Classification spectrale pour la gestion de la congestion routière

Spectral clustering for traffic congestion management

• Auteur / Autrice : Pamela Al Alam
• Direction : Denis Hamad, Youssef Zaatar, Joseph Constantin
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l’information et de la communication. Spécialité traitement du signal et des images
• Date : Soutenance le 06/09/2021
• Etablissement(s) : Littoral en cotutelle avec Université Libanaise, École doctorale des Sciences et de Technologie (Beyrouth)
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale / LISIC
• Partenaire(s) de recherche : financeur : Agence universitaire de la francophonie
• Jury : Président / Présidente : Kifah Tout
• Jury : Examinateurs / Examinatrices : Yassine Ruichek, Louahdi Khoudour, Ghaleb Faour, Marwa El Bouz
• Jury : Rapporteurs / Rapporteuses : Yassine Ruichek, Louahdi Khoudour

Mots clés

Mots clés contrôlés

Circulation -- Estimation

Théorie des graphes

Circulation urbaine

Circulation

Mots clés libres

Classification spectrale

Classification basée graphes

Pics de densités

Apprentissage dynamique

Gestion de la congestion urbaine

Spectral clustering

Density peaks

Graph-based clustering

Dynamic learning

Traffic congestion management

Résumé

La représentation par graphes offre un concept polyvalent et efficace pour étudier les relations entre différents types de données. Elle trouve des applications naturelles dans divers domaines des sciences de l’ingénieur, en particulier la gestion de la congestion des réseaux urbains. En effet, l’étude des propriétés des graphes donne des informations précieuses sur l’état du trafic routier. D’une manière générale, il existe diverses approches de classification basées graphes. Celles-ci se distinguent par des hypothèses implicites sur les données représentées par les graphes, en particulier les notions de densités et de similarités. La classification spectrale permet de découvrir les propriétés et la structure d’un graphe à partir de l’étude du spectre de la matrice Laplacienne associée. Selon l’évolution temporelle des graphes, la classification spectrale peut être statique, incrémentale ou dynamique. Après un rappel de quelques notions et propriétés de graphes pour la caractérisation d’un réseau urbain simulé, nous présentons une approche de classification par recherche de pics de densités s’appuyant sur le graphe ou plan de décision pour la recherche automatique du nombre de classes dans le réseau urbain simulé. La classification spectrale statique est exposée et appliquée sur le réseau urbain et une version incrémentale est présentée, utile lorsque les poids des arêtes du graphe évoluent au cours du temps. Enfin, la classification spectrale évolutive est développée pour étudier l’état dynamique d’un trafic urbain réel. Deux concepts sont appliqués pour respecter la régularité temporelle, préservation de la qualité de la classification et préservation de l’appartenance aux classes.

Graph representation offers a comprehensive and efficient concept to study the relationships between different types of data. It has natural applications in various fields of science engineering, in particular, the management of congestion in urban networks. Indeed, studying graph properties gives valuable information about the state of road traffic. In general, there are various approaches to graph-based clustering. These are distinguished by implicit assumptions on the data represented by the graphs, in particular the notions of densities and similarities. Spectral clustering allows to discover the properties and structure of a graph by studying the spectrum of its associated Laplacian matrix. Depending on the temporal evolution of graphs, spectral clustering can be either static, incremental or dynamic. After a brief review of the graph concepts and properties used to characterize a simulated urban network, we present a clustering approach using the search of density peaks on the graph. The decision graph is used for the automatic selection of the number of clusters in the simulated urban network. Moreover, the static spectral clustering is presented and applied to the urban network. Then, an incremental approach is presented which is useful when the weights of the edges of the graph evolve over time. Finally, the evolutionary spectral clustering is developed to study the dynamic state of a real urban traffic. Two concepts are applied to respect the temporal regularity, preserving cluster quality and preserving cluster membership.