Le réseau francilien exploite des rames BOA, dans lesquelles les voyageurs circulent librement entre les voitures, rendant le comptage statique insuffisant. Par ailleurs, sur un trajet comportant plusieurs gares — par exemple A, B, C et D — il ne suffit pas d’observer la charge au départ : il faut également intégrer les montées et descentes des voyageurs dans les gares intermédiaires B et C pour fournir une information fiable aux voyageurs qui attendent en gare D. Grâce à des algorithmes de machine learning et à des modèles statistiques, nous sommes capables d’affiner en continu la précision de l’affluence en gare. Cela nous permet non seulement de traiter la problématique des voitures ouvertes, mais aussi de proposer des projections d’affluence sur les gares aval, en temps réel .

Installer des capteurs dans un train est cher et complexe. Pour contourner cet obstacle, notamment en vue des Jeux Olympiques, SNCF Voyageurs a envisagé d’exploiter des données telles que les taux de CO2, la charge à l’essieux ou les traces wifi, afin de finalement opter pour la "computer vision".

Nous avons enrichi le service en 2026 avec un nouveau niveau d’affluence qui indique les voitures vides ou quasi-vides de voyageurs. Aux heures creuses et en extrême soirée, quand l’affluence est très faible, ce nouvel indicateur permet aux voyageuses et voyageurs de choisir les voitures ou il y a le plus de monde. Ainsi, celles et ceux qui préfèrent se regrouper ont la possibilité de ne pas voyager seuls.