Analyse du trafic véhiculaire à partir de traces des capteurs Bluetooth

Vehicular traffic analysis based on Bluetooth sensors traces

• Auteur / Autrice : Safa Boudabous
• Direction : Houda Labiod, Stephan Clémençon
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 08/09/2021
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom Paris (Palaiseau ; 1977-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....)
• Jury : Président / Présidente : Hossam Afifi
• Jury : Examinateurs / Examinatrices : Houda Labiod, Stephan Clémençon, Hossam Afifi, Thierry Artières, Fabrice Guillemin, Julian Pedro Garbiso, Nicolas Baskiotis, Mahdi Zargayouna
• Jury : Rapporteurs / Rapporteuses : Thierry Artières, Fabrice Guillemin

Mots clés

Mots clés contrôlés

Bluetooth (technologie)

Évaluation

Circulation

Mots clés libres

Transport intelligent

Communications sans fil

Apprentissage statistique

Mobilité

Intelligent transportation

Wireless communication

Machine learning

Mobilty

Résumé

L’essor rapide des véhicules connectés dans le marché de l’industrie automobile a suscité l’intérêt de la communauté scientifique pour étudier de plus près la possibilité d’exploiter les traces de communication pour améliorer les systèmes de gestion de trafic. Dans le cadre de cette thèse, nous nous intéressons à l’utilisation des données issues de capteurs Bluetooth à balayage passif. Ces capteurs représentent une alternative à faible coût et à faible impact pour la collecte de mesures concernant le trafic véhiculaire et sont adaptés à un déploiement dense à large échelle à savoir dans un milieu urbain. En revanche, le processus de détection des capteurs Bluetooth est susceptible d'introduire du biais et des incertitudes dans le calcul des indicateurs relatifs au trafic véhiculaire. Dans cette thèse, nous nous sommes intéressés à l’amélioration de la précision des mesures de trafic dérivées: le flux de trafic et la vitesse de déplacement. La première partie de notre thèse porte sur la quantification de flux de trafic véhiculaire à partir des données Bluetooth. Nous adoptons une approche orientée données en se basant sur les modèles d’apprentissage statistiques. D'abord, nous considérons le problème d'estimation du flux de trafic au niveau d'un seul capteur puis à l'échelle d'un réseau de capteurs. Nous introduisons également le problème de transfert d'apprentissage nécessaire pour limiter le besoin d’acquisition de données d’apprentissage labellisées à chaque déploiement. Dans une deuxième partie, nous nous concentrons sur le problème de l’estimation de vitesse moyenne de déplacement. Nous proposons un algorithme qui explore les données collectées sur la qualité de signal reçu pour améliorer le processus d’appariement et pondérer les contributions des vitesses des véhicules dans le calcul de la vitesse moyenne. Une autre partie des travaux de thèse a été dédiée à la définition et l’implémentation d’un framework de simulation de balayage Bluetooth pour des applications véhiculaires. Le simulateur est utilisé pour analyser et identifier les facteurs impactant la capacité des capteurs de détecter les appareils Bluetooth actifs dans son voisinage mais aussi pour complémenter les données des expérimentations par la génération de datasets d’apprentissage synthétiques.

The pervasiveness of personal radio devices and the high penetration rate of these technologies in vehicles have, in recent years, made a strong case for the development of new traffic measurement techniques based on the analysis of the radio access network activity levels. In this thesis, we explore the use of sensor data gathered through Bluetooth (BT) passive scanning. Bluetooth sensors provide a cost-effective, low-impact and easy to deploy alternative to conventional techniques. They are adapted for mass deployment in urban areas at relatively low investment and maintenance costs. However, the BT indirect detection process may introduce bias and uncertainties that hinder the accuracy of the derived vehicular traffic metrics. In this context, we investigate the capacity to use Bluetooth sensors as a reliable sole data source for intelligent traffic systems in urban areas. Our work focuses on improving the accuracy of the obtained estimations of the traffic flow and the travel speed. The first part of this work concerns the task of vehicular traffic flow quantification from Bluetooth sensor data. We adopted a data-driven approach relying on statistical and machine learning models. We first considered traffic flow estimation in one sensing pose. Then, we proposed a model for network-scale flow estimation. In this contribution, we also introduced the transfer learning problem required to limit the need to acquire labelled training data for each new deployment. In the second part, we focus on the task of estimating the average travel speed. We propose an algorithm that uses the collected data about the quality of the received signal to improve the matching process and weigh individual vehicle speed contributions in calculating the average speed. During this work, we also developed a simulation framework of BT scanning for vehicular traffic monitoring. The simulator allows us to study and identify the factors impacting the probability, for one sensor, of detecting an active BT connection in its detection range and generate synthetic training datasets to handle data scarcity.