Thèse soutenue

Arbres de régression et réseaux de neurones appliqués à la prévision de trafic routier
FR
Accès à la thèse
Auteur / Autrice : Thierry Dochy
Direction : Edwin Diday
Type : Thèse de doctorat
Discipline(s) : Mathématiques Appliquées à l'Ingénierie du trafic routier
Date : Soutenance en 1995
Etablissement(s) : Paris 9

Mots clés

FR

Mots clés contrôlés

Résumé

FR

Cette thèse traite de la prévision à court terme du trafic routier. Elle rassemble les résultats de recherche visant à fournir aux éventuels utilisateurs une panoplie d'outils permettant de réaliser une prévision efficace et rapide, pour laquelle le paramétrage (calibrage) aura été simplifié. Ces travaux débutent par une présentation générale des concepts liés à la prévision et aux particularités du trafic routier. Autour d'un traitement basé sur la segmentation et la régression, diverses approches réalisant des traitements locaux sont étudiées. Ceci a débouché sur une version d'arbres de régression sélectifs intégrant une segmentation étendue et une régression sélective, et sur une approche régression discriminante généralisant la structuration et la régression dans un contexte prévisionnel. A l'inverse, à l'aide des réseaux de neurones, le processus de traitement est simplifié. En effet, les réseaux ne nécessitent aucun prétraitement de segmentation, ce qui contribue à réaliser un traitement global, qui se révèlera très efficace au niveau des applications. Ce travail propose quelques perspectives au niveau des arbres permettant de réaliser des segmentations plus homogènes, et de tenir compte de la particularité des individus. Les perspectives liées aux réseaux de neurones sont orientées soit vers un traitement par série temporel encore plus global, ou à l'opposé sur l'adoption d'un traitement local par une combinaison des approches arborescentes et neuronales en un arbre de prédiction sensé accroitre l'efficacité générale sans compliquer le calibrage. Les approches issues de ces recherches, sont ensuite évaluées sur des données trafic. De ces applications, il ressort que les réseaux présentent un fort potentiel de prédiction, qui peut être accru par le biais d'un traitement local à l'aide d'arbres de prédiction neuronale.