Prédire la circulation à l'aide de l'apprentissage machine

Plusieurs systèmes simples et complexes existent actuellement afin de gérer dynamiquement les feux de circulation. Par exemple des systèmes adaptifs.  Évidemment les systèmes complexes sont performants, mais également plus dispendieux à l’achat, au déploiement et en frais de maintenance.  Ils nécessitent habituellement de déployer des équipements de détection à toutes les approches d’une intersection à contrôler.   

Notre vision est de créer un système simplifié, moins coûteux et flexible.  Ce système sera peut-être légèrement moins performant au départ, mais offre plus de potentiel d’amélioration.  L’approche de la Ville de Montréal est d’utiliser une technique de gestion des feux de circulation existante, en l’occurrence le TRP (Traffic Responsive Plan), que nous maitrisons et de lui ajouter un volet de prédiction. En utilisant la prédiction des débits de circulation nous voulons que nos feux de circulation soient proactifs sur le trafic plutôt qu’en réaction à ce dernier.  La technique de prédiction que nous utilisons présentement utilise l’apprentissage machine et s’alimente d’un flux de données temps-réel IoT de plusieurs détecteurs véhiculaire.   

Nous présenterons les différentes phases du projet,  l’étape à laquelle nous sommes rendus, ainsi que les différentes équipes impliquées à chaque étape.  Sera aussi démontré le potentiel d’amélioration qu’amène l’apprentissage machine en comparaison des autres techniques de gestion des feux de circulation.

Author

Audet, O., O'Carroll, P.

Session title

Artificial Intelligence and Machine Learning for Smart Mobility (S)

Organizers

Education & Human Resources Development Council

Category

Smart Cities & Big Data

Year

2019

Format

Paper

File

 


Thank you to our Premier Sponsors