Prévoir les temps de trajet sur les routes d'Islamabad

Prévoir combien de temps ça va prendre pour faire un voyage, c'est super important pour planifier les itinéraires et rendre les déplacements plus faciles. Mais, beaucoup de recherches sur ce sujet se basent sur des données d'autres pays, qui ne représentent pas vraiment les conditions routières uniques au Pakistan.

On a développé un système complet qui collecte des données avec des capteurs pour suivre les mouvements des véhicules sur les routes. Grâce à ces données, on a utilisé des méthodes avancées, y compris différents types de Réseaux de neurones artificiels, pour prédire les temps de trajet sur les routes les plus fréquentées.

D'après nos expériences, on a trouvé que l'erreur moyenne dans nos prévisions de temps de trajet variait d'environ 30 secondes à 1,2 minute pour des trajets de 10 à 60 minutes sur six des routes les plus chargées d'Islamabad.

#Systèmes de transport intelligent

Les Systèmes de Transport Intelligent (STI) impliquent l'application de technologies intelligentes au transport pour créer de nouveaux services. Ces systèmes gèrent différents modes de transport et le contrôle du trafic pour améliorer l'expérience utilisateur et la sécurité.

Les applications des STI incluent la gestion du trafic, la direction des signaux, l'affichage d'informations, la reconnaissance de plaques d'immatriculation, la surveillance des vitesses, la mise en œuvre d'une surveillance intelligente, et la prévision météo. Les données en temps réel sont essentielles pour gérer ces tâches, et les données historiques aident à créer des modèles pour prédire les événements futurs.

La Prédiction du Temps de Trajet (PTT) est un élément clé des STI. Elle fournit des estimations importantes pour les temps de trajet, aidant les gens à planifier leurs déplacements efficacement. Cela améliore non seulement l'expérience individuelle mais aussi les opérations des entreprises de transport en optimisant les itinéraires et l'allocation des ressources. Un système de PTT fiable contribue à réduire la congestion du trafic et à promouvoir des transports durables.

#Techniques Basées sur les Données pour la Prédiction du Temps de Trajet

Ces dernières années, il y a eu une montée de l'utilisation des méthodes basées sur les données pour prédire le temps de trajet. Ces techniques s'appuient sur des données historiques pour estimer le temps nécessaire pour parcourir des itinéraires spécifiques. Il existe deux grandes catégories d'approches : celles basées sur les Trajectoires et celles basées sur les origines et les destinations.

Les méthodes Origine-Destination (OD) se concentrent uniquement sur les points de départ et d'arrivée d'un trajet tout en ignorant les chemins entre les deux. D'un autre côté, les méthodes basées sur les trajectoires prennent en compte tout le parcours, permettant une modélisation plus précise des conditions de trafic. Les approches basées sur les trajectoires se sont révélées plus efficaces pour saisir les complexités des modèles de voyage.

Dans notre étude, on a utilisé trois méthodes différentes : un réseau de neurones artificiels peu profond, un réseau de neurones à plusieurs couches, et un modèle de mémoire à long et court terme. Ces modèles s'appuient sur des données recueillies par des capteurs pour prédire les temps de trajet.

#Contributions Clés de la Recherche

Notre recherche a fait plusieurs contributions importantes :

1. On a créé un système pour extraire des données sur les itinéraires de véhicules.
2. On a appliqué des techniques de cartographie pour aligner les points GPS sur le réseau routier.
3. On a simplifié les données GPS pour réduire le nombre de points tout en préservant la forme de la trajectoire.
4. On a prédit les temps de trajet pour les itinéraires les plus couramment utilisés à Islamabad.

#Travaux Connexes

Le concept de Systèmes de Transport Intelligent existe depuis plus de 45 ans. Les premières recherches se concentraient principalement sur des méthodes statistiques pour prédire les temps de trajet. Avec le temps, les techniques basées sur les données sont devenues plus populaires, utilisant divers algorithmes pour améliorer la précision.

Il y a deux grandes catégories de méthodes pour prédire les temps de trajet : paramétriques et non paramétriques. Les méthodes paramétriques supposent une relation spécifique basée sur des facteurs historiques, tandis que les méthodes non paramétriques apprennent à partir des données historiques sans faire de telles suppositions.

Les avancées récentes en technologie et en gestion des données ont permis d'améliorer les prévisions de trafic en temps réel. Par exemple, les chercheurs ont utilisé des outils comme les k-plus proches voisins, les réseaux de neurones, et d'autres techniques d'apprentissage automatique pour analyser efficacement les modèles de trafic.

Les Réseaux de Neurones Artificiels (RNA), inspirés par les fonctions du cerveau humain, ont montré un fort potentiel dans les applications de transport. Leur capacité à reconnaître des modèles et à faire des prédictions précises en a fait un choix populaire parmi les chercheurs.

#Collecte et Préparation des Données

Dans notre étude, on a utilisé des données de la ville d'Islamabad entre avril et octobre 2019, contenant des millions d'entrées. Chaque entrée incluait l'ID du véhicule, l'heure, la localisation, la vitesse, et plus encore.

On s'est concentré sur les trajets enregistrés lorsque le véhicule était allumé ou éteint, rassemblant environ 0,85 million de trajets. Cependant, les capteurs GPS peuvent parfois produire des données inexactes, entraînant des erreurs dans le suivi de la localisation. Pour y remédier, on a utilisé des techniques de cartographie pour ajuster les points GPS et les faire correspondre aux emplacements routiers réels.

En utilisant un service de cartographie ouvert, on a attribué les bons points routiers aux données GPS. Cela nous a permis de créer une représentation plus précise des mouvements des véhicules.

Après avoir traité les données, on a identifié les itinéraires les plus fréquentés à Islamabad en fonction du nombre de trajets enregistrés. On a ensuite utilisé un algorithme spécifique pour simplifier les données, réduisant le nombre de points GPS tout en maintenant leur structure.

#Visualisation et Analyse des Données

On a filtré nos données pour inclure uniquement les trajets effectués pendant des heures spécifiques et on a enlevé ceux de plus d'une heure. Notre analyse s'est concentrée sur six grandes routes d'Islamabad, où on a observé un grand nombre de trajets.

Grâce à la visualisation, on a identifié des modèles clés dans les distances de voyage, les durées de trajet, et les vitesses moyennes au fil du temps.

#Réseaux de Neurones Artificiels et Entraînement des Modèles

On a construit un réseau de neurones artificiels, conçu pour imiter le système neuronal du cerveau humain. Ce modèle utilisait une seule couche de neurones, où chaque neurone traitait les données d'entrée pour générer une sortie.

De plus, on a développé un modèle de perceptron multicouche avec plus de couches pour améliorer la correspondance entre les entrées et les sorties.

On a aussi exploré le modèle de mémoire à long et court terme (LSTM), particulièrement adapté pour traiter des données séquentielles. Ce modèle peut apprendre des relations au fil du temps, ce qui le rend efficace pour prédire les temps de trajet en tenant compte des changements dans les modèles de trafic.

#Expérimentations et Résultats

Après avoir préparé les données, on les a divisées en ensembles d'entraînement et de test. On a utilisé plusieurs caractéristiques, comme l'ID du véhicule, la distance du trajet, et la vitesse moyenne, entre autres, pour l'entraînement du modèle.

Chaque modèle a été évalué sur sa capacité à prédire les temps de trajet avec précision. On a trouvé que :

• Le modèle ANN produisait une erreur moyenne d'environ 1,5 à 3 minutes sur les routes individuelles.
• Le perceptron multicouche a obtenu des résultats légèrement meilleurs avec une erreur moyenne d'environ 30 secondes.
• Le modèle LSTM a surpassé les deux autres, atteignant une erreur moyenne d'environ 25 secondes par route.

Nos tests ont montré que le modèle LSTM offrait systématiquement de meilleures performances grâce à sa capacité à traiter efficacement des données dépendantes du temps.

#Conclusion

Prédire précisément les temps de trajet est un aspect vital des Systèmes de Transport Intelligent. Dans cette étude, on s'est concentré sur les données routières d'Islamabad, en appliquant diverses méthodes pour affiner et analyser ces informations.

On a identifié plusieurs itinéraires clés et on a réussi à mettre en œuvre trois techniques avancées de modélisation prédictive. Nos résultats ont mis en avant la supériorité du modèle LSTM pour prédire les temps de trajet, suggérant son potentiel pour des applications concrètes.

À l'avenir, on vise à développer une application pratique pour les habitants locaux et à explorer des caractéristiques de données supplémentaires pour améliorer encore nos modèles.