Complétion par construction de données de mobilité avec a priori sur la topographie et infrastructure du réseau routier

Prediction of mobility data with prior on the topography of an infrastructure of a road network

• Auteur / Autrice : Sarah Almeida Carneiro
• Direction : Laurent Najman, Aurélie Chataignon, Giovanni Chiercha
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 08/11/2024
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) - Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
• Jury : Président / Présidente : Ronghui Liu
• Jury : Examinateurs / Examinatrices : Laurent Najman, Jérôme Härri, Cristina Olaverri Monreal, Latifa Oukhellou, Giovanni De Nunzio
• Jury : Rapporteurs / Rapporteuses : Jérôme Härri, Cristina Olaverri Monreal

Mots clés

Mots clés contrôlés

Mobilité quotidienne

Véhicules connectés

Acquisition automatique des données

Apprentissage profond

Routes

Mots clés libres

Mobilité

Topographie

Réseau routier

Construction de données

Apprentissage profond

Road network

Mobility

Topography

Data Prediction

Deep Learning

Résumé

L'évolution de l'acquisition de données de mobilité s'est étendue, passant de la dépendance exclusive à des capteurs fixes sur les routes à des méthodes plus accessibles grâce aux applications mobiles. Initialement, la collecte de données reposait sur des capteurs placés à des emplacements fixes le long des routes, qui ne capturaient des informations que lorsque des véhicules passaient à proximité ou à des moments spécifiques. Cependant, la technologie moderne a révolutionné l'acquisition de données, avec des applications permettant la récupération des données GPS, OBD et CAN. Alors que les données OBD et CAN nécessitent des dispositifs connectés aux véhicules, ajoutant de la complexité au processus de collecte, les données GPS peuvent être facilement collectées via des appareils intelligents comme les téléphones et les tablettes, ce qui en fait une source de données facilement accessible. Ces données jouent un rôle crucial dans l'avancement des systèmes de circulation intelligents en alimentant les initiatives de recherche sur le trafic. Couplées à des algorithmes sophistiqués, les données de mobilité peuvent fournir des informations précieuses telles que la dynamique des flux de trafic, les profils de vitesse des itinéraires ou des rues, la consommation moyenne de carburant et les émissions de pollution des véhicules. Ainsi, elles constituent un outil vital pour améliorer l'efficacité et la durabilité des transports. Cependant, comme tout dispositif de capture de signaux, l'utilisation d'une application mobile pour l'acquisition de données comporte ses propres défis. Un facteur critique pour ces méthodes de collecte de données est la présence d'utilisateurs actifs dans la région analysée. Des études ont montré que les ensembles de données résultants peuvent présenter une couverture territoriale hétérogène, se concentrant souvent principalement sur les grandes zones métropolitaines d'un pays. Par conséquent, cette couverture limitée pose des défis pour atteindre la représentativité des données, entravant ainsi les efforts de recherche en cours visant à améliorer les systèmes de trafic ou à réduire les émissions de pollution dans les régions. Pour relever ce défi, cette thèse propose une approche novatrice pour approximer les données de vitesse à partir de données de mobilité préenregistrées. Nous émettons l'hypothèse qu'il existe une relation entre la topographie des routes et les données de mobilité générées. Par conséquent, lorsqu'une région A présente des informations manquantes, nous proposons d'exploiter les données d'une région B ayant des caractéristiques infrastructurelles similaires et des données enregistrées dans la base de données pour approximer les données de mobilité pour la région A. Tout au long de cette thèse, nous avons développé des méthodes pour prédire les données manquantes sur des trajets prédéfinis en exploitant les caractéristiques topographiques et infrastructurelles. Ces méthodes tirent parti des informations obtenues à partir de la topographie des routes et de l'infrastructure pour approximer les valeurs des points de données de vitesse, améliorant ainsi l'exhaustivité et l'exactitude des ensembles de données. Nos résultats démontrent des améliorations significatives, tant qualitativement que quantitativement, par rapport aux approches d'analyse de régression standard. De plus, le cadre proposé offre des perspectives pour concevoir de nouvelles approches d'analyse du trafic, apportant un éclairage nouveau sur les avancées potentielles dans ce domaine

The evolution of mobility data acquisition has expanded from relying solely on fixed-location road sensors to include more accessible methods facilitated by mobile applications. Initially, data collection depended on sensors placed at fixed locations along roadways, which captured information only when vehicles passed by it or at specific moments. However, modern technology has revolutionized data acquisition, with applications enabling the retrieval of GPS, OBD, and CAN data. While OBD and CAN data need devices to be connected to vehicles, adding complexity to the data collection process, GPS data can be effortlessly gathered through smart devices like phones and tablets, rendering it a readily accessible data source.This data plays a pivotal role in the advancement of intelligent traffic systems by fueling traffic research initiatives. When coupled with sophisticated algorithms, mobility data can yield valuable insights such as traffic flow dynamics, speed profiles of routes or streets, average fuel consumption, and pollution emissions from vehicles. As such, it serves as a vital tool for enhancing transportation efficiency and sustainability.However, like any signal-capturing device, using a mobile application for data acquisition comes with its own set of challenges. One critical factor for such data collection methods is the presence of active users within the analyzed region. Studies have shown that resulting datasets may exhibit heterogeneous territorial coverage, often focusing primarily on major metropolitan areas within a country. Consequently, this limited coverage poses challenges in achieving data representativeness, thereby obstructing ongoing research efforts aimed at improving traffic systems or reducing pollution emissions within regions.To address this challenge, this thesis proposes a novel approach to approximate speed data based on pre-recorded mobility data. We hypothesize that there exists a relationship between road topography and the mobility data generated within it. Therefore, when encountering a region A with missing information, we propose to leverage data from a region B with similar infrastructural characteristics and recorded data in the database to approximate mobility data for region A.Throughout this thesis, we have developed methods to predict missing data in predefined paths by harnessing topographical features and infrastructure characteristics. These methods capitalize on insights gained from road topography and infrastructure to approximate speed data points values, thereby enhancing the completeness and accuracy of datasets. Our results demonstrate significant improvements, both qualitatively and quantitatively, compared to standard regression analysis approaches. Furthermore, the proposed framework offers insights into designing new approaches for traffic analysis, shedding new light on potential advancements in the field