● Grâce aux métadonnées de signalisation du réseau mobile, Orange produit des statistiques de mobilité des populations d’une grande précision, permettant de distinguer les modes de transport et de prédire la pollution atmosphérique via le projet Predict’AIR.
● Pour garantir l’anonymat, ces technologies s’appuient désormais sur l’intelligence artificielle afin de générer des données synthétiques et protéger la vie privée des utilisateurs.
À Boston, une équipe de recherche a décidé de transformer les smartphones de citoyens volontaires en outils de planification urbaine. Dans une étude intitulée BostonWalks, ils utilisent le suivi GPS haute précision pour cartographier la façon dont les habitants naviguent dans la métropole américaine. Ce projet capture en temps réel chaque trajet à pied ou en transport, offrant ainsi des données inédites sur l’activité physique et l’impact de l’aménagement des quartiers sur la mobilité. L’objectif est de transformer ces algorithmes de suivi en leviers concrets pour concevoir une ville plus saine, moins polluante et plus adaptée aux rythmes de vie modernes.
Le but du projet Predict’AIR est de lier les flux de population aux émissions de polluants pour prédire la qualité de l’air en fonction du trafic et de la météo
Mobility Engine : quand le réseau Orange devient un outil prédictif de mobilité
Chez Orange, le projet Flux Vision valorise les données de signalisation mobile à grande échelle. L’objectif ? Produire des statistiques de mobilité des populations à partir de la signalisation du réseau, en raffinant la précision spatio-temporelle pour passer d’une vision macro à une maille chirurgicale. « Grâce à l’expertise des modèles de propagation, on cherche à affiner les mesures de mobilité. On est capable d’avoir une précision de 500 m en milieu rural à moins de 200 m en ville », précise Arnaud Legendre, ingénieur et docteur en science des données chez Orange. « On peut aujourd’hui fournir des indicateurs prédictifs qui, en fonction des variables spatio-temporelles, permettent de fournir des prédictions démographiques en fusionnant différentes sources de données. » Avec un outil baptisé Mobility Engine, il est possible de distinguer si un usager se trouve sur une voie ferrée ou sur la départementale voisine. C’est un enjeu crucial pour Orange, mais aussi pour les politiques publiques. « Il est important pour un opérateur de mesurer la mobilité des populations pour améliorer la qualité de service de son réseau, par exemple savoir qu’une antenne dédiée à la couverture d’un TGV couvre bien des gens qui se déplacent. »
Améliorer la qualité de l’air
Les données récoltées permettent par exemple de répondre à des enjeux de recherche en RSE. Le but du projet Predict’AIR est de lier les flux de population aux émissions de polluants pour prédire la qualité de l’air en fonction du trafic et de la météo. « Nous travaillons avec des partenaires académiques comme Les Mines de Paris – PSL et l’IFPEN sur le monitoring de la logistique urbaine en utilisant la signalisation des objets connectés (cartes SIM) embarqués dans les camions pour aider les villes à décarboner le transport de marchandises », précise le chercheur. « C’est un vrai problème pour un secteur qui pèse pour plus de 10% de l’empreinte carbone en France. Ce type de données permettent de planifier plus efficacement les aménagements d’infrastructures et, par exemple, déterminer où positionner les hubs de dépôts de marchandise dans les villes. »
Confidentialité des données
La contrainte pour ce type d’application repose sur le respect de la confidentialité des données. « La loi nous impose de ne pas conserver d’historique de signalisation au-delà de 15 minutes. Pour ce faire, nous utilisons des algorithmes qui créent des comptages incrémentaux et détruisent immédiatement toute trace de donnée personnelle. » En d’autres termes, les technologies de l’IA permettent d’apprendre à la volée la distribution statistique des mobilités et de générer des traces de mobilité qui ressemblent à des vraies données mais qui sont en réalité synthétiques et anonymes. Pour trouver les vulnérabilités potentielles, les experts travaillent de manière adversariale. « Nous nous mettons à la place d’un attaquant dopé à l’IA pour prouver que nos statistiques ne permettent pas de ré-identifier une personne. »
