Calibrage du Modèle Bayésien avec Incertitude pour les Modèles de Flux de Trafic

Bayesian model Calibration with Uncertainty for Traffic Flow Models

• Auteur / Autrice : Eric Andoni
• Direction : Paola Goatin, Giovanni Samaey
• Type : Projet de thèse
• Discipline(s) : Doctorat mathematiques
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : Université Côte d'Azur en cotutelle avec Katholieke Universiteit Leuven
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées
• Partenaire(s) de recherche : Laboratoire : INRIA - ACUMES - Analysis and Control of Unsteady Models in Engineering Sciences

Mots clés

Mots clés libres

Markov chain Monte Carlo

Modèle Bayésien

Flux de Trafic

Equations différentielles

Markov chain Monte Carlo

Bayesian Models

Traffic Flow

Differential equations

Résumé

À la KU Leuven, nous utiliserons des hiérarchies de modèles pour la simulation des flux de trafic afin de développer une méthode Monte Carlo par chaîne de Markov multifidélité pour l'échantillonnage a posteriori de paramètres inconnus, à partir de données de mesure. A l'INRIA, ces méthodes seront ensuite utilisées pour la calibration bayésienne de modèles de trafic et de prédiction avec incertitude. Les méthodes seront utilisées dans une étude de cas industriel dans laquelle un modèle de trafic sera calibré sur les données réelles du partenaire industriel.

At KU Leuven, we will use hierarchies of models for traffic flow simulation to develop a multifidelity Markov chain Monte Carlo method for posterior sampling of unknown parameters, given measurement data. At INRIA, these methods will then be used for the Bayesian calibration of traffic models and prediction with uncertainty. The methods will be used in an industrial case study in which a traffic model will be calibrated on the industrial partner's real-world data.