WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Estimation du temps de parcours aux soins de santé dans le district d'Ifanadiana.


par Randriamihaja Mauricianot
Ecole de management et d'innovation technologique - Master recherche en Informatique 2019
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Chapitre 8 : Estimation du temps de parcours envéhicule motorisé

Pour ce chapitre, on présente les résultats d'étude concernant l'estimation du temps de parcours en véhicule motorisé, le résultat de l'analyse exploratoire ainsi que les modèles utilisés.

8.1. Les données recueillies

Les données de TAG-IPreprésententau totale 5048 parcours dont 3327 pour14 voitures et 1721 pour les 10 motos de l'ONG PIVOT.

La figure 8.1 montre la cartographie des données collectées auprès de TAG-IP pendant une période de 2mois (17 mars -17 mai 2019).

 

CommunePourcentage (%)Ifanadiana43,7Ranomafana29,75Kelilalina15,33Antaretra3,54Tsaratanana3,37Androrangavola2,77Ambohimanga Du Sud1,04Marotoko0,22Fasintsara0,16Ambohimiera0,07Maroharatra0,05

IndividusPourcentage (%)Voitures72,75Motos27,25

Figure 11.1 : Une carte des données collectées par les véhicules

8.2. Exploration des données utilisées

Comme pour l'analyse du temps de trajet à pied, les variables utilisées sont la vitesse, la pente, la distance, la pluviométrie, l'individu (type de véhicules dans ce cas-ci) mais on y a ajouté d'autres variables tels que la zone résidentielle et l'existence de pont ou pas.

8.2.1. La vitesse

La figure 8.2 représente l'analyse de la variable vitesse :l'histogramme pour voir la distribution de la vitesse, la boîte à moustaches pour voir la médiane de la vitesse ainsi que le rang interquartile, et la répartition cumulée de la variable pour distinguer le seuil de la vitesse.

Figure 11.2 : Exploration de données des véhicules motorisés pour la variable vitesse

L'histogramme ci-dessus nous montre la fréquence de la vitesse. La majorité des vitesses s'étalent entre 0 à 60km/h. Mais des véhicules dépassent quand même les 60km/h jusqu'à 100 km/h mais ne sont pas très nombreux.

La boîte à moustache montre le résultat de l'analyse quantitative.On observe une vitesse médiane de 30 km/h dont 50% des vitesses sont comprises entre12et48 km/h.

Et la répartition cumulée de la vitesse nous montre le seuil de la vitesse maximale qui est de70 km/h.

8.2.2. La pente

La pente a été catégorisée en 3 classes,90,88% de la zone d'étude ont une pente horizontale, 6,33% une pente moyenne (entre 30 et 70), 1,82% une forte pente (entre 70, 100)et 0,96% une pente extrême (entre 100, 150).

Figure 11.3 : Exploration de données de véhicule pour la variable vitesse

La plupart des pentes est à 0,5 %.

Pour chaque catégorie de pente, lavitesse la plus élevée est pour la pente horizontale avec une médiane de 35km/h. Après la médiane est de 15km/h pour une pente modérée et pour une forte pente et une pente abrute la médiane de la vitesse est à peu près la même avec une valeur de 10km/h.

La figure de droite nous montre la relation entre la pente et la vitesse pour les véhicules motorisés. Le résultat indique qu'il y a une corrélation entre les deux variables car la vitesse diminue en fonction du degré de la pente avec une relation qui semble être linéaire.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Ceux qui vivent sont ceux qui luttent"   Victor Hugo