Apprentissage profond pour la prévision continue de l’occupation du parking en milieu urbain
Auteur / Autrice : | Miratul Khusna Mufida |
Direction : | Thierry Delot, Martin Trépanier, Abdessamad Ait El Cadi |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 25/09/2023 |
Etablissement(s) : | Valenciennes, Université Polytechnique Hauts-de-France |
Ecole(s) doctorale(s) : | École doctorale polytechnique Hauts-de-France (Valenciennes, Nord ; 2021-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'automatique, de mécanique et d'informatique industrielles et humaines (Valenciennes, Nord ; 1994-...) |
Etablissement délivrant conjointement le doctorat : Institut national des sciences appliquées Hauts-de-France (Valenciennes, Nord ; 2019-....) | |
Jury : | Président / Présidente : Vasile-Marian Scuturici |
Examinateurs / Examinatrices : Thierry Delot, Martin Trépanier, Abdessamad Ait El Cadi, Florence Sedes, Nicolas Saunier, Karine Bennis-Zeitouni | |
Rapporteurs / Rapporteuses : Florence Sedes, Nicolas Saunier |
Mots clés
Résumé
L'apprentissage profond a été largement adopté dans divers domaines en raison de sa capacité à extraire des caractéristiques complexes à partir de grandes quantités de données. Dans cette thèse, nous proposons une approche basée sur l'apprentissage profond pour la prédiction continue de l'occupation des parkiL'apprentissage profond a été largement adopté dans divers domaines en raison de sa capacité à extraire des caractéristiques complexes à partir de grandes quantités de données. Dans cette thèse, nous proposons une approche basée sur l'apprentissage profond pour la prédiction continue de l'occupation des parkings. Nous avons donc collecté un large ensemble de données sur l'occupation des parkings (tant pour les parkings couverts que pour les parkings en bord de rue) provenant de différentes villes de deux pays différents et les avons utilisées pour entraîner des modèles de réseaux neuronaux profonds. Nos expériences montrent que l'approche proposée surpasse les modèles classiques et basés sur l'apprentissage machine en termes de précision des prévisions et de performances en temps réel. De plus, notre approche peut également être facilement intégrée aux systèmes de stationnement intelligents existants pour améliorer leur efficacité et leur commodité.Pour un déploiement au niveau de la ville, nous proposons également un cadre permettant de partager les modèles entre les parkings en analysant leur similarité spatiale et temporelle. En identifiant les caractéristiques spatiales et temporelles pertinentes de chaque parking (profil de stationnement) et en les regroupant en conséquence, notre approche permet le développement de modèles précis de prévision de l'occupation pour un ensemble de parkings, ce qui permet de réduire les coûts de calcul et d'améliorer la transférabilité des modèles. Nos expériences démontrent l'efficacité de la stratégie proposée en termes de réduction des coûts de déploiement des modèles tout en maintenant une bonne qualité des prévisions.En conclusion, ce travail démontre l'efficacité de l'apprentissage profond pour résoudre le problème de la prévision continue de l'occupation des parkings et met en évidence son potentiel pour les futures applications de stationnement intelligentes.