Mtiers et missions de lOpen Data Territorial

Innovations territoriales et donnes numriques

27/10/2016

LA DATA, LMENT CENTRAL DE LA VILLE INTELLIGENTE ET DURABLE

DataSolutions

Grands objectifs damlioration de la qualit de vie de la smart city Durabilit : optimiser la conso des ressources Facilit lusage de la ville Dveloppement co / attractivit Encourager lengagement citoyen Optimiser les dpenses publiques Renforcer la cohsion sociale et prendre en compte les usagers dans leur diversit

OBJECTIFS DE LA DEMARCHE DATA

Dfinir et animer la gouvernance de la donne

Optimiser larchitecture du SI et dvelopper les solutions data

Optimiser les politiques publiques avec les mthodes et les techniques de la data science

LOpen Data, premire pierre ou idal de la dmarche data

Gouvernance : transversalit, mutualisation, construction collective avec les producteurs,

open innovation avec les rutilisateurs autour de la licence

Architecture : automatisation des processus de publication, standards, normalisation, qualit,

cots, interoprabilit, interconnexion, collaboration.

Analyse data : ouvrir les terrains dtudes, transparence de la gestion publique

CARTOGRAPHIE DE LA DATA TERRITORIALE

Source Paper IDDRI Smart City et data

Mode de production des data urbaines

QUELLES FINALITS POUR LES DONNES URBAINES

Source Paper IDDRI Smart City et data

OPEN DATA (2011) ET OPEN INNOVATION

OPEN DATA (2011) ET OPEN INNOVATION

DATACITY (http://DataCity.paris ) Planning

OPEN DATA ET OPEN INNOVATION

LES DATA CROWDSOURCES

Sound CityAn app to complete data of urban noise from inhabitants

DansMaRue (FixMyStreet)Collecte data from unhabitants (issues and proposals)

Chane de production et dusage de la donne

PETITE INTRODUCTION LA DATA

Source tude FNCCR

CHAINE DE PRODUCTION ET DUSAGE DE LA DONNE IOT

Capteur /Actionneur Rseau de distribution

Point dinformation

Point de Transmission Rseau de collecte

Stockage

Data

Data

Data

Service

Service

ServiceLes thmatiques

MobilitEnergie - rseaux

Vgtalisation - environnementDchets et recyclage

Espace public amnagementEspace public propret

BtimentsServices sociaux

Services aux habitantsScurit et crise

Quels croisements sont sources de valeur?Quelle gouvernance avec tous les acteurs

du territoire?Quels projets pouvons-nous avoir en commun?

Rseau de collecteHertzien 3G

Hertzien GPRSHertzien LowPan

Wi-FiRTC

CuivreFibreCPL

Quelles mutualisations des moyens techniques?

OBJETS CONNECTES (CAPTEURS ET DISPOSITIFS DACTION)

Les projets et exprimentations en cours

Collecte de donnes brutes et retour pour

pilotage

SI Ville

MODE DE COLLECTE- Rseau DVD

- THD- Lora (oprateurs)

- Lora (Ville?)- SigFox- GSM

ARCHITECTURE DATA

Ncessit de concevoir une architecture de la data au sein du Systme dinformation Ville (DSTI)

PF Data / IoT

CONNECTEURS

API/WebServices

App SIChaudires

CONNECTEURS

App SISURF

CONNECTEURS

Autre app SI Apps externes

Data Warehouse Archives

Data scienceBig Data

Open Data

API/WebServices

CAPTEURS ET OBJETS CONNECTES

La DATA et le smart grid

La DATA et le smart grid

PETITE INTRODUCTION LA DATA

Source tude FNCCR

DATA DE LA CRM

Challenges of the unique citizen account and transformation of the Citizen Relationship Management (CRM)- Transform individual service

in part of an unique authentification system

- Transform the direction of the relation from pull to push information and service (ex : MesAides.gouv.fr)

- Analyse the uses of services to adapt them

-La science des donnes combine lutilisation des traitements statistiques de linformation, des mathmatiques appliques et des mthodes informatiquesdestines identifier, rcuprer, organiser et utiliser des donneshtrognes.

Elle sappuie galement sur la connaissance des problmatiques

organisationnelles, fonctionnelles et humaines qui constituent

-le contexte dcrit par les donnes.-

Le premier objectif de la science des donnes est de produire des mthodes

danalyse de donnes et de sources plus ou moins complexes ou dconnectes

de donnes, afin d'en extraire des informations utiles.

KESAKO DATA SCIENCE

-Pour ladministration, la science des donnes peut couvrir de nombreux champs

dapplication et rpondre des usages divers, par exemple :

-- Mieux cibler le primtre dintervention dune politique publique (primtre insalubrit, location temporaire illgale, risque incendie)

-- Explorer un gisement dconomie dans lexercice dune mission de service-publique ;

-- Evaluer ladquation des moyens destins une mission de service ;-- Rechercher une plus grande quit et dune plus grande transparence pour une

politique publique (adquation public cible / public rel, parcours souhait / parcours rel, rpartition du financement en fonction de la segmentation de loffre et de la

demande) ;

-- Raliser lanalyse prdictive du recours une politique publique horizon 5, 10 et 15 ans

-- le dcloisonnement des donnes internes de plusieurs administrations pour dtecter les variables cls expliquant les rsultats dune politique publique (service rendu, cots complets) ;

KESAKO DATA SCIENCE

La DATA, le trafic et le stationnement

Measuring traffic with 2500 sensors in the road and 1500 traffic light management since 1986 with +30% of fluidity but not real evaluation in GHS

Ongoing analysis for the parking management. Predictive big data system seems to be ready.

Etat des travaux : analyse de donnes SLT Cycle dtude

Etude STL sur la base des donne EVEZA en 2 tapes : tape 1 : analyse statistique tape 2 : analyse prdictive (se base sur tape 1)

1 - Cadrage

2 Recherche et exploration de donnes

3 Analyse de donnes

4 Elaboration dun rendu

- 1 Phase cadrage : identification besoin, donnes ncessaires et dfinition des master table

- 2 Recherche et exploration de donne :Importation et nettoyage des donnes : suppression automatise des anomalies pour tre utilisable par des algorithmes / outils reprsentations gographiques

3 Analyse de donnes : Identification des anomalies les plus rcurrentes et des diffrents axes

dtudes potentiels pour rpondre aux besoins Croisement des donnes pour reprsentations comprhensibles des

dfaillances rencontres.

4 Elaboration de rendu :

A propos de ltape 1 : analyse statistique

A propos de ltape 1 : analyse statistique / Rendu

A propos de ltape 2 : analyse prdictive

1 - Phase cadrage : identification besoin et complments de donnes ncessaires ( donnes contextualisantes : alerte centre de trafic, Mto, accidentologie)

2 Recherche et exploration de donne : Importation et nettoyage des donnes complmentaires

3 Analyse de donnes : Dveloppement dalgorithmes prdictifs entrains sur jeux de donnes collects Possibilit dapplication itrative des algorithmes sur les jeux de donnes qui

voluent dans le temps. Possibilit damlioration de la fiabilit de la prdiction par apprentissage

(entrainement) sur la base de donnes actualises (machine learning)

A propos de ltape 2 : analyse prdictive

4 Elaboration de rendu : Analyse prdictive de fiabilit bas sur algorithme de Kaplan Meirer Distribution de probabilit de dure de vie des ouvrages dans le temps ( 65% de risque de panne)

Analyse prdictive dintervention sur les SLT bas sur algorithme de Holt-Winters

Algorithme de srie temporelle pour dterminer la tendance de saisonnalit des nombres dinterventions sur les SLT

Dur

e d

e vi

e en

jour

s

Rfrence des ouvrages

Fiabilit

A propos de ltape 2 : analyse prdictive

4 Elaboration de rendu :

(En cours) Analyse prdictive multi-paramtres = corrlation avec donnes de contextualisation (ex mto, accidentologie)

La DATA SCIENCE

MERCI

Jean-Philippe CLEMENT

Ville de Paris

Responsable de la dmarche et

des solutions data

@AgentNuM