Transport Analytics
Indicateurs
Introduction aux indicateurs et calculs
Indicateurs (KPIs) globaux
Indicateur : Validations
Indicateur : Montées/descentes (module Fréquentation)
Indicateur : Avance/retard & Niveaux d'avance/retard
Indicateur : Ponctualité voyageur
Indicateur : Ponctualité
Indicateur : Temps d'attente excédentaire
Indicateur : Régularité
Indicateur : Voyages/km
Indicateur : Nombre de courses
Taux de réalisation du nombre de courses
Indicateur : Production kilométrique
Indicateur : Vitesse commerciale
Indicateur : Temps de parcours
Indicateur : Temps d'arrêt
Indicateur : Empreinte carbone
Indicateur : Empreinte Carbone - paramétrage
Indicateur : Déplacements
Indicateur : Montées/descentes brutes (Module Qualité > Comptage)
Indicateur : Charge brute (Module Qualité > Comptages)
Indicateur : Confort voyageur
Indicateur : Charge (module Fréquentation)
Indicateur : Voyages
Calcul des moyennes par jour
Indicateur : Courses en surcharge
Algorithmes et calculs
Calcul de la fréquentation unifiée
Reconstitution des flux O-D et de la Charge
Reconstitution des déplacements
Reconstitution des voyages
Reconstitution de la charge
Reconstitution des voyages - Annexe 1 : exemple méthode des voyages consécutifs
Reconstitution des voyages - Annexe 2 : correspondance avec les courses
Données simulées
Calcul de la fréquentation extrapolée
Calcul de la fréquentation débruitée
Interface et modules
Comment fonctionne l'interface
Les différents modules disponibles sur CITiO Analytics
Module Tableau de bord
Module Fréquentation
Module Exploitation
Module Course
Module Qualité
Analyses croisées
Utiliser les filtres temporels
Réaliser un export de données
Affichage des éléments actifs et inactifs d'un réseau
Introduction à CITiO Analytics
Glossaire Analytics
FAQ
Cas d'usages
Suivre la remontée des données
Comprendre une anomalie
Analyser et suivre la fréquentation
Faciliter la préparation des reportings internes et externes
Identifier les heures de pointe
Accéder aux données en J+1
Améliorer la fiabilité de vos données et systèmes
Gérer votre réseau au quotidien
Identifier des systèmes défaillants
Suivre les avances/retards au quotidien
Répondre aux sollicitations du PCC (avances/retards)
Adapter de manière réactive l'offre en réponse à la demande
Définir les marches-type par tronçon ou par inter-station
Identifier les secteurs où réaliser des aménagements de voirie
Formation continue des conducteurs
Etudier l'usage des Titres de transport et adapter la tarification
Le partage des indicateurs clés du réseau
Analyser les temps d'arrêt
Mise en place d'une campagne marketing ciblée
Identifier rapidement les écarts entre le théorique et le réel
Partage des informations entre AOM et Exploitant
Définir les plages horaires de marche-type
Formation continue des régulateurs
Découvrez les cas d'usage de CITiO !
Analyser la charge à bord
Utiliser l'indicateur de Ponctualité voyageurs
Gérer les réclamations voyageurs
Assurer une transparence sur le sujet des temps de parcours
Identifier les lignes à travailler
Optimiser les temps de parcours
Fraud Tracker
Cas d'usages
Déterminer une fréquentation réelle sur le réseau
Planifier les opérations de contrôle/sensibilisation en amont
Analyser l'impact des opérations de contrôle/sensibilisation en aval
Optimiser le choix des véhicules à contrôler au cours de l’opération
Modules
Glossaire Fraude
Traitements de données
Présentation générale de Fraud Tracker
Traitements de données pour le calcul de la fraude
FAQ (Fraud Tracker)
Analyses croisées sur Fraud Tracker
Prédiction de fraude
Transport Planner
Rail Analytics
Sommaire
Module Exploitation : calculs des indicateurs liés aux heures de passages
Présentation du Module Circulation
Visualisation par numéro de train
Visualiser les montées/descentes par tronçon
Taux de reconnaissance
Rapprochement des données de comptage au plan de transport
Occupancy API
Authentification
Occupany API - Sommaire
What is the Occupancy Prediction API?
The Occupancy API : how does it work?
The Occupancy Prediction API : how to use it?
/api/login - Login
/rest/predicted_occupancy - Occupancy Prediction API
Release note (Occupancy API)
Transport Analytics API
Date Perimeters format
/kpis/tc/overcrowding/
/api/login - Login
/kpis/ticketing/{filter_level}[/{filter_level_id}]/{aggregation_level}
/rest/lines
/rest/service_date
How to create a graph of Validations per line
Architecture et sécurité
- Toutes les catégories
- Occupancy API
- /rest/predicted_occupancy - Occupancy Prediction API
/rest/predicted_occupancy - Occupancy Prediction API
The /rest/predicted_occupancy
API allows the user to interact with occupancy and capacity prediction data.
Base url: https://{agency_name}.prediction.cit.io/
Endpoints | Actions |
| Represents the predicted occupancy and capacity according to a specific GET payload. |
Predicted occupancy
The API returns predicted occupancy, expressed as a number of passengers, and vehicle capacity, per line, direction (represented by terminus stop), stop, and time (1/4 of an hour).
The type of occupancy (whether it's based on ticketing data, counting_cells, unified occupancy...) is defined upstream by your Operations manager in the agency's configuration.
Methods
- GET /predicted_occupancy : request predicted occupancy according to GET payload
Request syntax
# No granularity parameter
https://{base_url}/rest/predicted_occupancy?service_date={YYYY-MM-DD}
# With a granularity parameter
https://{base_url}/rest/predicted_occupancy?service_date={YYYY-MM-DD}&granularity={granularity}
Request Parameters
Parameter | Type | Value |
(Required) | str | The day you wish to see the predicted occupancy and capacity for. The format is YYYY-MM-DD. If the query date is not available in prediction data, the closest similar weekday in prediction data will be returned. If there is no data for the corresponding weekday, then the first service date with data will be returned. |
Optional, default value is 15_minutes | str | The required granularity level of the prediction. The format is Any another value will return an error message. Examples:
|
Fields
The response comprises of two parts:
info
: describes what type of occupancy is selected for each line of the networkdata
: the actual prediction data, detailed below
Name | Description |
| Datetime |
| Time ( |
| The GTFS line short name |
| The GTFS stop_id |
| The last GTFS stop id of that line and direction. Used to identify the direction. If a line is circular, the last non-identical stop is displayed. |
| Predicted capacity, in number of passengers |
| Predicted occupancy, in number of passengers |
Response
{
"service_date": datetime (ISO 8601),
"time": time ("%H:%M:%S"),
"line_short_name": str,
"gtfs_stop_id": int,
"terminus_gtfs_stop_id": int,
"capacity": int,
"occupancy": int,
}
Sample requests
# No granularity parameter
https://orleansmetropole.prediction.cit.io/rest/predicted_occupancy?service_date=2021-02-25
# With granularity parameter
https://orleansmetropole.prediction.cit.io/rest/predicted_occupancy?service_date=2021-02-25&granularity=5_minutes
Sample response
[
{
"service_date": 1711584000000,
"time": "11:00:00",
"line_short_name": "01",
"gtfs_stop_id": "ORLEANS:StopArea:00001400",
"terminus_gtfs_stop_id": "ORLEANS:StopArea:00046300",
"capacity": 84,
"occupancy": 9,
},
{
"service_date": 1711584000000,
"time": "11:30:00",
"line_short_name": "01",
"gtfs_stop_id": "ORLEANS:StopArea:00001400",
"terminus_gtfs_stop_id": "ORLEANS:StopArea:00046300",
"capacity": 104,
"occupancy": 4,
}
]