Apprentissage automatique pour l’estimation multimodale de l’état du trafic à partir des données de boucles de comptage et de la corrélation spatio-temporelle

Le développement rapide des techniques de collecte de données a ouvert de nouvelles perspectives pour la modélisation des états du trafic à partir de méthodes fondées sur les données. Cependant, la majorité des travaux existants s’appuie sur des indicateurs au niveau du tronçon ou du point, qui sont coûteux en données, sensibles aux procédures de map-matching et difficiles à généraliser à des réseaux de grande taille. Cette thèse s’attaque à ces défis en proposant un modèle area-based pour l’estimation des états de trafic, en mettant l’accent sur l’exploitation des données de boucles de comptage, largement disponibles, et en étendant la méthodologie à l’analyse des retards dans les réseaux de transport public. La recherche est guidée par quatre questions principales : (i) comment définir et estimer systématiquement la vitesse du trafic à un niveau régional agrégé ? (ii) quelles sont les forces et limites respectives des données issues des boucles de comptage par rapport aux données issues des véhicules traceurs, et dans quelle mesure les seules données de boucles peuvent-elles atteindre une précision comparable ? (iii) comment modéliser efficacement les dépendances spatio-temporelles afin d’améliorer l’exactitude de l’estimation au niveau régional ? et (iv) comment la surveillance à grande échelle des opérations de transport public peut être réalisée dans le cadre méthodologique proposé ? Sur le plan méthodologique, la thèse développe un encodeur spatio-temporel combinant des réseaux de neurones convolutifs de graphes (Graph Convolutional Networks, GCN) et des unités récurrentes à portes (Gated Recurrent Units, GRU) afin de capturer la connectivité spatiale entre régions et les dynamiques temporelles internes. Les variables encodées sont ensuite utilisées dans un modèle de régression par forêts aléatoires (Random Forest, RF) pour estimer la vitesse moyenne régionale. Le modèle proposé est évalué à l’aide de jeux de données hétérogènes provenant de Munich (Allemagne), Athènes (Grèce) et Lyon (France), incluant des données de boucles de comptage, des trajectoires GPS de véhicules traceurs et des données d’exploitation des transports publics. Les études de cas empiriques montrent que les données de boucles, lorsqu’elles sont interprétées via un encodage spatial et temporel, peuvent atteindre une précision comparable à celle des données de véhicules traceurs, avec une acuité d’environ 90% dans l’estimation des vitesses régionales moyennes. Les analyses multi-villes confirment la robustesse et la transférabilité de l’approche, tout en mettant en évidence la sensibilité des performances à la sélection des variables et à l’échelle d’agrégation spatiale. Dans le contexte du transport public, la thèse montre que l’agrégation régionale ne permet pas de saisir la dynamique temporelle des retards de bus, ce qui conduit à une faible capacité explicative et prédictive au niveau de la cellule. Pour pallier cette limite, la thèse introduit le concept de trigger stops, où les retards sont systématiquement générés puis propagés le long de la ligne. Bien que la précision absolue de l’estimation des retards aux trigger stops reste modeste, les données de boucles se révèlent être une source complémentaire et évolutive précieuse pour l’estimation des retards de bus. Les contributions de cette thèse peuvent être résumées en quatre aspects : (i) le développement d’un nouveau cadre méthodologique pour l’estimation des vitesses à l’échelle d’un réseau urbain de grande taille ; (ii) une validation empirique sur plusieurs villes européennes ; (iii) l’application à l’analyse des retards dans les transports publics via le concept de trigger stops ; et (iv) la vérification que les données de boucles, lorsqu’elles sont combinées à un minimum d’informations complémentaires, peuvent soutenir des approches évolutives et rentables pour l’estimation des états de trafic à l’échelle du réseau