la perturbation,
 • charge véhicule (obtenue via l'enquête Origine-Destination),
• horaire perturbation,
- connaissances contextuelles sur la perturbation : Nombre de
passagers estimés dans le véhicule, nombre de passagers estimés au
prochain arrêt, véhicule suivant à combien de minutes, distance par
rapport au prochain arrêt, distance par rapport au prochain terminus,
etc…. Ces informations sont obtenues à partir du TM.
Le régulateur accède à l’interface lui permettant de saisir l’information
concernant l’appel radio via le moniteur SAR. La figure (12) montre les
informations à renseigner par le régulateur qui sont les mêmes que ceux
proposées lors d'une acquisition via le SAE. Une fois la saisie validée, le
SAR se chargera de rechercher les informations contextuelles et afficher
l'ensemble au niveau du moniteur (liste des perturbations, figure (11)).

Figure 12. Ecran permettant de saisir les informations émanant d’un

appel radio conducteur
Des informations complémentaires, sont disponibles pour le régulateur
via une interface détail, ces informations sont : nom de la ligne, lignes
adjacentes (pour le cas des correspondances ou transbordement éventuel),
horaire théorique de passage (TM), Horaire de passage estimé
(TM perturbé).
En ce qui concerne la régulation, le régulateur a le choix entre les trois
modes de régulation cités précédemment (Bouamrane et al., 2005), figure
(13):
- mode manuel
- mode semi-automatique
- mode automatique (RBC, SBC), pour ce mode particulièrement
la cohabitation des deux modèles dans l’étape finale du projet
sera invisible pour le régulateur à la différence de ce qui est
visible sur la figure (13).
Figure 13. Choix des modes de régulation dans le SAR
En mode manuel, figure (14), le régulateur a le choix entre trois onglets
(Actions de base bus, Actions combinées bus et actions de régulation
tramway). Un routage est prévu qui permet au SAR de se positionner dans le
bon onglet en fonction du mode de transport à réguler. Le régulateur est libre
de choisir n'importe quelle action, c'est le principe de pouvoir réguler comme
d’habitude qui a été retenu pour ce mode. Le SAR assure uniquement la
mise en œuvre des algorithmes correspondants et la mise à jour du TM.

Figure 14. Interface de régulation en mode manuel

En mode semi-automatique, figure (15), le régulateur est assisté par un
algorithme de filtrage et de la possibilité de renseigner certaines
informations relatives aux réserves humaines (conducteurs) et matériels (bus
et rames de tramway) disponibles. L'algorithme de filtrage permet suite au
choix du régulateur de ne proposer que les actions en adéquation avec la
logique retenue (Bouamrane et al., 2005).
En mode manuel ou semi-automatique, dès que le régulateur a construit
sa solution, il peut demander une évaluation à priori de celle-ci. Ce n'est pas
le cas en mode automatique, où cette évaluation est effectuée
automatiquement compte tenu qu'il n'y a pas d'intervention du régulateur
jusqu’à la phase finale du choix ou non de la solution proposée.
Le mode automatique est exploité principalement quand plusieurs
perturbations se présentent en même temps et que le régulateur est submergé
d'informations. La régulation en automatique met en oeuvre deux stratégies,
un RBC et un SBC. Les résultats sont proposés au régulateur, pour le RBC,
figure (16), dans le cas du SBC, figure (17). Pour le RBC, le régulateur
 valide ou non la proposition, dans le cas du SBC, le régulateur sélectionne et
valide la solution retenue après consultation des évaluations. De même, le
régulateur peut ne pas accepter ces solutions et par conséquent n’assurer
aucune régulation.

Figure 15. Mode semi-automatique (choix de logique et possibilité de

renseignement des réserves conducteurs et véhicules)
Comme illustré dans la figure (17), l'interface concernant l'évaluation des
solutions propose au régulateur, en plus des cinq critères retenus dans notre
étude, des informations complémentaires concernant les numéros de lignes
affectées (correspondances ou pôles d'échange), une description de l'action
avec les informations à diffuser pour les conducteurs (en bas à droite).

Figure 16. Message indiquant la présence d'une solution dans la base de cas
pour la perturbation en cours (Mode automatique)

Figure 17. Affichage des solutions et évaluation en mode automatique (SBC)

View publication stats