Affordable Access

Méthodes de sélection de voisinage et de prévision à court-terme pour l’analyse du trafic urbain

Authors
  • Salotti, Julien
Publication Date
Sep 24, 2019
Source
HAL-SHS
Keywords
Language
French
License
Unknown
External links

Abstract

Dans le contexte de la ville intelligente, le besoin d’informer, d’anticiper, et d’agir sur l’état du trafic sur le réseau devient crucial. Ce dernier est à l'origine du développement de nombreuses méthodes de prévision de trafic à court-terme (dans l'heure). À l'ère des données, on observe une augmentation de nos capacités à stocker et à traiter des données rapidement. Parallèlement, un nombre croissant de tronçons de route sont équipés de capteurs. Cette évolution technologique se reflète par une évolution des méthodes de prévision de trafic.Dans ces travaux, nous explorons plusieurs problématiques afin d'améliorer les performances de prévision des modèles sur les données de trafic. La première question concerne le voisinage spatio-temporel : quelles données doit-on considérer pour prédire l’activité future observée par un capteur ? La deuxième question concerne le choix de la meilleure méthode de prévision en fonction du type de réseau (urbain, autoroute) et de l'horizon de prévision. Enfin, nous traitons de la question du choix optimal de la résolution temporelle des données, de son impact sur la prévision. Pour répondre à ces questions, nous avons étudié de nombreuses approches de prévision (ARIMA, VAR, k-NN, SVR, réseaux de neurones) et deux mécanismes de sélection de variables (Lasso, TiGraMITe). Cette étude expérimentale a été effectuée sur des données du réseau urbain de Lyon (fournie par la Métropole) et des données d'autoroute du réseau de Marseille.

Report this publication

Statistics

Seen <100 times