Coulisses
Comment ça marche ?
DLPTime, c'est des temps d'attente en direct et des prévisions IA pour Disneyland Paris. Voici, sans baratin, comment c'est fabriqué.
Salut, c'est Benjamin
Je suis l'éditeur de DLPTime. À la base, j'ai construit ce site pour mes propres journées à Disneyland Paris : j'en avais marre de cliquer entre cinq apps qui affichent toutes la même file d'attente sans dire si elle va monter ou descendre.
DLPTime essaie de répondre à une question simple : « est-ce le bon moment pour y aller, ou je devrais attendre ? » Ce qui suit décrit honnêtement comment je m'y prends.
D'où viennent les données
Toutes les sources sont publiques ou ouvertes. Aucune donnée personnelle n'est utilisée pour les modèles.
Temps d'attente
collectés en temps réel via l'API publique de queue-times.com, qui agrège les flux officiels Disneyland Paris.
Météo
via l'API gratuite Open-Meteo (température, précipitations, couverture nuageuse, vent) à la position du parc.
Calendriers scolaires
vacances scolaires françaises, britanniques et belges (les trois marchés visiteurs principaux), mises à jour à partir des sources officielles.
Premier Access
le prix dynamique du Premier Access est un indicateur précieux : Disney l'ajuste selon l'affluence prévue, ce qui en fait un signal d'avance sur la fréquentation.
Événements spéciaux
saisons Halloween, Noël, anniversaires du parc, nouvelles ouvertures, fermetures techniques connues.
Les temps relevés sont historisés. À ce jour la base contient plusieurs mois d'historique par attraction, ce qui permet d'apprendre les motifs récurrents (jours, heures, saisons).
Pourquoi du machine learning ?
Une attraction ne suit pas une simple règle « le matin c'est calme, l'après-midi c'est plein ». Les patterns dépendent du jour de la semaine, des vacances, de la météo, de la nouveauté, de l'attraction elle-même. Trop de variables pour des règles écrites à la main.
Le machine learning brille exactement sur ce type de problème : il apprend tout seul quels signaux comptent, et combien. Mon job c'est de lui fournir les bonnes données et de surveiller qu'il ne se trompe pas.
Une attraction ne suit pas une simple règle. Trop de variables pour des règles écrites à la main, c'est exactement là où le ML brille.
Les signaux pris en compte
Chaque attraction a son propre comportement. Les modèles regardent en parallèle plusieurs familles de signaux :
Historique récent de la file
01les derniers temps relevés, leur tendance et leur volatilité.
Temporalité
02heure du jour (encodée de façon cyclique), jour de la semaine, week-end ou non.
Charge du parc
03la moyenne d'attente sur tout le parc en ce moment, pour situer l'attraction dans son contexte.
Météo locale
04température, précipitations, nuages, vent. La pluie change tout, surtout pour les outdoor rides.
Vacances scolaires
05France, Royaume-Uni, Belgique. Une journée de classe et un mardi de Toussaint, ce n'est pas le même parc.
Premier Access
06le prix actuel du PA reflète l'affluence anticipée par Disney. C'est un indicateur précieux.
Événements & saisons
07Halloween, Noël, anniversaires, nouvelles attractions. Chaque saison a son empreinte.
L'astuce, c'est moins « quels signaux » que « comment ils interagissent et avec quel poids selon l'attraction ». Cette partie reste maison.
Le court terme : 15 à 60 minutes
Pour les prédictions à court terme (15 min, 30 min, 1 h), j'utilise du gradient boosting (LightGBM) entraîné par attraction et par horizon. C'est rapide, robuste, et lisible quand un cas part de travers.
Le profil de la journée à venir
Pour le profil de la journée à venir, je combine un modèle statistique sur les patterns historiques et TimesFM 1.3 (le foundation model time-series de Google) en mode shadow pour comparer. La sélection se fait sur la qualité (MAE) mesurée jour après jour.
Les limites, parce qu'il faut être honnête
Les prévisions sont indicatives. Une attraction peut tomber en panne, un soft opening peut être annoncé sans préavis, une journée peut être atypique pour mille raisons.
Plus l'horizon est lointain, moins c'est précis. Les meilleures prédictions sont à 15-30 minutes ; le profil journalier est plus une silhouette qu'un script précis.
Les attractions récentes (moins de 6 mois) ont peu d'historique. Les modèles apprennent encore.
Je ne prédis pas l'expérience humaine, uniquement le temps d'attente. Une journée bondée peut être superbe, une journée calme peut être pluvieuse.
Un projet indé, sans pub
DLPTime est un projet personnel, sans aucune affiliation avec The Walt Disney Company. Pas de pub, pas de tracking commercial autre que la mesure d'audience anonyme. Le code tourne sur un VPS OVH, les modèles s'entraînent chaque nuit.
Comment soutenir le projet
Si tu trouves le site utile, le meilleur moyen de soutenir c'est de le partager. Et de me dire ce qui marche ou pas, je lis tout.
POUR ALLER PLUS LOIN
Le guide attraction par attraction
Pour chaque attraction, le meilleur créneau, le pic d'affluence et la fiabilité, mis à jour chaque nuit.