Sunteți pe pagina 1din 47

MASTER DE SPECIALISATION EN GESTION DES TRANSPORT

Mesure de l'incertitude dans le cadre de la


simulation de la demande de transport
Travail de fin dtudes prsent par :
Alassane BAMBA
En vue de lobtention du grade acadmique de
Master de spcialisation en Gestion des Transports

Anne acadmique 2015-2016

Dpos le 30 mai 2016

Directeur : Mario COOLS

REMERCIEMENT
La ralisation de ce travail a t possible grce au concours et au soutien de plusieurs
personnes qui je voudrais tmoigner toute ma reconnaissance.
Je tiens tout d'abord adresser toute ma gratitude lARES CCD (Acadmie de Recherche de
l'Enseignement suprieur et universitaire-Commission de Coopration au Dveloppement)
pour mavoir donn lopportunit de suivre le cours de master de spcialisation en gestion des
transports.
Je tiens ensuite exprimer toute ma reconnaissance mon promoteur monsieur Mario
COOLS, pour mavoir encadr, orient, aid et conseill durant llaboration de ce travail.
Je remercie monsieur Ismail SAADI, de mavoir fait lhonneur dtre le lecteur de ce travail
et pour sa grande participation llaboration de ce travail.
Je remercie monsieur Eric CORNELIS, pour les diffrentes observations et critiques.
Je voudrais aussi exprimer toute ma gratitude au CIEM et tout particulirement Monsieur
Frdric DOBRUSZKES et mademoiselle Amandine CRAPS pour le suivi et
laccompagnement dont ils ont fait preuve tout au long de cette formation. A travers eux, je
remercie tous les enseignants du CIEM ainsi que toutes les personnes qui ont directement ou
indirectement contribue la ralisation de cette uvre.
Ma gratitude va aussi lendroit de madame CAMARA Mariam KASSOGUE, Chef de
Cabinet du ministre de lEquipement, des Transports et du Dsenclavement du Mali et de
madame SANGARE Kadidia DIARRA, directrice rgionale des routes du district de Bamako
pour tout le soutien quelles mont apport durant toute la formation. Merci du fond du cur,
pour votre patience, votre disponibilit et surtout pour vos judicieux conseils, qui ont
normment contribu alimenter ma rflexion.
A vous mes chers collgues, je vous ddie ce travail pour tous les bons moments passs
ensemble, les partages de connaissances, les encouragements et les motivations. Merci
beaucoup. Dieu vous bnisse.

TABLE DE MATIERES
REMERCIEMENT..................................................................................................... I
TABLE DE MATIERES.............................................................................................. II
LISTE DES FIGURES............................................................................................... III
LISTE DES TABLEAUX............................................................................................ IV
INTRODUCTION...................................................................................................... 1
1.

Contexte :......................................................................................................... 1

2.

Problmatique................................................................................................... 2

3.

Objectifs du travail............................................................................................. 2

4.

Structure du travail............................................................................................. 2

CHAPITRE I : REVUE DE LA LITTERATURE.............................................................3


1.1.

Nature des incertitudes................................................................................... 6

1.1.1.

Incertitude lie aux entres du modle............................................................6

1.1.2.

Incertitude lie la structure du modle..........................................................7

1.2.

Mthodes danalyse des incertitudes..................................................................8

1.2.1.

Analyse de sensibilit :...............................................................................9

1.2.2.

Simulation de Monte Carlo........................................................................10

CHAPITRE II : METHODOLOGIE........................................................................... 11

3.

2.1.

Description du PHMM................................................................................. 11

2.2.

Description des donnes du modle.................................................................13

2.3.

Exprience................................................................................................. 17

2.4.

Traitement des donnes.................................................................................19

CHAPITRE III : RESULTATS ET ANALYSES.......................................................21


3.1.

Nombre dactivits....................................................................................... 21

3.2.

Activit : Travail-Etudes...............................................................................23

3.3.

Activit : Shopping-Service............................................................................24

3.4.

Activit : Loisir-Visite...................................................................................25

3.5.

Home based Tour......................................................................................... 26

3.6.

Erreur de micro simulation............................................................................27

3.7.

Erreur destimation...................................................................................... 28

DISCUSSION DES RESULTATS................................................................................30


CONCLUSION GENERALE..................................................................................... 31
REFERENCES BIBLIOGRAPHIQUES.......................................................................32

LISTE DES FIGURES


Figure 1: Cadre conceptuel d'un PHMM..................................................................................11
Figure 2: Cadre conceptuel du modele SMTC.........................................................................12
Figure 3: Zone d'chantillonnage..............................................................................................13
Figure 4: Cadre conceptuel de la recherche..............................................................................17
Figure 5:Distribution du nombre d'activits.............................................................................21
Figure 7: Distribution du nombre d'activits "Travail-Etudes"................................................22
Figure 8:Distribution du nombre d'activits "Shopping-Service"............................................23
Figure 9:Distribution du nombre d'activits "Loisir-Visite".....................................................24
Figure 10:Distribution du nombre d'activits "Home based tour"............................................25

LISTE DES TABLEAUX


Tableau 1 : Indicateurs analyss par auteur................................................................................4
Tableau 2: Rpartition de la population belge selon lge et le sexe........................................13
Tableau 3: Description de l'chantillon.....................................................................................14
Tableau 4: Rpartition des donnes socio-dmographiques.....................................................14
Tableau 5: Rpartition des motifs de dplacement selon les variables socio-dmographiques15
Tableau 6 : Distribution du nombre d'activits.........................................................................21
Tableau 7 : Distribution du nombre d'activits Travail-Etudes ...........................................22
Tableau 8 : Distribution du nombre d'activits "Shopping-Service"........................................23
Tableau 9:Distribution du nombre d'activits "Loisir-Visite"...................................................24
Tableau 10:Distribution du nombre d'activits "Home based tour"..........................................25
Tableau 11: Erreur de micro-simulation (en %)........................................................................26
Tableau 12: Erreur de moyenne (en %)....................................................................................26

INTRODUCTION
1. Contexte :
Le transport de personnes ou de marchandises d'un endroit vers un autre seffectue laide de
moyens de transport tels que les avions, les navires, les trains, les voitures ou vlos. Cela
donne lieu un flux de mouvement de ces diffrents moyens de transports. La bonne
circulation de ces moyens de transport est assure par la mise en place dun certain nombre
dlments tels que : les infrastructures (aroports, ports, voies ferres, routes, gares, parkings,
pistes cyclable etc), les quipements de gestion de trafic etc Tout cet ensemble constitue
alors ce que lon appelle un systme de transport.
Les sciences du transport ont pour but dtudier les caractristiques de ce systme et ses
divers sous-systmes. Les caractristiques dun systme de transport sont diverses, elles
concernent la conception, lutilisation, lentretien et les oprations du systme.
Dune manire gnrale, la construction des infrastructures de transport coute chre et prend
beaucoup de temps et sont construites pour une longue dure de vie. Cependant, les prvisions
sur l'utilisation future et les impacts qui rsulteront de cette utilisation sont ncessaires. Ainsi,
ces prvisions visent alimenter les rflexions portant sur la planification des infrastructures
de transport et la conception des rseaux. Ainsi, elles font gnralement appel des outils de
modlisation qui visent reconstituer les choix de mobilit des individus face loffre de
transport qui leur est propose. Lutilisation dun modle de transport ncessite des donnes
dentre qui dcrivent le territoire, le rseau de transport et le comportement des individus,
la fois en situation de calage et lhorizon du projet (Leblond & Langlois, 2014).
La modlisation du transport est une discipline assez ancienne, les premiers modles taient
de type gravitaire et taient appliqus pour la modlisation de la demande de dplacement
entre les agglomrations vers la fin du XIVe sicle. Cest dans les annes 1950, face au
dveloppement de lautomobile, que les premiers modles urbains ont vu le jour aux EtatsUnis (Bonnel, 2002).
Au fil des ans, plusieurs types de modle ont t dvelopps dont les principaux discuts par
Rasouli & Timmermans (2012) sont : le modle 4 tapes, le modle des choix discrets et les
modles bass sur les activits. Ces trois types de modle diffrent fondamentalement par leur
approche et leur conception. Cependant, tous ces modles ont besoin de donnes pour faire
des prvisions. Mais, il faudra noter que la majeure partie de ces donnes sont issues
dhypothses, de simulations ou encore denqutes non exhaustives. Ces donnes sont donc
incertaines, ce qui a un impact considrable sur les rsultats obtenus en sortie du processus de
modlisation. En guise dexemple, lun peut se rfrer ltude mene par Flyvbjerg et al.
(2006), dans laquelle ils ont cherch quantifier le niveau et la nature de l'incertitude dans les
prvisions de trafic en utilisant les donnes de projets routiers et de transit travers le monde.
Les rsultats de cette tude ont permis de savoir que la diffrence absolue entre les prvisions
et le trafic rel est suprieur 20% (pour environ la moiti des projets routiers examins) et
environ 40 % pour environ un quart des projets.

2. Problmatique
Saadi et al. (2016) cherchent dvelopper un modle intgr pour prdire les chaines
dactivit des individus en Belgique. Pour ce faire, ils proposent une approche base sur les
chaines de Markov afin de capter la complexit et la diversit des individus grce des
chantillons reprsentatifs de la population relle.
Ltude en question est bien avance et les premiers rsultats sont disponibles. Cependant, les
aspects lis la fiabilit du modle nont pas t tudis de faon exhaustive jusqu prsent.
Ainsi, dans la prsente tude, les questions principales que lon se pose sont les suivantes :
Quel est le niveau de fiabilit du modle dvelopp par Saadi et al. (2016) ?
Quels sont les lments susceptibles de gnrer des incertitudes sur les rsultats ?
Comment pouvons-nous quantifier cette incertitude ?
La qualit d'un modle dpend de la rigueur et de la fiabilit de sa procdure de mise au point.
Cependant, les modles tant des reprsentations simplifies de la ralit, et parce que des
donnes de calibration sont parfois incertaines, les valeurs de sortie sont gnralement
soumises un certain degr dimprcision. Les erreurs dans les donnes d'entre et celles de
modlisation ne sont pas indpendantes les unes des autres. En effet, elles peuvent interagir
selon de multiple faon. Ainsi, le rsultat final est un mlange des imprcisions lies aux
donnes dentre et aux modles eux-mmes.

3. Objectifs du travail
Plusieurs tudes rcentes ont montr limportance de lincertitude dans les rsultats des
modles dans le cadre de la modlisation des transports. Cest dans cette logique que sinscrit
ce travail qui vise essentiellement dvelopper un cadre de simulation qui tiendra compte
dune manire explicite lincertitude lie aux entres. cet effet, ce travail a pour objectifs de
:

Analyser la nature des incertitudes ;


Investiguer lincertitude dans un cadre de simulation base sur les agents ;
Quantifier la variabilit dans les rsultats du modle tudi ;
Faire des recommandations en termes de critres valuer dans le cadre de la
modlisation des transports.

4. Structure du travail
Pour mener bien ce travail et afin datteindre nos objectifs, le prsent rapport sera subdivis
en trois chapitres. Le premier chapitre prsentera la revue de littrature, dans laquelle nous
tenterons de prsenter ltat de lart en matire danalyse de lincertitude dans le cadre de la
modlisation des transports. Le deuxime chapitre sera consacr la mthodologie. Dans ce
chapitre, nous dcrirons tout dabord le modle qui sera utilis, suivi de la description des
donnes et pour finir par lexprience proprement dite. La dernire partie se focalisera
essentiellement sur la prsentation et la discussion des rsultats obtenus.

CHAPITRE I : REVUE DE LA LITTERATURE


Plusieurs articles scientifiques traitent le problme dincertitude dans le cadre de la
modlisation des transports (Rasouli & Timmermans (2012a) et De Jong et al. (2007a) se
consacrent exclusivement une revue de littrature sur le problme, mais de diffrentes
manires. Le premier traite le sujet en se focalisant sur les sources dincertitude et
lincertitude selon le type de modle (modle 4 tapes , modle de choix discret et le
modle bas sur les activits). Quant au second, il tente de rpondre aux questions suivantes :

Quel type dincertitude a t analys ?


Pour quelles variables, lincertitude est-elle analyse ?
Quelles sont les mthodes utilises pour quantifier les incertitudes ?
Comment sexprime lincertitude ?
Quel est lordre de magnitude de lincertitude ?

Dans notre revue de littrature, nous adopterons plutt le style de De Jong et al. (2007) car
nous essayerons de rpondre aux mmes questions pour mener bien cette tude.
Manzo et al. (2014) synthtisent les travaux de De Jong et al. (2007) et de Rasouli et
Timmermans (2012).
La majeure partie des articles que nous avons consulte classent les incertitudes en deux
grands groupes : Incertitude lie aux entres du modle et lincertitude lie au modle
(paramtres du modle, algorithme dapproximation, etc.).
Selon Rasouli & Timmermans (2012), il y a eu dimportantes recherches dans le domaine de
la modlisation des transports et la plupart de ces recherches s orientent vers lanalyse des
incertitudes. Ainsi, parmi les articles analyss par De Jong et al. (2007), seul un article ne fait
aucune distinction entre les deux types dincertitudes. En ce qui concerne les 20 autres
articles, les deux types dincertitude ont t identifis et de l, il ressort que 9 des articles se
sont intresss lincertitude lie au modle, 4 lincertitude lie lentre (input) et 7
articles se sont intresss aux deux types dincertitude en mme temps. Nous pouvons alors
remarquer que 2/3 des articles analyss par De Jong (date ?) se sont intresss un seul type
dincertitude.
Parmi les articles qui sintressent au premier type dincertitude nous pouvons citer : Clay &
Johnston, 2005; Fabien Leurent, 1997; Rodier & Johnston, 2002; Zhao & Kockelman, 2002).
Pour lincertitude lie au modle nous avons : (Arentze, Hofman, van Mourik, &
Timmermans, 2000; Ben-Akiva & Lerman, 1985; Cools, Kochan, Bellemans, Janssens, &
Wets, 2011; De Jong et al., 2005; Hugosson, 2005) et enfin les articles qui sintressent aux
deux types sont : (J. Armoogum, 2003a; Ashley, 1980a; De Jong et al., 2005a; Yang, Chen,
Xu, & Wong, 2013; Zhao & Kockelman, 2002).
Les sources dincertitude lies aux entres sont nombreuses et varies (Rodier & Johnston,
2002). Ils ont analys les erreurs plausibles dans la population, lemploi, le prix du carburant,
et les projections de revenue comme sources derreurs dans les inputs. Cette tude a t

conduite en utilisant les modles de demande de transport et dmissions de la rgion de


Sacramento aux Etats-Unis.
De cette tude, il ressort que les erreurs plausibles dans la population et les prvisions
demploi ont un effet considrable sur les prvisions de transport et dmission alors que
lerreur dans le revenu et le prix du carburant nen ont pas vraiment.
Une autre tude qui sintresse lincertitude lie aux entres est celle de Zhao et Kockelman
(2002), mene sur un modle de transport urbain de la ville de Dallas qui est un modle 4
tapes.
Zhao et Kockelman (2002) ont tudi la stabilit des rsultats du modle en quantifiant la
variabilit des entres. La mthode de Monte Carlo et lanalyse de sensibilit ont t utilis
pour investiguer la propagation derreur sur plus de 818 axes du rseau couvrant 25 zones de
la ville de Dallas. Pour ce faire, lincertitude sur les entres a t dtermine en fixant des
coefficients de variations sur deux donnes dmographiques : il sagit du nombre de mnages
et des diffrents types demploi.
Par ailleurs en 2003, une autre tude mene par J. Armoogum (2003) sintresse au
phnomne dincertitude lie aux inputs dans un modle. Le modle utilis tait galement un
modle 4 tapes.
Selon Yang et al. (2013), lincertitude lie aux entres est un phnomne qui existe dans la vie
relle, de ce fait il peut tre mesur, analys et expliqu. Par contre, lincertitude lie au
modle (paramtres du modle) est un aspect plutt thorique et ne peut qutre rduite en
collectant plus de donnes. Dans le cadre de la modlisation des transports, les auteurs se sont
intress plusieurs indicateurs pour lesquels les incertitudes ont t analyses. Le tableau 1
fait un rcapitulatif de ces indicateurs par auteur :

Tableau 1 : Indicateurs analyss par auteur

Number
of trips

Vehicle Miles
Travelled

Vehicle Hours
of Delay

INDICATEURS
Daily
Vehicle Hours
distance
Travelled
travelled

Link flow

Link
travel
time

Bowman & BenAkiva., 2001


Hunt et al., 2001
Zhao & Kockelman,
2002

x
x

x
x
x

Hugosson, 2005

Cools et al., 2011

x
x

x
x

S. Rasouli et al., 2012

x
x

Yang et al., 2013


Manzo et al., 2014
Bao et al., 2015

Daily
number of
activities

De Jong et al., 2005


AUTEURS Ma, 2007
Jimmy Armoogum et
al., 2009

Trip
frequency

x
x

1.1.

Nature des incertitudes

Les incertitudes dans le cadre de la modlisation de transport peuvent avoir plusieurs sources, il
sagit entre autres de la structure des modles de transport, des erreurs de calculs, de
linterprtation et lanalyse des rsultats denqutes. Parmi ces diffrents types dincertitude,
seulement celles dues lestimation des paramtres dentres des donnes peuvent tre quantifier
en ayant recours aux techniques de propagation de la variance. Par contre, lincertitude lie la
structure du modle (mauvaise spcification du modle) peut tre value laide darbre de
dcision (De Jong et al., 2007).
Les incertitudes peuvent tre divis en deux grand groupes : l'incertitude lie aux entres du
modle et l'incertitude lie la structure du modle. Lincertitude lie aux entres exprime le fait
que les valeurs futures des variables exognes ne sont pas connues alors que l'incertitude lie la
structure modle est cause par deux lments, savoir : les erreurs de spcification (variables
omises, hypothses inappropries sur la forme fonctionnelle et la distributions statistiques pour
les composants alatoires) et les erreurs dues des estimations de paramtre au lieu des valeurs
relles (le modle est estim seulement sur un chantillon de la population) (voir Cools et al.,
2011).
Par ailleurs, selon Pradhan et Maria Kockelman (2002), parmi les nombreuses sources d'erreurs
possibles dans les modles de transport et d'mission , les plus importants peuvent tre
l'incertitude naturelle, l'incertitude dans la conception et dans la structure du modle, l'incertitude
des donnes et les erreurs de calibrage, et l'incertitude dans les projections socio-conomiques et
d'autres entres du modle.
Par ailleurs, il ressort que l'incertitude dans le domaine de la prvision peut tre attribue deux
sources de base : l'incertitude lie aux entre et l'incertitude lie au modle (S. Rasouli &
Timmermans, 2012). En effet, lincertitude lie aux entres concerne le fait que les donnes ne
sont pas dnudes derreur, cause de biais dchantillonnage, de la conception des enqutes, des
erreurs dues au rapportage et lencodage des rsultats denqutes et des informations
incompltes.

1.1.1. Incertitude lie aux entres du modle


Les modles de transport ncessitent une importante quantit de donnes indispensable pour leur
dveloppement, calibration et application. Les donnes socio-conomiques et le rseau de
transport sont des donnes de base pour lapplication dun modle de transport et linexactitude
de ces donnes aura une grande influence sur les capacits de prdictions du modle.
En faisant lhypothse quun modle ne comporte pas derreurs de type structurel, il existe un
autre type dincertitude qui provient de lutilisation des donnes qui sont susceptible davoir des
erreurs.

Les entres du modle peuvent tre classes en variables et en paramtres. Les variables
dcrivent ltat de la situation. Elles incluent toutes les variables socio-dmographiques,
damnagement du territoire, socio-conomiques, Les paramtres regroupent les coefficients
stchiomtriques et les constantes qui seront utiliss durant le calcul.
La dtermination des variables et des paramtres ne peut pas se faire dune manire exacte. Elles
deviennent ainsi des sources dincertitude. La littrature nous montre que ce type dincertitude a
t plusieurs fois tudie (2/3 des tudes consacres aux incertitudes), cela sexplique par le fait
que de petites incertitudes sur les entres peuvent se propager en erreurs beaucoup plus grandes
dans les outputs du modle.
Les donnes dmographiques utilises comme entre du modle comprennent : la projection de
revenu, les prix du carburant, le nombre et la localisation des mnages et des emplois. Ces
donnes sont gnralement considres comme les plus grandes sources dincertitudes (Rodier,
2007).
Selon Rasouli et Timmermans (2012), lincertitude lie aux entres du modle peut provenir des
sources suivantes :

Les biais d'chantillonnage ;


La Conception de l'enqute ;
Les erreurs dencodages des rsultats denqutes ;
Les informations incompltes ;

Toutefois, ces incertitudes peuvent tre rduites en collectant davantage de donnes relles selon
Xie et al. (2014): Input uncertainty can be reduced by collecting more real-world data, when
feasible .
Ainsi, dans une tude faite par Hugosson (2005) sur la quantification des incertitudes dans un
modle de prvision national, il suppose tout dabord que les erreurs sont inversement
proportionnelles la racine carre du nombre d'observations dans un chantillon initial. Ensuite
sur la base de cette hypothse thorique, sera calcul une relation entre l'incertitude sur les
outputs du modle et la taille de l'chantillon. Aprs le calcul, il a pu tre observ que l'incertitude
sur lchantillon initial (sur la base de 10.000 observations) tait de 5,5%, et que ce serait environ
8% si l'chantillon avait t divise par deux. Cependant, une rduction de la taille de lchantillon
ferait croitre l'incertitude plus rapidement.

1.1.2. Incertitude lie la structure du modle


Les modles mathmatiques sont gnralement une reprsentation simplifie des phnomnes
tudis. Un des aspects cls du processus de modlisation est le choix judicieux des hypothses
du modle. Ainsi, le modle optimal est celui qui fournira la plus grande simplification tout en
fournissant une reprsentation aussi fidle que possible des phnomnes tudis. Par consquent,
la structure des modles mathmatiques utiliss pour reprsenter les systmes de transport est
souvent une source dincertitude (Isukapalli, 1999).

De mme, la structure dun modle mathmatique utilis pour reprsenter le comportement


urbain est aussi une source importante dincertitude, parce que les modles ne sont pas
ncessairement des reprsentations simplifies des phnomnes tudis (Pradhan & Maria
Kockelman, 2002).
Plusieurs auteurs (Cools et al., 2011) (S. S. Rasouli, 2016), estiment que lincertitude lie au
modle peut provenir de deux types derreurs savoir : les erreurs de spcification et les erreurs
destimation.
Les erreurs de spcification sont dues lomission de certaines variables, une simplification
excessive du modle ou une mauvaise distribution statistique des composantes alatoires. Quant
aux erreurs destimation, elles proviennent des diffrentes estimations faites pour fixer les
constantes et les paramtres du modle au lieu des vrais valeurs. Cette estimation est faite
seulement sur un chantillon de la population.
Par ailleurs dans le contexte bien spcifique des modles bass sur les activits, lincertitude lie
au modle peut tre cause par la micro-simulation (Bao et al., 2015 ; Cools et al., 2011).

1.2.

Mthodes danalyse des incertitudes

La littrature au sujet de lanalyse des incertitudes permet de prendre connaissance des


diffrentes mthodes couramment utilises pour quantifier lincertitude. Il apparait clairement
que la plupart de ces mthodes utilisent une forme de simulation rptitive du modle. Ce type
danalyse est appel analyse de sensibilit.
Selon Krishnamurthy et Kockelman (2003), il existe plusieurs techniques permettant danalyser
les effets de lincertitude sur les rsultats du modle. Selon eux, la plus utilise est lanalyse de
sensibilit car elle permet didentifier le degr daffectation des rsultats du modle en changeant
les entres du modle tout en maitrisant la variation des autres variable dentre.
Selon Isukapalli (1999), les mthodes conventionnelles danalyse de sensibilit et de propagation
de lincertitude peuvent tre regroupes en 4 catgories, savoir :

Les tests de sensibilit ;


Les mthodes analytiques ;
Les mthodes bases sur lchantillonnage ;
Les mthodes bases sur les calculs formels.

Pour le cas spcifique de lincertitude dans les modles de demande de transports, la littrature
sur les mthodes danalyse se trouve dans Manzo et al. (2014) et ils les ont classs selon 3 grands
groupes :

Lanalyse de Scenario ;
Lexpression analytique ;

La simulation stochastique.

Ces trois mthodes cites ci-dessus utilisent toutes lanalyse de sensibilit pour quantifier leffet
de lincertitude sur les rsultats du modle, mais la diffrence entre elles se situe au niveau des
techniques utilises pour la quantification de lincertitude sur les variables du modle.
Ainsi, dans notre tude de cas, nous utiliserons une simulation stochastique pour analyser leffet
des incertitudes lie aux entres des donnes sur les rsultats dun modle que nous dtaillerons
dans la suite de ce document.
De la littrature que nous avons consulte concernant lanalyse des incertitudes dans les modles
de demande de transport, il ressort que la mthode couramment utilise pour la quantification de
lincertitude est une combinaison de lanalyse de sensibilit et la mthode de simulation de
Monte Carlo (De Jong et al., 2007).
La mthode de simulation de Monte Carlo a largement t utilise par plusieurs auteurs dans le
cadre de lanalyse de lincertitude (Ashley, 1980a), (Lowe, Morrell, & Copley, 1982), (Boyce,
2002), (Zhao & Kockelman, 2002a), (Pradhan & Maria Kockelman, 2002), (De Jong et al.,
2007), (Zhang, Xie, & Waller, 2011) et plus rcemment dans (Adler, Doherty, Klodzinski, &
Tillman, 2014).
Dans la prsente tude, nous nous limiterons faire un bref aperu des deux mthodes les plus
utilises dans le cadre de lanalyse dincertitude dans la modlisation des transports savoir :
lanalyse de sensibilit et la mthode de simulation de Monte Carlo.

1.2.1. Analyse de sensibilit :


Lanalyse de sensibilit permet didentifier les paramtres et les variables dentre qui ont une
influence sur les rsultats dun modle. Cette analyse consiste excuter une simulation du
modle tout en modifiant la valeur des entres et ensuite observer limpact de cette variation sur
les rsultats du modle (Isukapalli, 1999).
Selon Jacques (2011), elle permet de rpondre aux questions suivantes :

Le modle est-il fidle au phnomne et ou processus modlis ?


Quelles sont les variables qui contribuent le plus la variabilit de la rponse du modle ?
Quelles sont les variables les moins influentes ?
Quelles variables ou groupes de variables interagissent avec quels autres ?

Soit notre modle de demande de transport reprsent par la fonction f et comme entres du
modle lensemble de variable X= (X1Xn). Lensemble des variables de sortie est reprsent
par Y, alors nous pouvons crire :
f : Rn R

X Y =f (X )

Lanalyse de sensibilit permettra de dterminer linfluence de chaque variables Xi sur chaque Yi.
Pour ce faire, une simulation du modle doit tre excute tout en modifiant les valeurs de chaque
Xi une une et la diffrence observe sur chaque Yi reprsente la valeur de lincertitude.
Ainsi, selon la valeur des diffrences observes dans les diffrents rsultats obtenus, il est
possible de dduire les variables qui ont plus dinfluence sur le modle ou le contraire.
Lanalyse de sensibilit semble tre une mthode attrayante pour lanalyse des incertitudes en ce
qui concerne leffet de chaque variable indpendante sur le modle. Toutefois, elle tend
surestimer lincertitude global du modle car elle ne prend en compte que leffet de chaque entre
mais ignore les interactions entre les diffrentes entres (Rondeau, 1990).

1.2.2. Simulation de Monte Carlo


La technique de simulation de Monte Carlo implique un chantillonnage alatoire de la
distribution des entres du modle et des simulations rptitives du modle jusqu ce quune
distribution significative des valeurs de sortie du modle soit obtenue. Dans ce contexte, cette
mthode ncessite un nombre lev dessai de simulation du modle.
Le processus de simulation prend fin, une fois que des rsultats suffisants ont t obtenus, ce qui
permettra de faire une description statistique claire des variables de sortie.
Pour la simulation de Monte Carlo, il est ncessaire de connaitre la distribution de chaque
variable de dpart (variables dentres), leur moyenne et leur cart-type. Cette mthode est
limite par les facteurs suivants :

Le manque de donnes ;
Le nombre lev de simulation, do limportant temps de calcul ;
La connaissance de la distribution statistique de chaque entre.

La simulation de Monte Carlo se droule en deux tapes (Manzo et al., 2014). La premire tape
consiste en un chantillonnage afin dobtenir une bonne distribution des variables analyses.
Ensuite, des tests de sensibilit du modle sont excuts avec les premires valeurs pour obtenir
la distribution correspondante pour les variables de sortie du modle.
Dans la littrature, il apparait que les distributions principalement utilises dans la modlisation
de transport lors de la simulation de Monte Carlo sont les distributions normales et log-normal.

CHAPITRE II : METHODOLOGIE
Lobjectif principal de cette tude est danalyser lincertitude lie aux entres sur les rsultats
dun modle. Pour ce faire, nous utiliserons un modle bas sur les activits. Ce modle est bas
sur des PHMMs (Profile Hidden Markov Models) dvelopp par Liu et al. (2015) puis appliqu
par Saadi et al. (2016). cet effet, toute la littrature relative ce modle se trouve dans Saadi et
al. (2016). Ce chapitre sera divis en 3 parties :
Dans la premire partie, nous essayerons de donner un aperu global du modle utilis, une
deuxime partie est consacre exclusivement la description des donnes utilises dans cette
tude. Quant la troisime partie, elle dcrit la procdure de lexprience pour le calcul de
lincertitude.

2.1.

Description du PHMM

Le PHMM a t introduit en bio-informatique ds les annes 1990 selon Liu et al. (2015), mais
son utilisation dans le domaine de la modlisation des transports est trs rcente (Liu et al., 2015;
Saadi et al., 2016; Voss et al., 2014).
Dans ltude faite par Liu et al. (2015), le PHHM est dfini comme suit Un PHMM est une
reprsentation probabiliste qui permet de capturer des informations statistiques pertinentes
implicite dans un groupe de squences apparentes . Le PHMM permet un alignement des
squences dactivits et les positions dalignement sont classes en trois tats qui sont :

Match ;
Insertion ;
Dltion

Les tats de match (correspondance) reprsentent les activits conserves qui ont t identifies
au sein de leur groupe respectif et les tats insertion (insertion) reprsentent l'introduction de
nouveaux caractres conservs, qui peuvent tre interprtes comme des activits
supplmentaires incorpores dans le modle de base. Quant aux tats de dltion (suppression),
ils reprsentent la suppression de certaines activits conserves partir du modle de base (Saadi
et al., 2016).
Un PHMM est bas sur un alignement dun ensemble de squences d'activit et sa structure se
prsente comme sur la figure suivante :

Figure 1: Cadre conceptuelle d'un PHMM

Source : (Liu et al., 2015).


Sur la Figure 1, les lettres m, i et d reprsentent respectivement les tats match , insertion
et dltion . m0 et mNP+1 dsignent le dbut et la fin du processus o NP est la longueur de la
chaine contenant la plus grande squence dactivit. En guise dillustration, la flche en gras
reprsente une illustration de toutes les combinaisons de transition possibles entre m2 et m3.
Lutilisation dun PHMM dans notre tude va permettre dans un premier temps de regrouper les
squences dactivit sur la base de donnes dentre. Par la suite les activits habituelles ainsi que
leur ordre squentiel seront identifis dans chaque groupe, et ils seront ensuite utiliss comme
point de dpart pour guider la construction d'un alignement de squences dactivits associ au
groupe tudi. Enfin, le PHMM est utilis pour convertir les alignements multiples dans un
systme de notation de position spcifique, ce qui reprsente la probabilit de chaque activit
importante chaque position de l'alignement, ainsi que la probabilit d'insertion et la suppression
la fois des activits.
Le cadre conceptuel de ladite tude est prsent dans la Figure 2.

Figure 2: Cadre conceptuel du modle SMTC


Source : (Saadi et al., 2016).

2.2.

Description des donnes du modle

Les donnes qui ont servi la ralisation de cette tude sont issues des rsultats de lenqute de
mobilit en Belgique BELDAM (Beligian Daily Mobility). Lenqute BELDAM a t ralise de
dcembre 2009 dcembre 2010, soit 10 ans aprs lenqute Mobel (Cornelis et al., 2012). Elle
concerne les 3 rgions de Belgique, cest--dire la Wallonie, la Flandre et Bruxelles (Figure 3).
La Belgique compte 11.209.044 habitants selon Statistics Belgium (01 janvier 2015) dont

6.444.127 en Flandre, 1.175.173 Bruxelles et 3.589.744 en Wallonie. Le Tableau 1 indique la


rpartition de la population selon lge et le sexe.

Tableau 2: Rpartition de la population belge selon lge et le sexe


Moins de 18 ans

De 18 64 ans

65 ans et plus

Tous les ges

Femmes

1,112,811

3,438,304

1,152,835

5,703,950

Hommes
Total

1,164,347

3,462,994

877,753

2,277,158

6,901,298

2,030,588

5,505,094
11,209,044

Figure 3: Zone d'chantillonnage


Source : (Cornelis, Hubert, Hunyen, et al., 2012).

Les donnes utilises dans le cadre de cette tude comprennent 37 680 dplacements repartis sur
15821 individus et 8532 mnages sur lensemble du territoire belge, comme indiqu dans le
Tableau 3.
Pour chaque rpondant, des informations relatives aux dplacements ont t incluses, nous
pouvons citer :

Le temps de dplacement ;
Les lieux de dbut et de fin de dplacement ;
Le motif de dplacement ;
Le choix modal ;

Le Tableau 4 donne la rpartition des donnes socio-dmographiques. Mais dans notre tude, ces
donnes ne seront pas utilises car nous nous focaliserons uniquement sur les squences
dactivit. Ces squences dactivits issues du modle PHHM de Saadi et al. (2016) nous servira
de base de donnes pour lanalyse des incertitudes.
Le tableau 5 prsente une rpartition des motifs de dplacement selon le statut sociodmographique (ge, sexe et statut socio-professionnel) en pourcentage. Dans ce tableau nous
remarquons une forte portion de dplacements vers la maison, et ce pour toutes les variables
socio-dmographiques. Nous pouvons aussi remarquer que les personnes ges se dplacent
beaucoup pour faire du shopping.
Tableau 3: Description de l'chantillon
Flandre

Mnages
Individus
Dplacements

Wallonie
1 987
4 211
4 018
8 054

10 470
Source : (Cornelis, Hubert, Hunyen, et al., 2012)

18 444

Tableau 4: Rpartition des donnes sociodmographiques

Source : (Saadi et al., 2016)

Bruxelles
2 334
3 749

Belgique
8 532
15 821

8 766

37 680

Tableau 5: Rpartition des motifs de dplacement selon les variables sociodmographiques

Source : (Saadi et al., 2016).

Le tableau 5 donne un aperu des donnes socio-dmographiques utilises. Dans notre cas,
celles-ci ne seront pas utilises car nous nous focaliserons uniquement sur les squences
dactivit. Les squences dactivit issues du modle PHMM de Saadi et al. (2016) nous servira
de base de donnes pour lanalyse des incertitudes du modle.

2.3.

Exprience

Dans la revue de littrature, il apparait que pour lutilisation de la mthode de Monte Carlo, il est
ncessaire davoir un chantillon de taille suffisamment grande et aussi un nombre lev de
simulation (Cools et al., 2011; De Jong et al., 2007). De ce fait, nous avons fix le nombre de
simulation du modle 200 et la taille de lchantillon a t prise gale 3164 personnes. La
figure 4 prsente la mthodologie utilise pour lanalyse des incertitudes.
Comme indiqu dans les objectifs, nous allons utiliser la mthode de simulation de Monte Carlo
pour quantifier lincertitude lie aux entres des donnes sur les rsultats du modle en utilisant le
cadre de modlisation bas sur les activits avec un PHMM.
Pour quantifier lincertitude lie aux donnes, le modle PHMM sera excut 200 fois (Cools et
al, 2011). lissue du nombre fix de simulation, nous prendrons diffrentes tailles dchantillon
de la population pour faire ressortir leffet de la variation de la taille de lchantillon sur le
rsultat du modle. Pour ce faire, dans un premier temps, nous allons excuter 200 simulations du
modle avec lchantillon total (100%) et ensuite les mmes oprations seront faites pour 50%,
10% et 2% de lchantillon rel. Il faudra noter que les paramtres du modle resteront inchangs
pour chaque 200 simulations car le but nest pas de dterminer les erreurs dues au modle.
Les paramtres du modle ont t fixs de telle sorte quil gnre pour chaque simulation un
fichier contenant 2000 squences dactivits et chaque squence correspond aux activits
quotidiennes dun individu.
Dans la revue de littrature, nous avons vu que plusieurs indicateurs peuvent tre calculs, mais
dans ce TFE nous nous limiterons plutt au calcul du nombre dactivit, nous nous intresserons
galement un certain type de dplacement, par exemple (Travail-Etude, Loisir-Visite, ServiceShopping ) et aussi au nombre de tour. Le nombre de tour correspond au nombre de fois o une
activit dbute et se termine la maison. Il faudra aussi noter que nous avons fait lhypothse que
toutes les activits devront dmarrer la maison. Nous calculerons ces indicateurs pour
lensemble de lchantillon, ainsi que pour les diffrentes fractions (50%, 10% et 2%).
La Figure 4 prsente le cadre conceptuel de la recherche.

Figure 4: Cadre conceptuel de la recherche

2.4.

Traitement des donnes

Afin davoir les rsultats recherchs, les donnes brutes issues du processus de modlisation ont
t traites. Comme nous lavons dcrit dans lexprience, pour chaque chantillon nous avons
fait 200 simulations et pour chaque simulation, un fichier de 2000 squences dactivits a t
obtenu. Cependant, en ce qui concerne les rsultats de la simulation, nous avons obtenu 200
fichiers pour chacune des fractions dchantillon. Pour le traitement de ces donnes, le logiciel de
statistique SAS a t utilis.
Pour rappel, les indicateurs fixs pour lanalyse de lincertitude sont :

Le nombre total dactivits ;


Le nombre de combinaison dactivits Travaille-Etude not W-S ;
Le nombre de combinaison dactivits Shopping-Service not S-S ;
Le nombre de combinaison dactivits Loisir-Visite not L-V ;
H-B Tour qui dsigne les chaines activits dbutant et se terminant la maison.

Pour chacune de ses activits, les caractristiques statistiques suivantes ont t dtermines :

La moyenne :
n

X n =

s=

(quation 1)

Lcart type :

Xi

( X i X n )
i

(quation 2)

n1

Le coefficient de variation, qui reprsente lerreur moyenne de micro-simulation est


obtenu en faisant le rapport de la formule (1) et de la formule (2). Ainsi, il vient :

( X i X n )
i

n1
n
X

(quation 3)

Pour le calcul de la valeur absolue de lerreur de la moyenne, la formule ci-dessous a t


utilise :

3. CHAPITRE III : RESULTATS ET ANALYSES


Dans ce chapitre nous prsenterons les diffrents rsultats et analyses du traitement de
lincertitude lie aux entres des donnes dans le cadre de la modlisation de de la demande de
transport. Tout dabord, nous ferons une prsentation de la distribution des moyennes des
diffrents chantillons pour chaque indicateur savoir : le nombre dactivits, lactivit travailEtudes , lactivit Shopping-Service , lactivit Loisir-Visite et le home-based tour .
La reprsentation de la distribution pour chaque indicateur se fera graphiquement, ce qui nous
permettra de comparer, pour un indicateur donn, les distributions entre les diffrents chantillons
et aussi entre chaque chantillon et lchantillon rel.
Ensuite, les rsultats issus du calcul des coefficients de variation et du calcul de la valeur absolue
de lerreur des moyennes seront prsents pour chaque indicateur en fonction des fractions
dchantillon.

3.1.

Nombre dactivits

La Figure 5 reprsente la distribution de la moyenne de lindicateur nombre dactivit obtenu


par la simulation de Monte Carlo, pour les quatre fractions dchantillon (2%, 10%, 50%, 100%)
et aussi pour lchantillon rel. Pour chacun des chantillons, nous avons trac la courbe de
distribution, ce qui va nous permettre de distinguer quels sont les chantillons qui suivent la
mme distribution et par la mme occasion apprhender les chantillons qui sont assez proche de
lchantillon rel. Ainsi, sur la Figure 5, il ressort clairement que les diffrentes fractions
dchantillon ne suivent pas la mme distribution que lchantillon rel. Par contre, nous pouvons
observer que les diffrentes fractions dchantillon suivent la mme distribution. cet effet, nous
dduisons que lindicateur nombre dactivits nest pas trs intressant pour lanalyse des
incertitudes dans un modle de transport bas sur les activits en utilisant un PHMM.

Dis tributio n de la mo ye nne du no mbre d'a c tivit s


60
50
40

DISTRIBUTION (%)

30
20
10
0

10

12

TAille de la ch aine d'activite s

REAL

2%

10%

50%

100%

Figure 5:Distribution du nombre d'activit.

Le tableau 6 prsente les valeurs en pourcentage de la distribution des moyennes de chaque


fraction dchantillon et les distributions de lchantillon rel. Nous constatons que pour
lchantillon rel, les chaines dactivits contenant que seulement 3 activits journalires ont le
plus grand pourcentage soit 48.55%. La plus forte distribution des activits pour les fractions
dchantillon 100%, 50% et 10% est galement celle contenant seulement 3 activits. Par contre,
pour lchantillon 2%, le nombre dactivit journalire le plus levs est 5 soit 9.59%.
Tableau 6 : Distribution du nombre d'activits

NRACT
1
2
3
4
5
6
7
8
9
>10

Real
0.99
0.01
48.55
12.50
17.29
7.03
6.27
2.72
1.86
2.78

2%
0.69
1.90
4.57
7.52
9.59
9.43
8.81
9.10
11.12
37.27

10%
2.04
6.00
11.21
14.12
14.10
12.38
8.76
6.42
4.70
20.27

50%
2.44
9.78
18.07
20.33
16.91
12.00
8.04
4.67
2.78
4.98

100%
3.49
11.16
19.59
19.92
15.18
11.59
7.57
4.81
2.84
3.84

3.2.

Activit : Travail-Etudes

Distributio n de la moye nne du no mbre d'a c tivit s "Tra va il-Etude s"


60
50
40

Distribution (%)

30
20
10
0

TAille de l a ch ain e d'acti vite s

Real

2%

10%

50%

100%

Figure 6: Distribution du nombre d'activits "Travail-Etudes"

Sur la figure 7, nous pouvons constater que les distributions des diffrents chantillons sont assez
similaires les unes par rapport aux autres mais aussi par rapport lchantillon rel. Cependant,
lindicateur travail-tude apparait comme tant un bon indicateur pour lanalyse des
incertitudes car non seulement il offre une bonne distribution des diffrents chantillons mais
aussi nous pouvons constater une certaine logique dans ce rsultat, car plus lchantillon est
grand et plus sa distribution se rapproche de celle de lchantillon rel.
Tableau 7 : Distribution du nombre d'activits Travail-Etudes

WS
0
1
2
3
4
>5

Real
47.73
41.56
7.39
2.28
0.66
0.37

2%
32.53
40.42
20.68
5.57
0.76
0.04

10%
43.03
39.04
14.03
3.36
0.50
0.04

50%
44.51
38.80
12.51
3.22
0.76
0.20

100%
46.31
38.45
10.98
3.11
0.87
0.28

Dans le tableau 7, nous constatons que, presque la moiti des chaines dactivits journalires ne
contienne aucun dplacement Travail-tudes . Par contre, 0.37% des squences contiennent

jusqu 5 activit Travail-tudes par rapport lchantillon rel, 0.28% pour lchantillon
100%, 0.20% pour lchantillon 50% et 0.04 pour les chantillons 10% et 2%.

3.3.

Activit : Shopping-Service

Distribution de la moye nne du nombre d'activite " Shopping-Se rvic e "


70
60
50
40
Distribution (%)

30
20
10
0

TAille de la chaine d'activite s

Real

2%

10%

50%

100%

Figure 7:Distribution du nombre d'activits "Shopping-Service"

Comme pour lindicateur Travail-Etudes , la distribution du nombre dactivit ShoppingService , prsente une assez bonne distribution des diffrents chantillons vis--vis de
lchantillon rel lexception de lchantillon 10 %. Ce qui est probablement d un manque de
reprsentativit dans le processus dchantillonnage. En effet, il est possible de constituer un
chantillon de 10% selon diffrentes combinaisons. Dans le cadre de notre tude, nous navons
utilis quun seul chantillon de 10%.
Tableau 8 : Distribution du nombre d'activits "Shopping-Service"

SS
0
1
2
3
4
5

Real
61.76
28.10
6.98
2.22
0.64
0.30

2%
49.19
36.50
11.98
2.13
0.20
0.01

10%
40.85
31.06
16.34
7.72
2.98
1.04

50%
53.20
32.13
10.67
3.00
0.77
0.23

100%
57.26
31.01
8.89
2.15
0.52
0.17

Plus de la moiti des squences dactivits ne contiennent aucune activit du genre ShoppingService , cette affirmation est vrifie pour lchantillon rel ainsi que pour les chantillons
100% et 50%. Par contre, pour les chantillons 10% et 2%, elle ne lest pas.

3.4.

Activit : Loisir-Visite
Dis tributio n du no mbre d'a c tivite lo is ir-vis ite
70
60
50
40

Distribution (%)

30
20
10
0

TAille de la ch aine d'activite s

Real

2%

10%

50%

100%

Figure 8:Distribution du nombre d'activits "Loisir-Visite"

Les distributions statistiques pour cet indicateur sont similaires au cas prcdent, savoir
Shopping-Service . Cependant, une diffrence majeure est noter, seuls les chantillons 100%
et 50% ont une distribution assez proche de celle de lchantillon rel. Ainsi, limage de
lindicateur nombre dactivits , cet indicateur ne semble pas tre pertinent pour lanalyse de
lincertitude dans un modle de transport bas sur les activits en utilisant un PHMM.
Tableau 9:Distribution du nombre d'activits "Loisir-Visite"

LV
0
1
2
3
4
>5

Real
63.06
28.45
6.61
1.30
0.36
0.22

2%
43.35
39.43
14.30
2.64
0.27
0.01

10%
38.32
32.48
15.08
7.81
4.20
2.12

50%
56.83
33.79
7.87
1.27
0.21
0.03

100%
60.02
30.11
8.05
1.57
0.22
0.03

Le constat pour ce cas-ci est identique celui de lindicateur Shopping-Service .

3.5.

Home based Tour

Distribution du nombre d'activite home based tour


120
100
80

Distribution (%)

60
40
20
0

1
nombre d'observations

Real

2%

10%

50%

100%

Figure 9:Distribution du nombre d'activits "Home based tour"

Les distributions statistiques pour lindicateur Home-Based Tour prsente un cas assez
particulier, car nous pouvons constater que plus lchantillon est grand, plus sa distribution
sloigne de celle de lchantillon rel. Ce phnomne peut tre expliqu par limportante
htrognit de lchantillon, car plus la taille dun chantillon est grande plus le phnomne
dhtrognit y est accentu. Alors, nous pouvons dire que dans le cas du Home- Based Tour,
plus lhtrognit est leve plus la probabilit de ne pas finir lactivit la maison est leve.
Cela est d lutilisation du PHHM car il a tendance accentuer ce phnomne.
Tableau 10:Distribution du nombre d'activits "Home based tour"

Hbtour

Real
0
1

1.55
98.45

2%
7.07
92.93

10%
10.45
89.55

50%
10.65
89.35

100%
16.77
83.23

Les valeurs dans le tableau 10 montrent que la probabilit que les activits journalires des belges
se terminent la maison est de 98,45% pour lchantillon rel. Par contre, pour lchantillon
100%, cette probabilit est de 83.23%.

3.6.

Erreur de micro simulation

Tableau 11: Erreur de micro simulation (%)

2%
10%
50%
100%

Nombre dactivits
34.95%
53.11%
49.27%
49.43%

Micro simulation error


Nombre
Nombre dactivits
dactivits Shopping Travail-Etudes
Service
89.28%
115.22%
106.67%
110.56%
112.20%
130.34%
116.66%
138.60%

Nombre
dactivits LoisirVisite
105.21%
110.70%
131.86%
141.30%

Le tableau 11 prsente lerreur de micro-simulation donn par le calcul du coefficient de variation


avec la formule de lquation 3. Il apparait nettement dans ce tableau que lerreur de microsimulation est trs leve quel que soit lindicateur que lon considre. Dune manire globale,
nous constatons que lchantillon de 2% prsente la plus faible erreur de micro-simulation.
En effectuant une analyse, indicateur par indicateur, on peut remarquer que pour lindicateur
nombre dactivits , lchantillon 2% prsente la plus petite erreur de micro-simulation, par
contre, lerreur de micro-simulation de lchantillon 10% est suprieure celle de 50% et 100%.
Ainsi, il est difficile de tirer une conclusion claire quant la variation de lerreur de microsimulation en fonction de la taille de lchantillon pour cet indicateur.
En observant lindicateur Travail-Etudes , nous remarquons que plus la taille de lchantillon
est grande plus son erreur de micro-simulation est importante. Par consquent, pour cet indicateur
nous pouvons dire que lerreur de micro-simulation augmente avec la taille de lchantillon.
En ce qui concerne lindicateur Shopping-Service , il prsente le mme cas de figure que ce
que nous venons de voir prcdemment, savoir lindicateur Travail-Etudes , la seule
diffrence que lerreur de micro-simulation de lchantillon 2% est plus grande que celle de 10%.
Pour lindicateur Loisir-Visite , nous remarquons aussi que lerreur de micro-simulation
augmente avec la taille de lchantillon.
la lumire de lanalyse de lvolution de lerreur de micro-simulation, nous pouvons dire,
dune manire gnrale, que lerreur de micro-simulation a tendance croitre quand la taille de
lchantillon augmente.

3.7.

Erreur destimation

Cette erreur a t calcule en appliquant la formule de lquation 4 sur les valeurs dans le tableau
12, elle correspond la dviation des diffrentes simulations des chantillons par rapport aux
donnes observes dans la ralit, cest--dire lchantillon rel. Les valeurs de ces erreurs sont
prsentes dans le tableau 13.
Tableau 12: Moyenne par indicateur et par chantillon
Moyenne
Nombre dactivits
4.35441
7.85024
6.52115
4.9105
4.70243

Real
2%
10%
50%
100%

Nombre
dactivits ShoppingService
0.52878
0.6776
1.04377
0.66675
0.5825

Nombre
dactivits LoisirVisite
0.4817
0.76933
1.14086
0.5435
0.51826

Valeur absolue de lerreur de la moyenne


Nombre
Nombre dactivits
dactivits Shopping Travail-Etudes
Service
49.73%
28.14%
16.47%
97.39%
13.66%
26.09%
9.88%
10.16%

Nombre
dactivits LoisirVisite
59.71%
136.84%
12.83%
7.59%

Nombre dactivits
Travail-Etudes
0.68076
1.01927
0.7929
0.77375
0.748

Tableau 13: Erreur de la moyenne (%)

Nombre dactivits
80.28%
49.76%
12.77%
7.99%

2%
10%
50%
100%

linstar de lerreur de micro-simulation, nous remarquons que les erreurs de simulation sont
galement assez leves. Par contre, contrairement lerreur de micro-simulation, ici
lchantillon de 2% prsente la plus grande valeur derreur pour les indicateurs nombre
dactivits et Travail-Etudes . Lchantillon 100% prsente la plus faible valeur derreur due
aux entres des donnes quel que soit lindicateur considr et cela parait trs logique.
En faisant une analyse au cas par cas, nous constatons que:

Pour lindicateur Nombre dactivits , il apparait clairement que plus la taille de


lchantillon augmente plus lerreur due aux entres des donnes diminue ;
Pour lindicateur Travail-Etudes , nous remarquons la mme chose que lindicateur
prcdent ;
Pour lindicateur Shopping-Service , nous constatons, une diminution de lerreur due
aux entres, seulement lchantillon 10% ne rpond pas cette rgle ;

Pour lindicateur Loisir-Visite , nous constatons le mme phnomne que pour


lindicateur Shopping-Service .

DISCUSSION DES RESULTATS


la lumire de tout ce qui prcde, il est vident que la variation de la taille de lchantillon a un
effet considrable sur les rsultats du modle. Dun ct nous avons lerreur de micro- simulation
et de lautre, lerreur destimation.
Il faudra noter que dans cette tude, lincertitude lie aux donnes et au modle ne sont pas
dissocies, la valeur des erreurs calcules dans les tableaux 11 et 12 sont une somme des deux
types dincertitude.
Dune manire gnrale, dans le cadre de cette tude, lerreur de micro-simulation et lerreur
destimation sont assez importantes, quel que soit lindicateur que lon considre.
Un autre constat est que ces deux types derreur ne se comporte pas de la mme manire, vis-vis de la taille de lchantillon : lerreur de micro-simulation croit avec laugmentation de la taille
de lchantillon alors que lerreur destimation diminue lorsque la taille de lchantillon
augmente.
Il faudra aussi noter que, lchantillon 10% apparait comme le plus instable vis--vis des autres
chantillons. Nous pouvons expliquer ce phnomne par le fait quil existe une multitude de
combinaisons possibles afin de constituer les diffrents chantillons. Parmi cette multitude de
combinaison, nous navons choisi quune seule combinaison par fraction dchantillon et cela
peut tre la raison pour laquelle notre chantillon 10% est si instable. Il serait intressant de
gnrer plusieurs combinaisons et den extraire le plus reprsentatif mais cela risquera dallonger
considrablement le temps de simulation. Par ailleurs, lindicateur qui prsente le moins derreur
de micro-simulation est le nombre dactivits .
Les rsultats obtenus dans le cadre de notre tude ont pu confirmer celles de certaines tudes
antrieures sur la mme question. Par exemple, ltude mene par Cools et al. (2011) sur
lanalyse de l'incertitude des modles bass sur les activits complexes. Dans cette tude, le
modle Albatross a t utilis. Il est bas sur les donnes de la Flandre. Pour estimer l'erreur due
la micro-simulation, le modle a t excut 200 fois comme dans notre cas pour la mme
fraction de 10% de lchantillon rel. Les rsultats obtenus dans cette tude ont permis de
montrer que lerreur de micro-simulation croit avec lhtrognit de lchantillon.
Enfin, les diffrentes distributions que nous avons analyses nous ont permis de constater que
certains indicateurs sont mieux indiqus que dautres pour lanalyse de lincertitude. Dans notre
cas lindicateur le mieux indiqu est lactivit Travail-Etudes .

CONCLUSION GENERALE
Cette tude a t conduite en faisant 200 simulations dun modle bas sur les activits en
utilisant comme gnrateur alatoire un PHMM. Pour ce faire, 4 fractions dchantillons de
populations diffrents ont t tablies ( savoir 2%, 10%, 50% et 100% de lchantillon rel)
comme entre du modle.
Pour cette tude, nous avons choisi 4 indicateurs pour lesquels les erreurs ont t calcules (le
nombre dactivits et les activits : Travail-Etudes , Shopping-Service et LoisirService ).
Les rsultats issus de la simulation ont montr que lerreur de micro-simulation est assez leve,
ce qui nous permet de dire que le modle que nous avons utilis est incertain. Aussi, il ressort de
cette tude que la taille de lchantillon a une grande influence sur lerreur de micro-simulation
car cette dernire croit considrablement avec laugmentation de la taille de lchantillon. Par
contre, lerreur destimation diminue avec laugmentation de la taille de lchantillon.
Dans le cadre de la micro-simulation, un des facteurs cl prendre en compte est le temps. Lors
de cette tude, le temps total de micro simulation a t de plus de 5 jours conscutifs pour les 200
simulations de chaque fraction dchantillon. Ce temps a considrablement vari dchantillon
chantillon. Pour chaque simulation des chantillons (2%, 10%, 50% et 100%), le temps
consomm a t respectivement de 5 secondes, 15 secondes, 345 secondes et 2040 secondes.
Lobjectif principal de cette tude tait de dvelopper un cadre de simulation en tenant compte de
lincertitude lie aux entres. La mthode ainsi dveloppe pourra tre applique des tudes
similaires notamment lorsquun modle bas sur les activits est utilis avec un PHMM. Mais le
modlisateur devra savoir que ce cadre de simulation demande beaucoup de temps de simulation
et une base de donnes assez riche. Le modlisateur devra galement faire un traitement en amont
des donnes afin de choisir les meilleures fractions dchantillon.
Pour ce genre dtude, il est important de savoir que le choix des indicateurs peut jouer un rle
dterminant. Daprs nos rsultats, les indicateurs nombre dactivits et home-based tour
ne sont pas trs intressant pour ce genre dtude par contre les indicateurs Travail-Etudes ,
Shopping-Service et Loisir-Visite sont celles qui fournissent les meilleurs rsultats.

REFERENCES BIBLIOGRAPHIQUES
Adler, T., Doherty, M., Klodzinski, J., & Tillman, R. (2014). Methods for Quantitative Risk
Analysis for Travel Demand Model Forecasts. Transportation Research Record: Journal of
the Transportation Research Board, (2429), 17.
Arentze, T., Hofman, F., van Mourik, H., & Timmermans, H. (2000). ALBATROSS: multiagent,
rule-based model of activity pattern decisions. Transportation Research Record: Journal of
the Transportation Research Board, (1706), 136144.
Armoogum, J. (2003). Measuring the impact of uncertainty in travel demand modelling with a
demographic approach. In PROCEEDINGS OF THE EUROPEAN TRANSPORT
CONFERENCE (ETC) 2003 HELD 8-10 OCTOBER 2003, STRASBOURG, FRANCE.
Consult ladresse http://trid.trb.org/view.aspx?id=769989
Armoogum, J., Madre, J.-L., & Bussiere, Y. (2009). Measuring Uncertainty in Long-term Travel
Demand Forecasting From Demographic Modelling: Case Study of the Paris and
Montreal Metropolitan Areas. IATSS research, 33(2), 920.
Ashley, D. J. (1980). Uncertainty in the context of highway appraisal. Transportation, 9(3), 249
267.
Bao, Q., Kochan, B., Bellemans, T., Janssens, D., & Wets, G. (2015). Investigating microsimulation error in activity-based travel demand forecasting: a case study of the
FEATHERS framework. Transportation Planning and Technology, 38(4), 425441.
Bekhor, S., Kheifits, L., & Sorani, M. (2014). Stability analysis of activity-based models: case
study of the Tel Aviv transportation model. EJTIR, 14(4), 311331.
Ben-Akiva, M. E., & Lerman, S. R. (1985). Discrete choice analysis: theory and application to
travel demand (Vol. 9). MIT press.
Benefits of Activity Based Models - Travel Forecasting Resource. (s. d.). Consult 17 novembre
2015, ladresse http://tfresource.org/Benefits_of_Activity_Based_Models
Bonnel, P. (2002). Prvision de la demande de transport. Universit Lumire-Lyon II. Consult
ladresse https://tel.archives-ouvertes.fr/tel-00268919/
Bowman, J. L. (1995). Activity based travel demand model system with daily activity schedules.
Massachusetts
Institute
of
Technology.
Consult

ladresse
http://www.jbowman.net/theses/1995.Bowman.Thesis.pdf
Bowman, J. L. (1998). The day activity schedule approach to travel demand analysis.
Massachusetts
Institute
of
Technology.
Consult

ladresse
http://www.jbowman.net/theses/1998.Bowman.Thesis.pdf

Boyce, D. (2002). Is the sequential travel forecasting paradigm counterproductive? Journal of


Urban Planning and Development, 128(4), 169183.
Calabrese, F., Di Lorenzo, G., Liu, L., & Ratti, C. (2011). Estimating origin-destination flows
using mobile phone location data. IEEE Pervasive Computing, 10(4), 3644.
Castiglione, J., Freedman, J., & Bradley, M. (2003). Systematic investigation of variability due to
random simulation error in an activity-based microsimulation forecasting model.
Transportation Research Record: Journal of the Transportation Research Board, (1831),
7688.
CHAUSSEES, E. N. D. P. E. (2007). Modle dynamique de transport bas sur les activits.
Universit dEvry Val dEssonne. Consult ladresse https://hal.archivesouvertes.fr/docs/00/50/07/11/PDF/thesis_Tai-yuMa.pdf
Clay, M. J., & Johnston, R. A. (2005). Univariate uncertainty analysis of an integrated land use
and transportation model: MEPLAN. Transportation planning and technology, 28(3),
149165.
Cools, M., Kochan, B., Bellemans, T., Janssens, D., & Wets, G. (2011). Assessment of the effect
of micro-simulation error on key travel indices: Evidence from the activity-based model
feathers. In Proceedings of the 90th Annual Meeting of the Transportation Research Board
(DVD-ROM). Transportation Research Board of the National Academies. Consult
ladresse https://orbi.ulg.ac.be/handle/2268/134326
Cornelis, E., Hubert, M., Hunyen, P., Lebrun, K., Patriarche, G., De Witte, A., others. (2012).
Belgian Daily Mobility-BELDAM: Enqute sur la mobilit quotidienne des Belges.
Brussels: Agora.
De Jong, G., Daly, A., Pieters, M., Miller, S., Plasmeijer, R., & Hofman, F. (2007). Uncertainty in
traffic forecasts: literature review and new results for The Netherlands. Transportation,
34(4), 375395.
De Jong, G., Pieters, M., Miller, S., Daly, A., Plasmeijer, R., GRAAFLAND, I., Kroes, E.
(2005). Uncertainty in Traffic Forecasts. AVV Transport Research Centre, Rand Europe.
Duchne, J. (1999). Le traitement de lincertitude dans les perspectives dmographiques.
Questii: Quaderns dEstadstica, Sistemes, Informatica i Investigaci Operativa, 23(1),
113128.
Ferdous, N., Vana, L., Bowman, J., Pendyala, R., Giaimo, G., Bhat, C., Anderson, R. (2012).
Comparison of Four-Step Versus Tour-Based Models for Prediction of Travel Behavior
Before and After Transportation System Changes. Transportation Research Record:
Journal of the Transportation Research Board, (2303), 4660.
Flyvbjerg, B., Skamris Holm, M. K., & Buhl, S. L. (2005). How (in) accurate are demand
forecasts in public works projects? The case of transportation. Journal of the American
Planning Association, 71(2), 131146.

Flyvbjerg, B., Skamris Holm, M. K., & Buhl, S. L. (2006). Inaccuracy in traffic forecasts.
Transport Reviews, 26(1), 124.
Ha-Duong, M. (2005). Techniques de modlisation et analyse de lincertitude. Consult
ladresse
http://citeseerx.ist.psu.edu/viewdoc/download?
doi=10.1.1.377.6122&rep=rep1&type=pdf
Hugosson, M. B. (2005). Quantifying uncertainties in a national forecasting model.
Transportation Research Part A: Policy and Practice, 39(6), 531547.
Hunt, J., Johnston, R., Abraham, J., Rodier, C., Garry, G., Putman, S., & de la Barra, T. (2001).
Comparisons from Sacramento model test bed. Transportation Research Record: Journal
of the Transportation Research Board, (1780), 5363.
Isukapalli, S. S. (1999). Uncertainty analysis of transport-transformation models. Citeseer.
Consult

ladresse
http://citeseerx.ist.psu.edu/viewdoc/download?
doi=10.1.1.473.402&rep=rep1&type=pdf
Jacques, J. (2011). Pratique de lanalyse de sensibilit: comment valuer limpact des entres
alatoires sur la sortie dun modle mathmatique. Lille: sn. Consult ladresse
http://eric.univ-lyon2.fr/~jjacques/Download/Publi/Intro-SA.pdf
Kerr, J., Frank, L., Sallis, J. F., Saelens, B., Glanz, K., & Chapman, J. (2012). Predictors of trips
to food destinations. International Journal of Behavioral Nutrition and Physical Activity,
9(1), 58. http://doi.org/10.1186/1479-5868-9-58
Krishnamurthy, S., & Kockelman, K. (2003). Propagation of uncertainty in transportation land
use models: Investigation of dram-empal and utpp predictions in austin, texas.
Transportation Research Record: Journal of the Transportation Research Board, (1831),
219229.
Langlois, C., & Leblond, V. (2015). Improving Projects Evaluations in Analyzing Transport
Models Ability to Explain the Past. Transportation Research Procedia, 8, 181191.
Leblond, V., & Langlois, C. (2013). Modelling Detailed Passengers Behaviours in a Complex
Public Transportation Network. In European Transport Conference 2013. Consult
ladresse http://trid.trb.org/view.aspx?id=1331760
Lemp, J., & Kockelman, K. (2009). Understanding and accommodating risk and uncertainty in
toll road projects: a review of the literature. Transportation Research Record: Journal of
the Transportation Research Board, (2132), 106112.
Leurent, F. (1997). Analyse et mesure de lincertitude dans un modle de simulation. Les
principes, une mthode et lexemple de laffectation bicritre du trafic. Ecole nationale
des Ponts et Chausses. Consult ladresse https://tel.archives-ouvertes.fr/tel-00529468/
Liu, F., Janssens, D., Cui, J., Wets, G., & Cools, M. (2015). Characterizing activity sequences
using profile Hidden Markov Models. Expert Systems with Applications, 42(13), 5705
5722.

Lowe, S. R., Morrell, D., & Copley, G. (1982). Uncertainties in Highway Appraisal: the
development of systematic sensitivity testing. In Planning & Transport Res & Comp, Sum
Ann Mtg, Proc. Consult ladresse http://trid.trb.org/view.aspx?id=196725
Ma, T.-Y. (2007). Modle dynamique de transport bas sur les activits. Ecole des Ponts
ParisTech. Consult ladresse https://pastel.archives-ouvertes.fr/pastel-00003309/
Manzo, S., Nielsen, O. A., & Prato, C. G. (2014). Uncertainty calculation in transport models and
forecasts. Technical University of DenmarkDanmarks Tekniske Universitet, Department
of TransportInstitut for Transport, Traffic ModellingTrafikmodeller. Consult ladresse
http://orbit.dtu.dk/ws/files/110362883/PhD_Thesis_DTU_Transport_2014_Uncertainty_c
alculation_in_transport_models_and_forecasts.pdf
McNally, M. G., & Rindt, C. (2008). The activity-based approach. Consult ladresse
http://escholarship.org/uc/item/86h7f5v0.pdf
Miller, E. J., Roorda, M. J., & Carrasco, J. A. (2005). A tour-based model of travel mode choice.
Transportation, 32(4), 399-422. http://doi.org/10.1007/s11116-004-7962-3
Modlisation des dplacements urbains de voyageurs - Guide-Certu-mdu.pdf. (s. d.). Consult
ladresse
https://educnet.enpc.fr/pluginfile.php/7899/mod_resource/content/0/GuideCertu-mdu.pdf
Noland, R. B., & Small, K. A. (1995). Travel-time uncertainty, departure time choice, and the
cost of the morning commute. Institute of Transportation Studies, University of
California,
Irvine.
Consult

ladresse
http://128.200.36.2/its/publications/papers/ITS/UCI-ITS-WP-95-1.pdf
Nunez, A., Bonnafous, A., & Universit Lumire (Lyon). (2007). Sources of errors and biases in
traffic forecasts for toll road concessions sources derreurs et biais en prvision de trafic
pour les autoroutes pages. Lyon: Universit Lumire Lyon 2.
Pel, A. J., Bliemer, M. C., & Hoogendoorn, S. P. (2012). A review on travel behaviour modelling
in dynamic traffic simulation models for evacuations. Transportation, 39(1), 97123.
Pell, C. M. (1984). The analysis of uncertainty in urban transportation planning forecasts.
Consult ladresse http://trid.trb.org/view.aspx?id=216197
Perrakis, K., Karlis, D., Cools, M., Janssens, D., Vanhoof, K., & Wets, G. (2012). A Bayesian
approach for modeling origindestination matrices. Transportation Research Part A:
Policy and Practice, 46(1), 200212.
Pinjari, A. R., Bhat, C. R., & others. (2011). Activity-based travel demand analysis. A Handbook
of Transport Economics, 10, 213248.
Pradhan, A., & Maria Kockelman, K. (2002). Uncertainty propagation in an integrated land usetransportation modeling framework: output variation via UrbanSim. Transportation
Research Record: Journal of the Transportation Research Board, (1805), 128135.

Rasouli, S., Arentze, T. A., & Timmermans, H. J. P. (2012). Analysis of uncertainty in


performance indicators of a complex activity-based model: The case of the Albatross
model system. In Proceedings innovations in travel demand modelling conference.
Consult

ladresse
http://www.uncertweb.org/uploads/papers/e63e38ca968b89deaa3fe4bfc72262d557ff397c.
pdf
Rasouli, S., Cools, M., Kochan, B., Arentze, T., Bellemans, T., Janssens, D., & Timmermans, H.
(2012). Uncertainty in forecasts of complex rule-based systems of travel demand:
Comparative analysis of the Albatross/Feathers model system. In 13th International
Conference on Travel Behaviour Research. International Association for Travel Behaviour
Research (IATBR). Consult ladresse http://orbi.ulg.ac.be/handle/2268/143214
Rasouli, S. S. (2016). Uncertainty in modeling activity-travel demand in complex urban systems.
Technische
Universiteit
Eindhoven.
Consult

ladresse
http://www.narcis.nl/publication/RecordID/oai:library.tue.nl:811278
Rasouli, S., & Timmermans, H. (2012). Uncertainty in travel demand forecasting models:
literature review and research agenda. Transportation letters, 4(1), 5573.
Rasouli, S., & Timmermans, H. (2014). Activity-based models of travel demand: promises,
progress and prospects. International Journal of Urban Sciences, 18(1), 3160.
Rodier, C. J. (2007). Beyond uncertainty: modeling transportation, land use, and air quality in
planning. Consult ladresse http://trid.trb.org/view.aspx?id=863304
Rodier, C. J., & Johnston, R. A. (2002). Uncertain socioeconomic projections used in travel
demand and emissions models: could plausible errors result in air quality nonconformity?
Transportation Research Part A: Policy and Practice, 36(7), 613631.
Rodier, C. J., Johnston, R. A., & Abraham, J. E. (2002). Heuristic policy analysis of regional land
use, transit, and travel pricing scenarios using two urban models. Transportation Research
Part D: Transport and Environment, 7(4), 243254.
Rondeau, N. (1990). Analyses dincertitudes dans le processus de modlisation de la qualit de
leau en rivire. Universit du Qubec. Consult ladresse http://espace.inrs.ca/1957/
Roorda, M. J., Miller, E. J., & Habib, K. M. (2008). Validation of TASHA: A 24-h activity
scheduling microsimulation model. Transportation Research Part A: Policy and Practice,
42(2), 360375.
Saadi, I., El Saeid Mustafa, A. M., Teller, J., & Cools, M. (2016). An integrated framework for
forecasting travel behavior using Markov Chain Monte-Carlo simulation and profile
Hidden Markov Models. Consult ladresse https://orbi.ulg.ac.be/handle/2268/191453

Sanko, N., Morikawa, T., & Nagamatsu, Y. (2013). Post-project evaluation of travel demand
forecasts: Implications from the case of a Japanese railway. Transport Policy, 27, 209
218.
Schreckenberg, M., Schadschneider, A., Nagel, K., & Ito, N. (1995). Discrete stochastic models
for traffic flow. Physical Review E, 51(4), 2939.
evkov, H., Raftery, A. E., & Waddell, P. A. (2007). Assessing uncertainty in urban
simulations using Bayesian melding. Transportation Research Part B: Methodological,
41(6), 652669.
Shiftan, Y., & Suhrbier, J. (2002). The analysis of travel and emission impacts of travel demand
management strategies using activity-based models. Transportation, 29(2), 145168.
Sivakumar, A. (2007). Modelling transport: a synthesis of transport modelling methodologies.
Imperial
College
of
London.
Consult

ladresse
http://www3.imperial.ac.uk/pls/portallive/docs/1/50669701.PDF
Smith, B. L., & Demetsky, M. J. (1997a). Traffic flow forecasting: comparison of modeling
approaches. Journal of transportation engineering. Consult ladresse
http://ascelibrary.org/doi/10.1061/(ASCE)0733-947X(1997)123%3A4(261)
Smith, B. L., Williams, B. M., & Oswald, R. K. (2002). Comparison of parametric and
nonparametric models for traffic flow forecasting. Transportation Research Part C:
Emerging Technologies, 10(4), 303321.
Tayman, J., Schafer, E., & Carter, L. (1998). The role of population size in the determination and
prediction of population forecast errors: An evaluation using conifidence intervals for
subcounty areas. Population Research and Policy Review, 17(1), 120.
THE ACTIVITY-BASED APPROACH - UCI-ITS-AS-WP-07-1.pdf. (s. d.). Consult ladresse
http://krypton.its.uci.edu/its/publications/papers/CASA/UCI-ITS-AS-WP-07-1.pdf
This,

T.
A.
G.
(2014).
TAG
UNIT
M4.
Consult

ladresse
https://www.gov.uk/government/uploads/system/uploads/attachment_data/file/427130/TA
G_Unit_M4_Forecasting_and_Uncertainty_November2014.pdf

Timmermans, H. (2009). Household decision making in travel behaviour analysis. In The


Expanding Sphere of Travel Behaviour Research: Selected Papers from the 11th
International Conference on Travel Behaviour Research (p. 159186). Emerald Group
Publishing.
UCI-ITS-AS-WP-00-5.pdf.
(s. d.).
Consult

ladresse
http://www.its.uci.edu/its/publications/papers/CASA/UCI-ITS-AS-WP-00-5.pdf
Veldhuisen, J., Timmermans, H., & Kapoen, L. (2000). RAMBLAS: a regional planning model
based on the microsimulation of daily activity travel patterns. Environment and Planning
A, 32(3), 427443.
Walker, J., Li, J., Srinivasan, S., & Bolduc, D. (2010). Travel demand models in the developing
world: Correcting for measurement errors. Transportation Letters, 2(4), 231243.

Xie, W., Nelson, B. L., & Barton, R. R. (2014). Statistical uncertainty analysis for stochastic
simulation.
Under
review.
Consult

ladresse
http://homepages.rpi.edu/~xiew3/Xie_Nelson_Barton_2014a.pdf
Yang, C., & Chen, A. (2009). Sensitivity analysis of the combined travel demand model with
applications. European Journal of Operational Research, 198(3), 909921.
Yang, C., Chen, A., Xu, X., & Wong, S. C. (2013). Sensitivity-based uncertainty analysis of a
combined travel demand model. Transportation Research Part B: Methodological, 57,
225244.
Zhang, T., Xie, C., & Waller, S. (2011). Integrated equilibrium travel demand model with nested
logit structure: Fixed-point formulation and stochastic analysis. Transportation Research
Record: Journal of the Transportation Research Board, (2254), 7996.
Zhao, Y., & Kockelman, K. M. (2002). The propagation of uncertainty through travel demand
models: an exploratory analysis. The Annals of regional science, 36(1), 145163.
Zheng, Y., & Zhou, X. (2011). Computing with spatial trajectories. Springer Science & Business
Media.
Zouaoui, F., & Wilson, J. R. (2003). Accounting for parameter uncertainty in simulation input
modeling. Iie Transactions, 35(9), 781792.