Neighborhood selection and short-term forecasting methods for urban traffic analysis
Méthodes de sélection de voisinage et de prévision à court-terme pour l’analyse du trafic urbain
Résumé
In the context of Smart Cities, the need to inform drivers, to anticipate and to take action to regulate the traffic flow becomes critical. This need has driven the development of a large number of short-term (less than one hour) traffic flow forecasting methods. The era of big data has seen the rise in computing power, in storage capacity and in our ability to process information in real-time. At the same time, more and more road segments are equipped with traffic sensors. This evolution of technology is reflected in the evolution of traffic forecasting methods.
In this work, we explore multiple questions in order to improve the accuracy of forecasting models on traffic data. The first question deals with the spatio-temporal neighborhood : what information should we consider in order to predict the future activity on a sensor? The second question is about the choice of the best forecasting methods with respect to the nature of the network (urban, freeway) and the forecast horizon. The last question concerns the choice of the optimal temporal aggregation for the data and its impact on the forecasting accuracy. In order to investigate these questions, we have studied a large panel of forecasting methods (ARIMA, VAR, k-NN, SVR, neural networks) and two variable selection mechanisms (Lasso, TiGraMITe). This experimental study has been conducted on data from the urban network of Lyon and from urban freeway of Marseille.
Dans le contexte de la ville intelligente, le besoin d’informer, d’anticiper, et d’agir sur l’état du trafic sur le réseau devient crucial. Ce dernier est à l'origine du développement de nombreuses méthodes de prévision de trafic à court-terme (dans l'heure). À l'ère des données, on observe une augmentation de nos capacités à stocker et à traiter des données rapidement. Parallèlement, un nombre croissant de tronçons de route sont équipés de capteurs. Cette évolution technologique se reflète par une évolution des méthodes de prévision de trafic.
Dans ces travaux, nous explorons plusieurs problématiques afin d'améliorer les performances de prévision des modèles sur les données de trafic. La première question concerne le voisinage spatio-temporel : quelles données doit-on considérer pour prédire l’activité future observée par un capteur ? La deuxième question concerne le choix de la meilleure méthode de prévision en fonction du type de réseau (urbain, autoroute) et de l'horizon de prévision. Enfin, nous traitons de la question du choix optimal de la résolution temporelle des données, de son impact sur la prévision. Pour répondre à ces questions, nous avons étudié de nombreuses approches de prévision (ARIMA, VAR, k-NN, SVR, réseaux de neurones) et deux mécanismes de sélection de variables (Lasso, TiGraMITe). Cette étude expérimentale a été effectuée sur des données du réseau urbain de Lyon (fournie par la Métropole) et des données d'autoroute du réseau de Marseille.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...