| Titre : | Prédiction du volume du trafic et de la gravité des accidents routiers à l'aide du maching learning classique et du Deep Learning en intégrant les données spatio-temporelles. |
| Auteurs : | BERAOUZ,Amal;EL AAMRANI,Nisrine, Auteur ; EL-AYACHI Moha, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2023 |
| Format : | 111 |
| Langues: | Français |
| Mots-clés: | prédiction ; trafic route ; sécurité routière ; congestion routière ; transport intelligent ; deep learning ; spatio-temporel. |
| Résumé : |
Ce projet de recherche contribue dans le domaine des systèmes de transport intelligents per mettant de fournir des prédictions précises pour la gravité des accidents et le volume de trafic en utilisant des techniques avancées d'apprentissage automatique. Ces prédictions peuvent aider à améliorer les mesures de sécurité routière, à optimiser les stratégies de gestion du trafic et à faciliter les processus de prise de décision éclairée liés à la planification et à l'optimisation des infrastructures de transport. L’objectif derrière la conduite de cette recherche est de traiter les deux aspects des systèmes de transport intelligents : la prédiction de la gravité des accidents routiers pour la sécurité routière et la prédiction du volume de trafic pour la gestion de la congestion par machine learning classique et deep learning. La méthodologie suivie se base sur l’exploitation des modèles d'apprentissage automatique, tels que les machines à vecteurs de support (SVM), les arbres de décision et les perceptrons multicouches (MLP), pour prédire la gravité des accidents. Elle vise aussi 9 utiliser les auto encodeurs empilés et des modèles LSTM ont été employés pour la prédiction du volume de trafic en intégrant des données spatio-temporelles. L'ensemble de données utilisé dans cette étude comprend des informations spatio-temporelles complètes telles que la localisation, l'heure, les caractéristiques de la route et les conditions météorologiques. En entraînant et évaluant les modèles sur cet ensemble de données, les performances de chaque modèle ont été évaluées en termes de prédiction précise de la gravité des accidents et du volume de trafic. Les résultats ont révélé que MLP surpassait les modèles SVM et arbres de décision dans la prédiction de la gravité des accidents, démontrant son efficacité à capturer les relations complexes au sein des données. D'autre part, le modèle d'auto encodeur empilé s'est démarqué dans la prédiction du volume de trafic, exploitant sa capacité à extraire des caractéristiques profondes et à capturer les dépendances temporelles. |
| En ligne : | http://10.2.0.27//cda/ebooks/BERAOUZ_EL_AAMRANI_2023.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041165 | 9947 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
