Table of Contents

La connaissance des tendances de la congestion du trafic est devenue de plus en plus essentielle pour les urbanistes, les ingénieurs des transports et les administrateurs de villes dans le monde entier. À mesure que les populations urbaines continuent de croître et que les taux de propriété des véhicules augmentent, la nécessité de méthodes sophistiquées pour recueillir, analyser et interpréter les données sur la circulation n'a jamais été aussi pressante.

L'importance de la collecte de données sur le trafic

La collecte de données sur le trafic est une méthode essentielle qui fournit des informations essentielles pour améliorer le contrôle du trafic et les projets d'infrastructure. Grâce à ces données, les spécialistes du transport comprennent mieux divers facteurs, tels que le nombre de véhicules, leur classification, leur vitesse de déplacement, etc. Les informations recueillies grâce à la collecte de données sur le trafic servent de multiples objectifs critiques qui vont bien au-delà du simple comptage des véhicules.

Pour les professionnels du transport, cette information est précieuse à plusieurs fins : cerner les besoins en matière de transport, évaluer l'efficacité des systèmes de circulation, déterminer les tendances des véhicules et éclairer les choix fondés sur des données probantes dans le développement des villes. La précision de la collecte des données sur le trafic est fondamentale dans la mesure où les données qui en résultent servent de base à la planification des infrastructures routières, routières et de ponts.

Le développement de systèmes de transport intelligents (STI) dépend fortement de la qualité et de la quantité des données sur le trafic routier. Les villes intelligentes modernes comptent sur des flux continus d'informations précises sur le trafic pour prendre des décisions en temps réel, gérer dynamiquement la congestion et améliorer l'efficacité globale des transports.

Méthodes traditionnelles de collecte des données sur le trafic

Les mécanismes de collecte de données sur le trafic peuvent être classés en deux méthodes, généralement appelées méthode intrusive et non intrusive. La compréhension de ces catégories fondamentales aide les professionnels du transport à choisir la méthode de collecte de données la plus appropriée pour leurs besoins et circonstances spécifiques.

Nombres de trafics manuels

Les comptages manuels de la circulation sont le moyen le plus ancien, le plus simple et le plus fiable de recueillir des données. Cette méthode repose sur des observateurs humains qui comptent des véhicules en temps réel sur la route ou qui passent en revue des vidéos plus tard.

C'est là que des observateurs formés recueillent des données de circulation qui ne peuvent être recueillies par des comptages automatisés, par exemple, les classifications des véhicules et les piétons. Un comptage manuel peut être aussi basique que quelqu'un qui clique sur un compteur pour chaque véhicule passant, ou aussi détaillé que l'enregistrement de différents types de véhicules et des mouvements de virage à une intersection.

Les observateurs peuvent également suivre les vélos et les piétons, ce qui rend les comptages manuels flexibles et adaptables. Cette polyvalence est particulièrement importante dans les environnements urbains où l'analyse du transport multimodal est nécessaire.

En raison de ces limitations, les comptages manuels sont généralement réservés aux études à court terme, à l'analyse spéciale des intersections ou à la validation des systèmes automatisés. La vérification des données est effectuée à plusieurs reprises en vérifiant les comptages d'intersections à proximité ou en effectuant des comptages manuels de la circulation dans la même zone ou à l'endroit exact où les données sont recueillies.

Méthodes de détection intrusives

La méthode intrusive consiste à placer un capteur et un enregistreur de données sur la route, qui nécessitent une installation physique à l'intérieur ou à l'extérieur de la chaussée, ce qui peut perturber la circulation pendant l'installation et l'entretien, mais qui fournit souvent des données très précises.

Tubes pneumatiques pour la route

Il s'agit de tubes en caoutchouc placés sur les voies de circulation pour détecter les véhicules lorsqu'un pneu d'un véhicule se déplace sur le tube. L'impulsion de l'air est générée, enregistrée et traitée par un compteur situé sur le côté de la route. Les tubes en caoutchouc étirés sur la route qui enregistrent un nombre chaque fois que le pneu roule. Ils sont rentables, portables et largement utilisés pour des études à court terme.

Les tubes pneumatiques sont collés sur la surface de la chaussée, perpendiculairement au flux de circulation. Lorsqu'un véhicule roule sur un tube pneumatique, une explosion de pression d'air est libérée et envoyée par le tube. La pression d'éclatement ferme un interrupteur d'air, qui envoie un signal électrique au logiciel de comptage. Les tubes sont alimentés par des batteries, un acide plomb ou un gel, ce qui les rend faciles à déplacer entre les sites de comptage.

Pour saisir les données de classification et de vitesse, un second tube est nécessaire pour recueillir le nombre d'essieux et l'espacement. Cependant, les tubes pneumatiques ont une couverture de voie limitée et conviennent aux conditions météorologiques, de température et de circulation idéales. Bien qu'ils soient parfaits pour les déploiements rapides, ils peuvent s'user rapidement, lutter sur les routes à grande vitesse ou à grande volume, et ne pas facilement différencier les types de véhicules.

Détecteurs inductifs de boucles

Les détecteurs de boucle inductifs sont une « boucle » de fil isolé installée sur le trottoir. Un détecteur passe un courant électrique à travers le fil de boucle, créant un champ électromagnétique. Les boucles sont fixées dans les routes et produisent un champ magnétique. Il fonctionne en transmettant des informations sur un dispositif de comptage placé sur le côté de la route.

Les boucles sont très précises, durables et peuvent fournir des données continues 24/7, ce qui les rend particulièrement utiles pour les installations de surveillance permanente du trafic à des endroits clés dans tout le réseau routier.

Les boucles inductives sont une technologie standard depuis des décennies et sont largement déployées aux intersections signalisées et sur les autoroutes. Économiquement faisable, particulièrement si les boucles sont déjà en place. Capable de fonctionner efficacement, indépendamment de l'éclairage ou des variations météorologiques.

L'installation peut entraîner des interruptions de circulation et des problèmes de sécurité potentiels. Vulnérabilité aux dommages causés par l'infiltration d'eau ou les travaux routiers réguliers. L'installation ou la maintenance inadéquates compromet la précision des données. En outre, l'espérance de vie des boucles d'induction est courte car elles peuvent facilement être écrasées par les véhicules lourds.

Capteurs piézoélectriques

Les capteurs piézoélectriques génèrent des charges électriques lorsqu'ils sont soumis à une contrainte mécanique, ce qui les rend efficaces pour détecter la présence et le poids du véhicule. Ces capteurs sont souvent intégrés dans le revêtement et peuvent fournir des données précieuses pour les applications de poids en mouvement et la classification du véhicule.

Méthodes de détection non intrusives

Les méthodes non intrusives de collecte des données de trafic impliquent des observations à distance. Il se compose des composantes factorielles suivantes dans la collecte des données de trafic: comptage manuel, passif et infrarouge actif, magnétique passive, radar à micro-ondes, acoustique ultrasonore et passive, et détection d'images vidéo. Ces méthodes offrent des avantages significatifs en termes de facilité d'installation et de maintenance.

Les capteurs non intrusifs sont beaucoup plus faciles à installer, à accéder et à entretenir, ce qui les rend de plus en plus attrayants pour les systèmes modernes de gestion du trafic, en particulier lorsqu'ils sont déployés sur de grands réseaux ou dans des endroits où le travail sur route serait perturbateur ou coûteux.

Détection d'image vidéo

Les systèmes de détection d'images vidéo utilisent des caméras montées au-dessus ou à côté des routes pour capter le flux de trafic. Les algorithmes de vision informatique avancés traitent les flux vidéo pour extraire les données de trafic, y compris le nombre de véhicules, la vitesse, les classifications et les taux d'occupation.

Souvent, ils passent de méthodes manuelles ou analogiques à l'adoption de l'intelligence artificielle pour automatiser leurs procédures de comptage. Cette transition représente un progrès important dans les capacités de collecte de données de trafic, permettant une analyse plus sophistiquée et le traitement en temps réel de scénarios de trafic complexes.

Appareils photo d'imagerie thermique

Les caméras thermiques, utilisant des algorithmes dédiés, détectent les signatures thermiques et traitent automatiquement et collectent des données de circulation lorsqu'un véhicule ou un piéton entre dans sa zone de détection. Ces caméras sont spécifiquement conçues pour reconnaître et classer les véhicules, les piétons et les bicyclettes en fonction de leurs signatures thermiques, et peuvent même mesurer la vitesse.

Comme VID, lorsqu'un véhicule ou un piéton entre dans une zone de détection thermique de la caméra, les données de circulation sont automatiquement traitées et collectées sur la base d'algorithmes dédiés. Les caméras thermiques détectent les signatures thermiques, leur permettant de détecter avec précision les véhicules, les piétons et les bicyclettes tout en mesurant la vitesse.

Contrairement à VID, l'imagerie thermique fonctionne mieux la nuit et dans des conditions de faible luminosité, comme lorsqu'il y a du brouillard ou lorsque les piétons sont masqués par des ombres.

Technologie radar

La technologie radar est relativement nouvelle pour les données de trafic, mais elle offre beaucoup plus de perspicacité et de précision que les méthodes précédentes. Il existe deux types principaux de radar : doppler et FMCW. Les capteurs radar Doppler transmettent des signaux micro-ondes et, lorsqu'il y a mouvement du véhicule, la fréquence du signal réfléchi change, permettant aux capteurs de détecter la présence et la vitesse d'un véhicule.

Les radars FMCW transmettent un signal et, à la réception, mesurent les différences de phase ou de fréquence. Les capteurs radar peuvent déterminer la longueur du véhicule et utiliser ces données pour classer les véhicules avec précision, ce qui permet aux capteurs radar d'offrir plus de classes que les méthodes précédentes, y compris les piétons et les vélos.

Il existe deux technologies principales de radar de circulation : le tir latéral et le tir avant. Les deux utilisent le radar pour détecter la présence de véhicules en mouvement sur la route et sont capables de classer les véhicules en fonction de la longueur du véhicule. Le radar de tir latéral est installé sur le côté de la route et envoie un faisceau radar sur la route perpendiculairement au flux de circulation.

Capteurs infrarouges

Ce mécanisme de collecte de données sur le trafic utilise de l'énergie infrarouge autour de la zone de détection pour enregistrer la présence de vitesse et le type de voitures passant. Ses lacunes comprennent le fait qu'il ne peut pas fonctionner par mauvais temps et a une couverture de voie limitée.

Capteurs magnétiques

Les capteurs magnétiques sont placés sous ou sur le lit de route, ce qui lui permet de compter le nombre de véhicules, la vitesse et le type de véhicule. L'architecture du système a une forte extensibilité et un faible coût de mise en place, d'entretien et de fonctionnement qui est adapté pour la surveillance de la circulation urbaine.

Technologies émergentes dans la collecte de données sur le trafic

Les organismes de transport utilisent de nombreuses méthodes traditionnelles de collecte de données (p. ex. comptage manuel, tubes pneumatiques, capteurs routiers, capteurs radars) ainsi que des méthodes de collecte de données émergentes (p. ex. systèmes d'aéronefs sans pilote, données de sonde, détection et traitement d'images vidéo) pour la collecte de données sur le trafic.

Données GPS et données de voiture flottante

Actuellement, la collecte de données sur le trafic par le biais des téléphones mobiles et du GPS embarqué est devenue une autre source de collecte de données qui peut fournir des informations précises en temps réel sur un grand réseau routier et résoudre certains problèmes liés aux détecteurs fixes, ce qui représente un changement de paradigme dans la manière dont les données sur le trafic sont recueillies, passant des mesures à points fixes à la couverture à l'échelle du réseau.

En général, les informations sur la circulation, telles que la vitesse du véhicule ou le débit de circulation, sont recueillies par des détecteurs fixes placés le long du réseau routier à des points stratégiques. Toutefois, ces détecteurs fixes ne couvrent que peu de zones.

Cette approche est particulièrement bien adaptée pour fournir des informations relativement précises dans les zones urbaines (où les données de trafic sont le plus nécessaires) en raison de la distance plus faible entre les antennes. L'infrastructure de réseau cellulaire qui soutient la collecte de données par téléphone mobile est déjà largement déployée dans les zones urbaines, rendant cette approche très rentable pour les villes.

Cette étude utilise la méthode des données sur les voitures flottantes pour déterminer la congestion du trafic et la mesure dans laquelle les grappes de congestion observées représentent de façon significative les tendances de congestion dans un réseau routier urbain plus vaste.

Reconnaissance automatique des plaques numériques (ANPR)

ANPR ou LPR est une technologie spécialisée qui utilise la reconnaissance optique des caractères pour lire et interpréter automatiquement les plaques d'immatriculation des véhicules.Dans le domaine de la collecte des données de trafic, ANPR joue un rôle vital.

Outre le simple comptage des véhicules, l'ANPR permet d'identifier chaque véhicule à travers ses plaques d'immatriculation, ce qui permet une analyse approfondie, par exemple en déterminant la fréquence de présence d'un véhicule particulier à un endroit donné. On peut donc déterminer si le trafic comprend des véhicules neufs à chaque fois ou représente des modèles récurrents, offrant des indications sur la régularité et les habitudes de déplacement des véhicules.

Les systèmes ANPR permettent des études d'origine-destination, des mesures de temps de déplacement entre les points et l'identification des navetteurs réguliers par rapport aux voyageurs occasionnels. Ce niveau granulaire de données soutient des applications sophistiquées d'analyse et de planification du trafic qui seraient impossibles avec les méthodes de comptage traditionnelles.

Données sur le véhicule connecté

Cette approche hybride assure une couverture fiable sur l'ensemble des réseaux routiers, sans coûts ni limites des méthodes manuelles. La technologie de véhicules connectés représente l'avenir de la collecte de données de trafic, en tirant parti des véhicules eux-mêmes comme capteurs mobiles.

Les comptages manuels restent un outil utile pour certaines situations, mais les technologies automatisées transforment la façon dont les agences surveillent le volume de trafic. Des simples compteurs de tubes aux données avancées sur les véhicules connectés, le bon mélange de méthodes assure la précision, l'efficacité et l'évolutivité.

Techniques d'interprétation et d'analyse des données

La collecte de données sur le trafic n'est que la première étape de la compréhension des tendances de congestion. La valeur réelle émerge d'une analyse et d'une interprétation sophistiquées des informations recueillies.

Méthodes d'analyse statistique

Les méthodes d'analyse statistique ont permis de déterminer les caractéristiques de la circulation et de prévoir les tendances de la circulation, en utilisant les données du passé pour déterminer la saisonnalité, les tendances et d'autres tendances importantes des STI.

Les premiers efforts de prévision de la congestion du trafic ont principalement été axés sur des modèles statistiques (ou paramétriques) en raison de leur simplicité et de leur interprétabilité. Ces modèles à structure fixe ont utilisé des données empiriques pour former leurs paramètres. L'analyse des séries chronologiques, les modèles de régression et d'autres approches statistiques continuent de fournir des indications précieuses, en particulier pour comprendre les tendances à long terme et les modèles saisonniers.

Regroupement et reconnaissance des modèles

L'analyse des tendances de congestion du trafic qui varient dans le temps est nécessaire pour formuler des stratégies de gestion efficaces.

Cet article vise à reconnaître les profils de congestion du trafic du réseau routier urbain basé sur l'indice de performance du trafic (TPI) de 699 jours en 2018, 2019 et 2021 à Pékin. La méthode auto-organisante des cartes (SOM) améliorée par un algorithme de détermination automatique des numéros de regroupement est proposée pour cluster les profils de congestion basé sur TPI variable dans le temps.

L'analyse par regroupement, méthode d'apprentissage automatique non supervisée, a été utilisée pour regrouper les segments de route en groupes en fonction de leurs schémas de vitesse. Cette recherche vise à traiter le schéma de vitesse par un ensemble de données de 24 heures, en essayant de refléter la tendance de volatilité par regroupement.

Les dates ayant les mêmes caractéristiques de changement de congestion sont définies comme ayant le même schéma de congestion de la circulation dans cet article. En raison de la régularité des déplacements des résidents, la congestion de la circulation peut être divisée en modèles limités typiques.

Apprentissage automatique et approches d'apprentissage profond

Il est donc devenu essentiel de reconnaître et de prévoir les tendances sous-jacentes de la congestion du trafic, la prévision de la congestion du trafic (TCP) étant un domaine d'étude de plus en plus important. Les progrès dans l'apprentissage automatique (ML) et l'intelligence artificielle (AI) ainsi que les améliorations apportées aux technologies de détection de l'Internet des objets (IdO) ont rendu la recherche TCP cruciale pour le développement de systèmes de transport intelligents (STI).

Les informations fournies par ces prévisions sont essentielles pour les décideurs de plusieurs secteurs, notamment les entreprises, le gouvernement, les services publics et les villes intelligentes (SC). Il existe de nombreuses façons efficaces de prévoir la congestion du trafic et d'obtenir les meilleures performances prédictives, la plupart d'entre eux utilisant un modèle DL, comme un réseau neuronal récurrent (RNN), ou un modèle ML, comme une approche fondée sur les arbres.

Nous proposons des algorithmes efficaces à l'échelle de la ville : (i) l'analyse des profils de congestion du trafic basée sur le traitement d'images (TCPIP) et (ii) un réseau de prévision de l'indice de congestion du réseau à base d'autoencodeurs convolutionnels profonds (CIPNet). Dans cet article, nous proposons (i) un algorithme d'analyse des profils de congestion du trafic peu coûteux et efficace basé sur le traitement d'images, qui identifie le groupe de routes d'un réseau qui souffre de congestion récurrente; (ii) une architecture de réseau neuronal profond, formé de l'autoencodeur convolutionnel, qui apprend les relations spatiales et temporelles de la séquence de données d'images pour prédire l'indice de congestion du réseau à l'échelle de la ville.

Cartes de vitesse 3D et analyse spatiotemporelle

Dans cet article, nous présentons un algorithme qui déforme directement la dynamique du trafic tant dans l'espace que dans le temps. À cette fin, nous déterminons d'abord quelle méthode de regroupement est la plus efficace pour regrouper toutes les observations de vitesse de liaison dépendantes du temps dans des cartes de vitesse 3D, où nous considérons les critères d'homogénéité intra-groupe et de dissimilarité inter-groupe ainsi que les temps de calcul pour déterminer le nombre optimal de grappes.

Dans cet article, nous étudions la régularité quotidienne des schémas de congestion urbaine. Nous avons d'abord une partition reliant les données de vitesse toutes les 10 min en grappes 3D qui proposent un croquis parcimonieux de la pulsation de congestion. Nous recueillons ensuite des journées avec des schémas similaires et utilisons des méthodes de regroupement consensuel pour produire un schéma global unique qui convient à plusieurs jours, découvrant la régularité quotidienne.

Nous montrons que le réseau d'Amsterdam sur 35 jours peut être synthétisé en seulement 4 cartes de vitesse 3D consensuelles avec 9 clusters. Cela ouvre la voie à une méthode systématique de pointe pour les prévisions de temps de voyage dans les villes. En comparant l'observation actuelle à des cartes de vitesse 3D consensuelles historiques, nous concevons une méthode efficace en temps réel qui prédit avec succès 84% temps de voyage avec une marge d'erreur inférieure à 25%.

Analyse par graphique causal

Cet article présente un nouveau cadre pour la représentation interprétable et la récupération personnalisable des profils de congestion du trafic à l'aide de graphiques de relation causale, qui exploite nombre de ces possibilités. En intégrant les connaissances du domaine avec des techniques innovantes de gestion des données, nous nous attaquons aux défis de traiter efficacement et de récupérer le volume croissant de données de trafic à des fins analytiques diverses.

Les phénomènes de circulation typiques comprennent les goulets d'étranglement, le trafic transitoire, les oscillations de trafic (ondes d'arrêt et de déplacement), la congestion homogène, etc. La compréhension de ces phénomènes fondamentaux de trafic et de leurs relations causales permet une analyse et une prédiction plus sophistiquées des tendances de congestion.

Clustering dynamique pour l'analyse en temps réel

Pour y remédier, il est proposé de mettre en place une méthode dynamique de regroupement des données de trajectoires de véhicules, qui puisse fournir une représentation précise de l'état du trafic.

La méthode dynamique de regroupement excelle dans sa capacité d'adaptation aux variations de la distribution des données. La figure 8a montre comment l'hyperbox a été ajustée de façon flexible et précise pour englober les segments de route, captant efficacement les variations de densité et de forme des pôles au fur et à mesure que les données évoluent, comme le montre la figure 8b.

Comprendre les types de congestion

La congestion du trafic se manifeste selon les différentes tendances selon l'heure de la journée, le jour de la semaine, les facteurs saisonniers et les événements spéciaux.

Modèles de congestion temporelle

Les modèles des lundis et des jours de semaine encombrés ont un pic de matinée proéminent, tandis que les modèles des vendredis, des jours de semaine ordinaires et des jours de semaine des vacances d'hiver et d'été ont un pic de soirée proéminent. Les samedis, dimanches et festivals sont moins encombrés que les modèles des jours de semaine.

Les voyageurs ont tendance à prendre en compte le mode de voyage et le temps de voyage plus que le trajet dans le système de transport multimodal. L'état de congestion du trafic dans la zone de destination ou même le réseau routier entier est des informations de référence importantes pour les voyageurs.

Congestion récurrente ou non récurrente

L'algorithme TCPIP génère le schéma de la carte de congestion de toute la ville pour toute période (comme l'heure de pointe du matin ou du soir, midi, etc.); il montre la probabilité d'un embouteillage sur chaque route dans un réseau de transport en surveillant les modèles à partir des données historiques.

Nous développons un algorithme efficace de congestion du trafic à l'échelle de la ville basé sur le traitement d'image. L'algorithme génère la carte qui montre les parties du réseau routier souffrant de congestions récurrentes.

Classification de la gravité de la congestion

a élaboré un système complet d'indicateurs de classification, comprenant le grand degré de réseau routier, le débit de circulation, la vitesse et l'occupation, qui ont divisé l'état de circulation en un état fluide, un état fluide de base, une légère congestion, une congestion modérée et une congestion grave, selon la méthode améliorée de regroupement des MFC.

Les données de la présente étude ont été recueillies à partir de la méthode d'analyse par grappes pour décrire l'état du trafic d'une intersection signalée. Différents paramètres et seuils peuvent être appropriés pour différents contextes, comme les autoroutes et les artères urbaines par rapport aux intersections.

Applications de l'analyse des données de trafic

La valeur ultime de la collecte et de l'analyse des données sur le trafic réside dans ses applications pratiques pour améliorer les systèmes de transport et la mobilité urbaine.

Gestion du trafic à court terme

Les centres de gestion du trafic surveillent les flux de données en direct provenant de diverses sources pour détecter les incidents, identifier les encombrements en développement et mettre en œuvre des mesures adaptées.

La collecte de données sur le trafic est le processus de collecte, d'examen, d'interprétation et de stockage de l'information sur les segments des routes et des routes. Il existe quatre principales façons d'utiliser la collecte de données sur le trafic, qui vont des décisions opérationnelles immédiates à la planification stratégique à long terme.

L'étude de la circulation dans des zones spécifiques et des conditions de vitesse sur certains segments de la voie aide les organismes à ajuster leurs activités pour réduire le risque et le taux d'accidents. Par exemple, dans une zone où le trafic est régulier et lourd et où une intersection signalée pose des problèmes, les données de circulation peuvent aider à déterminer si un rond-point serait la solution la plus utile et la plus sûre.

Optimisation du temps de transmission des signaux

Les données sur le nombre de véhicules et leur classification fournissent aux agences de circulation des renseignements précieux sur l'utilisation et l'occupation des routes. Les données sur la classification permettent aux agences de comprendre comment les véhicules utilisent la route, comme les secteurs où le trafic par camion ou par autobus est lourd, et de planifier les routes en fonction des usagers.

Les systèmes de contrôle des signaux adaptatifs utilisent des données de trafic en temps réel pour ajuster en continu les horaires des signaux en fonction de la demande actuelle, maximiser le débit et minimiser les retards.

Planification et conception des infrastructures

Nous entreprenons des comptages de trafic à la demande des administrations locales pour étudier les conditions de circulation existantes.Cette enquête est recueillie régulièrement pour que le gouvernement comprenne comment le trafic augmente ou diminue le long des routes. Cette information sert à établir des projections à long terme pour l'amélioration des routes, pour la resurfaçage des routes, remboursées par le gouvernement fédéral des recettes de la taxe sur le gaz.

Les données sur le trafic à long terme appuient les décisions de planification des immobilisations concernant les endroits où construire de nouvelles routes, ajouter des voies, construire des échanges ou mettre en oeuvre d'autres améliorations majeures de l'infrastructure.

Études de la zone de vitesse et analyse de la sécurité

Les études sur les zones de vitesse permettent de recueillir des données pour aider à cerner les problèmes de sécurité routière, puis de fixer des limites de vitesse appropriées pour certains segments de ces routes. Les données recueillies peuvent comprendre, sans s'y limiter, des rapports d'accidents, le nombre de véhicules passant par ce segment pendant une période donnée, des variations de vitesse et d'autres points de circulation.

L'analyse de la sécurité combine les données sur le volume de la circulation avec les registres d'accident pour identifier les endroits à risque élevé et évaluer l'efficacité des contre-mesures de sécurité.

Prédiction du temps de voyage et renseignements sur le voyageur

Les études du MTTCP présentent des horizons temporels allant de 30 min à plusieurs heures d'avance, et leur but est d'aider dans les stratégies de contrôle du trafic, la gestion de la congestion et l'allocation des ressources. Par rapport au STTCP, le MTTCP exige un équilibre entre résolution temporelle et efficacité computationnelle, le modèle devant être mis en œuvre pour tenir compte des schémas temporels et éventuellement des cycles quotidiens du trafic.

Les applications de navigation reposent sur les conditions de circulation en temps réel et prévues pour fournir des recommandations d'itinéraire optimales. Les systèmes d'information publique affichent les temps de déplacement prévus sur les grands couloirs pour aider les conducteurs à planifier leurs trajets.

Politique et planification à long terme

L'horizon temporel du PTTTTL s'étend de plusieurs heures à des jours ou même à des semaines à venir. Le PTTLD a pour but de soutenir la planification des infrastructures, l'élaboration des politiques, la planification des événements et les stratégies de gestion du trafic à long terme.

Cette méthode est utile pour la gestion du trafic en ce qui concerne la prise de décisions en fonction des différents schémas de congestion.

Difficultés et considérations liées à la collecte de données sur le trafic

Si les technologies modernes de collecte de données sur le trafic offrent des capacités sans précédent, elles présentent également divers défis à relever pour assurer la qualité des données et leur utilisation efficace.

Qualité et exactitude des données

Les données sont seulement aussi bonnes que la méthode utilisée pour les collecter. Rien ne pourrait être plus vrai en ce qui concerne le trafic. Assurer la précision des données nécessite un calibrage minutieux des capteurs, un entretien régulier et une validation contre les mesures de la vérité au sol.

Bien qu'il existe différentes méthodes de collecte de ces données, elles diffèrent grandement en matière de collecte et d'exactitude. Différentes technologies présentent des forces et des faiblesses différentes, et il est essentiel de comprendre ces compromis pour choisir des méthodes appropriées pour des applications spécifiques.

La pratique optimale est d'utiliser une combinaison de méthodes pour que les villes aient le meilleur profil de qui et de ce qui utilise leurs routes. La dernière ligne est qu'il n'y a pas une méthode parfaite pour collecter des données – certaines méthodes sont plus appropriées pour certaines conditions et applications que d'autres.

Frais d'installation et d'entretien

Ce sont les moyens les plus classiques (et traditionnels) de recueillir des données sur le trafic. Le problème est qu'elles sont coûteuses et perturbatrices à installer et à entretenir, et certaines peuvent être incorrectes ou non opérationnelles à tout moment. Néanmoins, elles constituent une partie importante de la collecte de données sur le trafic sur laquelle de nombreuses villes continuent de compter.

Les capteurs intrusifs, surtout si l'on considère que le volume de trafic a augmenté au fil du temps, ne sont pas l'avenir de la surveillance du trafic et de la collecte de données. Ils sont beaucoup à faire du point de vue d'un contribuable et d'un conducteur local pour une qualité de données pas si élevée du point de vue de la municipalité.

Couverture et scalabilité

Les installations fixes, telles que les boucles inductives, les systèmes de surveillance de la circulation et les radars à micro-ondes, sont couramment utilisées pour la détection de la circulation routière et la collecte de données diverses, y compris la vitesse de circulation, le volume de circulation, la densité et la classification des véhicules.

Pour atteindre une couverture complète du réseau avec des capteurs fixes traditionnels, il faudrait investir de manière prohibitive.Les méthodes de collecte de données basées sur les sondes offrent une solution en tirant parti des appareils mobiles existants et des véhicules connectés pour assurer une couverture sur l'ensemble des réseaux routiers sans infrastructure spécifique à chaque emplacement.

Limites environnementales et opérationnelles

Toutefois, les grandes routes à voies multiples présentent des inconvénients, car les capteurs routiers ne seraient pas en mesure de détecter la circulation dans les voies les plus éloignées, en particulier lorsque les grands semis utilisent la voie extérieure et obstruent la ligne de vision des capteurs.

Les conditions météorologiques, les variations d'éclairage et les obstacles physiques peuvent tous affecter les performances des capteurs. Les systèmes de surveillance robustes de la circulation doivent tenir compte de ces facteurs environnementaux et utiliser des technologies adaptées aux conditions locales.

Traitement et stockage des données

Les systèmes modernes de surveillance du trafic génèrent d'énormes volumes de données qui doivent être traitées, stockées et analysées efficacement.

L'une des faiblesses de cette technologie est que la transmission continue de la vitesse d'un grand nombre de véhicules génère une charge lourde importante sur les canaux de transmission et constitue donc un facteur de coût important dans l'utilisation d'un système de communication payant. C'est pourquoi il serait préférable de transmettre des données comprimées plutôt que des valeurs individuelles au centre responsable de la collecte et du processus des données de trafic.

Meilleures pratiques pour les programmes de collecte de données sur le trafic

Les organismes de transport devraient tenir compte de plusieurs principes clés lorsqu'ils élaborent ou améliorent leurs capacités de collecte de données.

Définir des objectifs clairs

La collecte de données est une étape critique du processus d'analyse. Savoir quoi collecter, quand collecter, combien de temps recueillir, où recueillir et comment gérer les données doit être abordé avant de commencer la collecte.

Avant d'investir dans l'infrastructure de collecte de données, les organismes devraient clairement cerner leurs besoins analytiques et utiliser les cas. Les données appuieront-elles les opérations en temps réel, les études de planification, l'analyse de la sécurité ou la mesure du rendement?

Mettre en oeuvre des procédures d'assurance de la qualité

Les contrôles automatisés de la qualité peuvent signaler des données anormales à examiner, tandis que la validation manuelle périodique confirme que les systèmes automatisés fonctionnent correctement.

La comparaison des données provenant de sources multiples permet de déceler et de corriger les erreurs. Lorsque des divergences surviennent entre les différentes méthodes de mesure, l'enquête peut révéler des défaillances de capteurs, des problèmes d'étalonnage ou d'autres problèmes nécessitant une attention particulière.

Tirer parti de plusieurs sources de données

Même si d'autres développements sont encore nécessaires, les deux types de sources - fixes et mobiles - sont maintenant largement utilisés par plusieurs fournisseurs de services dans le monde entier pour fournir aux utilisateurs des informations de trafic en temps réel de haute qualité.

Les capteurs fixes fournissent des mesures ponctuelles très précises, tandis que les données de sonde offrent une large couverture spatiale. L'intégration de ces sources par des techniques de fusion de données donne de meilleurs résultats que les deux sources seulement.

Investir dans l'infrastructure de gestion des données

Les données sont collectées par les centres de contrôle du trafic, affinées et diffusées aux utilisateurs par les centres d'information sur le trafic dans la plupart des pays de l'UE.

Les plateformes basées sur le cloud soutiennent de plus en plus la gestion des données de trafic, offrant une évolutivité, l'accessibilité et des capacités analytiques avancées.

Plan pour la durabilité à long terme

Les programmes de collecte de données sur le trafic nécessitent un financement continu pour l'entretien, le remplacement et la mise à niveau de l'équipement. La technologie évolue rapidement et les systèmes déployés aujourd'hui peuvent devenir obsolètes en l'espace d'une décennie.

La formation du personnel et la gestion des connaissances sont également importantes. À mesure que le personnel évolue au fil du temps, les connaissances institutionnelles sur les systèmes et les procédures de collecte de données doivent être préservées au moyen de documents, de programmes de formation et de processus de transfert des connaissances.

Tendances futures de la collecte et de l ' analyse des données sur le trafic

Le domaine de la collecte de données sur le trafic et de l'analyse des congestions continue d'évoluer rapidement, sous l'impulsion de l'innovation technologique et de l'évolution des paradigmes de transport.

Intelligence artificielle et analyse avancée

Les modèles d'apprentissage approfondi peuvent extraire des modèles complexes de ensembles de données massives, permettant des prévisions plus précises et des aperçus plus approfondis de la dynamique du trafic. Les progrès de la vision informatique permettent l'extraction automatisée d'informations détaillées provenant de flux vidéo, y compris les types de véhicules, les mouvements des piétons et les événements quasi-mâchés.

À mesure que ces technologies seront en voie de maturité, elles permettront de mettre au point des applications de plus en plus sophistiquées, comme la détection automatisée des incidents, l'entretien prédictif de l'infrastructure de la circulation et des services d'information personnalisés pour les voyageurs, adaptés aux préférences individuelles et aux habitudes de déplacement.

Véhicules connectés et autonomes

Le déploiement croissant de véhicules connectés crée de nouvelles possibilités de collecte de données sur le trafic. Les véhicules équipés de capacités de communication véhicule-infrastructure (V2I) et véhicule-véhicule (V2V) peuvent partager des informations en temps réel sur leur vitesse, leur emplacement et leurs conditions de fonctionnement.

À mesure que les véhicules autonomes deviennent plus répandus, ils généreront des flux de données encore plus riches sur les conditions routières, les modes de circulation et les performances de l'infrastructure, qui peuvent appuyer les décisions opérationnelles immédiates et les améliorations de la planification et de la conception à long terme.

Intégration avec Smart City Platforms

La collecte de données sur le trafic est de plus en plus intégrée à des initiatives plus larges de villes intelligentes qui combinent des informations provenant de multiples systèmes urbains.

Les initiatives de données ouvertes permettent aux chercheurs, aux entrepreneurs et aux citoyens de disposer d'informations sur le trafic, favorisant l'innovation dans les services et les applications de mobilité.

Collecte de données sur la protection de la vie privée

À mesure que la collecte de données sur le trafic deviendra plus complète et plus complète, les préoccupations en matière de protection de la vie privée deviendront de plus en plus importantes.

Des techniques telles que l'anonymat, l'agrégation et la confidentialité différentielle des données peuvent permettre une analyse utile du trafic tout en protégeant la vie privée individuelle.

Analyse du transport multimodal

La collecte traditionnelle de données sur le trafic a surtout porté sur les véhicules motorisés, mais une analyse exhaustive de la mobilité urbaine exige de comprendre tous les modes de transport, y compris la marche, le cyclisme, le transport en commun et les nouveaux modes, comme les e-cooters et le partage des trajets.

Les futurs systèmes de collecte de données permettront de mieux saisir les activités multimodales, ce qui permettra d'analyser les interactions entre les différents modes et de faire concurrence à un espace routier limité.

Études de cas et applications du monde réel

L'examen des applications réelles de la collecte de données sur le trafic et de l'analyse des congestions fournit des informations précieuses sur les défis pratiques et les stratégies efficaces.

Analyse de cartes de vitesse 3D d'Amsterdam

Dans cet article, nous avons mis en doute la régularité des schémas de mobilité au jour le jour au niveau macroscopique. L'analyse globale des données de vitesse des liaisons d'Amsterdam sur 35 jours montre un degré élevé de régularité lors de la comparaison des schémas de congestion quotidiens. Dans notre cas, quatre cartes de vitesse 3D consensuelles liées à quatre groupes de jours suffisent pour décrire la dynamique quotidienne du trafic à l'échelle de la ville.

Cette recherche démontre comment des techniques analytiques sophistiquées peuvent distiller des quantités massives de données de trafic en modèles simples et exploitables. La capacité de caractériser la dynamique de trafic d'une ville entière avec seulement quatre types de modèles a des implications importantes pour la prédiction et la gestion du trafic.

Analyse de l'indice de performance routière de Pékin

Le degré de congestion en 2021 augmente de 7,15 % en heures de pointe et diminue de 7,50 % en heures creuses par rapport à 2019 en raison de COVID-19. Cette constatation illustre comment les perturbations sociétales majeures peuvent fondamentalement modifier les habitudes de circulation et comment la collecte de données exhaustive permet de quantifier ces changements.

L'utilisation de cartes auto-organisées par l'étude de Beijing pour identifier des profils de congestion distincts selon les types de jour démontre la valeur des techniques d'apprentissage non supervisées pour découvrir la structure dans des données de trafic complexes.

L'approche d'apprentissage profond de Séoul

Nous avons élaboré des stratégies de trafic et réalisé une étude de cas à partir de données réelles de la ville de Séoul (Corée du Sud) pour évaluer leurs capacités à réduire la congestion de trafic récurrente.

La mise en œuvre de l'apprentissage profond de Séoul pour la prévision de la congestion montre comment des techniques informatiques avancées peuvent être appliquées à l'échelle de la ville pour soutenir la gestion proactive du trafic et les stratégies d'atténuation de la congestion côté de la demande.

Conclusion

La collecte de données sur le trafic et l'analyse des profils de congestion ont évolué de façon spectaculaire, passant de simples comptages manuels à des systèmes perfectionnés qui tirent parti de l'intelligence artificielle, des véhicules connectés et de flux de données massifs.

Les programmes efficaces de données sur le trafic combinent la sélection de technologies appropriées avec des objectifs clairs, une gestion de la qualité robuste, un personnel qualifié et un financement durable. L'intégration de multiples sources de données, depuis les capteurs fixes traditionnels jusqu'aux méthodes de détection émergentes, crée des capacités de surveillance plus complètes et plus résistantes que toute autre approche.

À mesure que les villes continuent de croître et que les systèmes de transport deviennent plus complexes, l'importance des données de qualité ne fera qu'augmenter. Les données tirées de l'analyse des données sur le trafic appuient les décisions critiques à plusieurs horizons temporels, des ajustements du calendrier des signaux en temps réel aux investissements à long terme en infrastructures, qui s'élèvent à des milliards de dollars.

En ce qui concerne l'avenir, la convergence des véhicules connectés, de l'intelligence artificielle et des plateformes de villes intelligentes promet des capacités encore plus grandes pour comprendre et gérer la mobilité urbaine.

Les professionnels des transports, les urbanistes et les décideurs qui investissent dans la mise en place de capacités solides de collecte et d'analyse des données sur le trafic permettent à leurs collectivités de prendre des décisions mieux informées, d'optimiser l'infrastructure existante et de créer des villes plus efficaces, durables et viables pour l'avenir.

Ressources supplémentaires

Pour ceux qui cherchent à approfondir leur compréhension de la collecte de données sur le trafic et de l'analyse de la congestion, de nombreuses ressources sont disponibles. Le Bureau fédéral d'administration de la route des opérations fournit des conseils détaillés sur les outils d'analyse du trafic et les méthodes de collecte de données.

Des organismes professionnels, dont l'Institut des ingénieurs en transport (ITE) et le Bureau de recherches sur les transports (BTR), offrent des programmes de formation, des conférences et des publications qui tiennent les praticiens au courant de l'évolution des pratiques exemplaires. Des plateformes en ligne comme Coursera et edX offrent des cours sur le génie des transports, la science des données et l'apprentissage automatique qui permettent de développer des compétences pertinentes pour l'analyse moderne du trafic.

Des plateformes comme GitHub accueillent de nombreux projets d'analyse du trafic, tandis que les villes publient de plus en plus de données sur le trafic via des portails de données ouverts, créant ainsi des opportunités de recherche et d'innovation.

En tirant parti de ces ressources et en restant engagés dans le domaine en évolution rapide de la collecte et de l'analyse des données sur le trafic, les professionnels du transport peuvent continuer à développer l'expertise nécessaire pour relever les défis de la mobilité auxquels sont confrontées les villes du monde entier.