Île-de-France · données SNCF mises à jour chaque mois
Ponctualité de la ligne J
En août 2026, 93,1 % des voyageurs de la ligne J sont arrivés à l'heure, avec moins de 5 minutes de retard. Sur les 12 derniers mois, la ligne J se classe au 6e rang sur 13 des lignes RER et Transilien, avec 91,6 % en moyenne. Voici l'historique complet publié par SNCF depuis janvier 2013, et trois expériences de machine learning pour le comprendre.
La ligne J, « Paris Saint-Lazare Nord » dans les données SNCF, part de la gare Saint-Lazare. Sur les 12 derniers mois, la moyenne des 13 lignes RER et Transilien est de 90,2 % : la ligne J fait mieux, de 1,3 point.
Historique
La ligne J année par année
DéfinitionLa ponctualité voyageurs est la part des voyageurs arrivés à leur gare de destination avec moins de 5 minutes de retard. Un train supprimé compte comme un retard pour tous ses voyageurs.
En 2025, la ligne J a fait arriver à l'heure 93,7 % de ses voyageurs en moyenne, contre 93,8 % en 2024. Sa meilleure année complète est 2024 (93,8 %), la plus difficile 2014 (85,6 %).
Meilleur mois depuis 2013 : août 2021 (96,7 %). Pire mois : novembre 2013 (80,7 %).
Source : SNCF Open Data, Régularité mensuelle Transilien, dernière mise à jour récupérée le 2026-10-02. Contient des informations de cette base, disponible sous licence ODbL. Télécharger les 160 mois en CSV (même licence).
| Année | Moyenne | Meilleur mois | Pire mois | Mois |
|---|---|---|---|---|
| 2026 (janv. à août) | 90,4 % | 94,5 % mars | 84,3 % juin | 8 |
| 2025 | 93,7 % | 95,5 % oct. | 91,3 % nov. | 12 |
| 2024 | 93,8 % | 95,9 % août | 90,6 % janv. | 12 |
| 2023 | 92,8 % | 95,8 % mars | 83,2 % nov. | 12 |
| 2022 | 92,9 % | 95,6 % févr. | 87,9 % juin | 12 |
| 2021 | 93,1 % | 96,7 % août | 87,6 % févr. | 12 |
| 2020 (févr. à déc.) | 91,2 % | 93,5 % août | 86,9 % févr. | 9 |
| 2019 (janv. à nov.) | 90,4 % | 94,4 % août | 86,2 % juin | 11 |
| 2018 | 90,1 % | 94,4 % avr. | 84,1 % févr. | 12 |
| 2017 | 90,2 % | 92,8 % mars | 85,8 % déc. | 12 |
| 2016 | 89,5 % | 92,1 % sept. | 86,3 % août | 12 |
| 2015 | 88,2 % | 90,9 % mai | 85,1 % févr. | 12 |
| 2014 | 85,6 % | 88,9 % avr. | 82,0 % janv. | 12 |
| 2013 | 85,7 % | 91,5 % mai | 80,7 % nov. | 12 |
Comprendre avec le machine learning · 1
La moyenne, le modèle à battre
RappelUn modèle transforme ce qu'on sait (x) en prédiction (ŷ), et on le juge sur des données qu'il n'a jamais vues.
Le graphique montre les 160 mois de ponctualité de la ligne J, de janvier 2013 à août 2026. Le modèle le plus simple prédit toujours la même valeur c. Déplacez le curseur : chaque trait vertical est une erreur, un résidu.
L'erreur quadratique moyenne (MSE) fait la moyenne des carrés de ces résidus. Le petit graphique montre la MSE pour chaque c : une parabole dont le fond tombe sur la moyenne, 90,5 %. Prédire « 100 % à l'heure » fait bien pire.
Le pire mois, novembre 2013 à 80,7 %, tire la moyenne vers le bas plus que la médiane (91,4 %), parce que son énorme résidu est élevé au carré.
Rappel de cours
- MSE = (1/n) Σ (yi − ŷi)², et RMSE = √MSE en points.
- MAE = (1/n) Σ |yi − ŷi|
- La moyenne minimise la MSE, la médiane minimise la MAE.
- Ce modèle naïf est la baseline : tout modèle plus riche doit faire mieux.
Paillasse · ponctualité de la ligne J
Comprendre avec le machine learning · 2
Le mois précédent prédit-il le suivant ?
RappelLa meilleure constante au sens de la MSE est la moyenne.
Chaque point associe un mois (axe vertical) au mois d'avant (axe horizontal). Le modèle devient une droite ŷ = a·x + b. Sur la ligne J, la meilleure droite a une pente de 0,56 : un mauvais mois est souvent suivi d'un autre mois sous la moyenne, mais moins extrême.
En pratique, cette droite ramène l'erreur typique de 3,5 points (moyenne seule) à 2,9 points. Réglez a et b à la main, ou cliquez sur la carte : c'est la fonction de coût, et l'étoile marque son minimum.
Lancez la descente de gradient : comme les valeurs tournent autour de 91, la cuvette est un canyon étroit et la descente rampe. Cochez « Standardiser x » : la cuvette s'arrondit et le fond est atteint en quelques pas.
Rappel de cours
- Coût : J(a, b) = (1/n) Σ (a·xi + b − yi)²
- Mise à jour : a ← a − η·∂J/∂a, idem pour b.
- η trop grand : divergence. Trop petit : lenteur.
- Standardiser : x' = (x − moyenne) / écart-type
Paillasse · ce mois-ci selon le mois précédent
Comprendre avec le machine learning · 3
Tendance, surapprentissage et prévision
RappelLa descente de gradient suit la pente du coût ; standardiser les variables l'accélère.
Ici x est le temps. Pour suivre les vagues de la ponctualité, on donne au modèle des puissances de x : ŷ = w0 + w1x + … + wd·xd. Le modèle ne voit qu'un échantillon de mois (points pleins) ; les autres (cercles) servent de test.
Montez le degré : l'erreur d'entraînement baisse toujours, l'erreur de test finit par remonter. La courbe apprend le bruit par cœur : c'est le surapprentissage. Ajoutez des mois d'entraînement : le même degré se tient beaucoup mieux.
Cochez « Prévoir les deux dernières années » : le modèle n'apprend que sur le passé et doit prolonger sa courbe. Même une courbe convaincante sur le passé s'envole. Prévoir la ponctualité de la ligne J demande d'autres informations : calendrier des travaux, grèves, météo.
Rappel de cours
- Sous-apprentissage (biais) : trop rigide. Surapprentissage (variance) : trop souple.
- Ridge : on minimise MSE + λ Σ wj².
- Plus de données réduit la variance.
- Choisir d et λ sur un jeu de validation, garder le test pour la note finale.
Paillasse · ponctualité de la ligne J dans le temps
Aller plus loin
Six autres modèles, et les autres lignes
Ces trois expériences sont les premiers chapitres d'un cours complet de machine learning : régression logistique, k plus proches voisins, arbres de décision, forêts aléatoires, boosting et réseaux de neurones, tous entraînés dans le navigateur.
À retenir
- Commencer par la moyenne : c'est la baseline.
- Le mois précédent aide un peu ; la tendance aide encore.
- Un polynôme décrit le passé mais prévoit mal l'avenir.