Streaming analytics trafic voyageurs

Contexte

Réseau métro et bus d'une grande métropole avec 300 capteurs d'affluence répartis sur les stations et véhicules. Les données d'affluence sont collectées et traitées en batch chaque nuit, produisant des rapports disponibles le lendemain matin. L'exploitation ne dispose d'aucune visibilité temps réel pour adapter l'offre de transport aux variations d'affluence intra-journalières.

Problème & Défi

Données affluence disponibles uniquement en J+1 : l'exploitation navigue à l'aveugle pendant la journée. Saturation de certaines lignes non anticipée : voyageurs entassés, retards en cascade. Redistribution des rames/bus impossible en temps réel faute de données. Prévision d'affluence basée sur l'historique moyen, sans prise en compte des événements (grèves, météo, événements sportifs). Satisfaction voyageur en baisse : NPS -8 points en 1 an sur les lignes saturées.

Solution & Livrables

Pipeline streaming ingérant les données de 300 capteurs d'affluence en temps réel (<30 secondes). Analytics temps réel avec visualisation cartographique de l'affluence par station et par ligne. Modèle prédictif affluence à H+1 et J+1 intégrant météo, événements et historiques (précision 85%). Alerting automatique aux régulateurs en cas de dépassement de seuil d'affluence. API affluence temps réel pour l'information voyageur (app, affichage en station).

Technologies