Représenter l’intérieur des stations de transit. A l’occasion du salon Autonomy, Kisio (groupe Keolis) et MobilityData (organisation canadienne à but non lucratif) indiquent s’être associés avec Google Maps pour améliorer le guidage des voyageurs dans les stations autour du projet «Go Deeper Paris». Ces trois acteurs ont ainsi publié des jeux de données open data inédits et un guide méthodologique afin de représenter l’intérieur des stations de transit et d'améliorer l’expérience des voyageurs dans les applications de recherche d’itinéraire, notamment pour les personnes qui ont des difficultés à se déplacer. «Go Deeper Paris permet une grande avancée pour améliorer l’expérience des utilisateurs de tous les moteurs de recherche. Il donne les outils pour permettre à toutes les autorités organisatrices de collecter ces informations qui sont précieuses, notamment pour les voyageurs les plus fragiles. La publication en open data des fichiers de données doit permettre d’accélérer l’innovation et l’intégration dans les moteurs de recherche. Nous espérons que ces avancées permettront d’encourager la collecte de ces données dans de nombreuses villes», détaille David O’Neill, directeur Exécutif de Kisio Etudes et Conseil.
Nouveau format de données. Cette collaboration repose sur le standard de donnée appelé GTFS (General Transit Feed Specification), créé en 2006 par Google. Jusqu’à présent, les formats de données de transit ne prenaient pas en compte de nombreux critères comme le temps de parcours réel, le niveau d’accessibilité, l’emplacement des quais ou la présence d’escalator. Pour y remédier, Kisio a entamé avec Google Maps une phase d’expérimentation en 2019 dans deux stations du métro parisien (Saint Lazare / Haussman et Réaumur-Sébastopol) afin de représenter numériquement l’intérieur des stations de transit et de les restituer en données utilisables. MobilityData, créateur de ce nouveau format, le GTFS-Pathways, s’est également investi dans ce projet pour promouvoir le format de données étendu. Ce projet pilote a permis de tester plusieurs éléments clés, comme les différents cas d’usages créés grâce aux données du GTFS-Pathways (handicap moteur, handicap visuel, bagages, poussettes, difficultés à monter des marches, stress, langue étrangère...), le niveau de précision des parcours intérieurs modélisés, la transposition de la signalétique en standard numérique et une collecté optimisée.
G. H.