preloader

Nos réalisations

Puis, Réalisations

 

Jungle Bus

Jungle Bus crée de meilleures données pour la mobilité des transports. En effet, l’objectif est d’exploiter ces données pour créer les services innovants de demain. Jungle bus collecte et enrichit les données en collaboration avec la communauté Open Street Map. Le projet est de mettre en place l’application Daba’Go à Abidjan en se basant sur les données collectées par Jungle Bus.

Daba’Go a été choisi pour son expertise des transports collectifs notamment informel dans les pays africains. Dans un cadre de large projet de la région du Sahel, la Banque Mondiale cherche à cartographier l’ensemble des transports collectifs de la capitale Mauritanienne, Nouakchott et de rendre ces données publiques via des plateformes open-source telle que OSM (OpenStreetMap) et Mapillary.

Banque mondiale

Innovation

Tout d’abord, l’aspect innovant de Daba’Go, selon le manuel d’OSLO de l’OCDE, porte sur une innovation de produit. En effet l’application est un nouveau bien pour la ville et offre un service nouveau et amélioré vis-à-vis de ses caractéristiques et des usages auxquels il est destiné. La solution répond aux problématiques et besoins réels exprimés plus haut dans le rappel de contexte.

Mais, si de même, on se réfère au tableau de classification des innovations de Rebecca Henderson et Kim Clark, Daba’Go répond aux critères d’innovation modulaire puisqu’elle ne change pas profondément les habitudes des usagers de transports mais apporte d’importantes modifications sur les outils qu’ils connaissent déjà (Google Maps) pour donner un autre plus adapté au besoin.(Lopez, 2014)

De plus, Daba’Go propose un tout nouveau modèle algorithmique pour le calcul d’itinéraire qui est capable de combiner les transports traditionnel (tram, bus, train…) et les transports spécifiques aux grandes villes africaines (grand taxi, petit bus, boda…) à l’aide d’une Intelligence Artificielle/Machine Learning…

Cependant, nous retournons “from scratch” sur les systèmes de calcul d’itinéraire pour pouvoir considérer les transports qui n’ont pas un horaire de départ et d’arrivé théorique fixe (grand taxi, petit bus, boda…).

 

En effet, cela se fait en trois étapes :

1. Collecte des données

Tout d’abord, aller sur le terrain pour récupérer les données associées aux transports en question.

2. Une approche Deep Learning

Puis, elle se marie parfaitement avec la problématique de prédiction du temps d’attente des transports irréguliers qui, à première vue, ne suivent pas d’ordre apparent mais plutôt un ordre caché que les algorithmes de Deep Learning sont capables de trouver.

3. Incremental Learning

Enfin, Cette méthode au nom d’Incrémental Learning et intégrée à l’application et permet le recueil des données en temps réel qui viennent à leur tour enrichir et améliorer l’algorithme.

Dabago Réalisations

Transport et Réalisations

Ville Afrique et Réalisations

Application Réalisations