| Titre : | La prédiction de flux de trafic par l’apprentissage profond hyper paramétrés dans les réseaux véhicules |
| Auteurs : | Wissal Tebib, Auteur ; Salim Bitam, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (108 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Résumé : |
La congestion du trafic est l’un des plus grands problèmes auxquels le monde est confronté aujourd’hui, car elle menace la sécurité routière et donc les inconvénients pour les usagers de la route. Par conséquent, les problèmes croissants et le développement du monde des transports ont conduit au développement du système de transport intelligent, et l’un des éléments efficaces dans ce système pour améliorer le trafic est la prévision du trafic routier . Faciliter les citoyens avec des prévisions de trafic précises augmente leur confort et leur sé- curité sur la route, car la précision des prévisions de trafic réside dans l’optimisation ou le réglage des hyperparamètres ce qui joue un rôle majeur dans l’amélioration des performances de prévision. Pour cela nous travaillerons dans ce mémoire de master sur l’optimisation d’un hyperparamètre dans le modèle ConvLSTM2D-Bi proposé précédemment. Où on va optimisé l’hyperparamètre la taille du lot (Batch size) avec la méthode de la recherche par grille(Grid Search) qui fonctionne pour tester les performances d’un ensemble de valeurs proposées, puis choisir la meilleure valeur qui donne les meilleures performances. Concernant le modèle proposé, il est basé sur un réseau de neurones récurrents à une mémoire convolutive à long-court terme (ConvLSTM2D) comme un encodeur afin dextraire les informations spatio-temporelles sur le flux du trafic et un LSTM bidirectionnel (Bi-LSTM) comme un décodeur pour analyser les données historiques de flux de trafic pour obtenir la caractéristique de périodicité de flux de trafic. Dans ce travail, on utilise la base de données de Transport for Grand Manchester (TfGM) pour un ensemble d’expérimentation, il s’agit de montrer l’effet des hyperparamètres sur les performances de prédiction. Après une série d’expérimentations, les résultats obtenus ont été 20 satisfaisants en termes de métriques d’évaluation à savoir les métriques : la racine de lerreur quadratique moyenne (RMSE) ,erreur absolue moyenne (MAE) et le carré R (R2). Les mots clés : Système de transport intelligent, prédiction de flux de trafic, LSTM (Mémoire à long-court terme),la recherche par grille |
| Sommaire : |
Table des matières Résumé 2 Abstract 4 Remerciements 7 Dédicace 9 Introduction générale 20 1 Prédiction de flux de trafic routier 23 1.1 Introduction . 23 1.2 Réseaux de véhicules, ITS 23 1.3 Normes relatives aux réseaux véhiculaires 28 1.3.1 DSRC/WAVE 28 1.3.2 SAE J2735 29 1.4 Prédiction le flux de trafic pour l’amélioration de la sécurité routière 29 1.5 Apprentissage automatique 30 1.5.1 Les types d’apprentissage automatique31 1.5.1.1 L’apprentissage supervisé 31 1.5.1.2 L’apprentissage non supervisé32 1.5.1.3 L’apprentissage par renforcement 32 1.6 Conclusion 32 110 TABLE DES MATIÈRES 2 Les modèles à base d’apprentissage pour la prédiction de flux de trafic : état de l’art 34 2.1 Introduction 34 2.2 L’apprentissage profond pour la prédiction de flux de trafic routier 35 2.2.1 les réseaux de neurones récurrents (RNN) 36 2.2.2 Mémoire à long terme et à court terme (LSTM) 37 2.2.3 Unité récurrente à porte (GRU)39 2.3 les modèles de réglage des hyperparamètres 41 2.3.1 Apprentissage efficace des Hyperparamètres en ligne pour la prédiction des flux de trafic [27]. 41 2.3.1.1 Principe 41 2.3.1.2 Discussion 41 2.3.2 Prédiction intelligente de flux de trafic à l’aide du modèle GRU optimisé [13] . 42 2.3.2.1 Principe . 42 2.3.2.2 Discussion . 43 2.3.3 Un modèle d’apprentissage profond automatisé basé sur la recherche d’hyperparamètres pour la prévision du trafic routier [25]. 44 2.3.3.1 Principe 44 2.3.3.2 Discussion 46 2.3.4 Modèle de prédiction des flux de trafic basé sur le réseau de croyances et l’algorithme génétique[28] 47 2.3.4.1 Principe :47 2.3.4.2 Discussion 48 2.4 Conclusion 49 3 Conception du système de prédiction hyper paramétrée de flux de trafic 50 3.1 Introduction .. 50 3.2 La conception du système 50 3.2.1 La conception générale 51 120 TABLE DES MATIÈRES 3.2.2 Conception détaillée 51 3.2.3 Identification de l’ensemble de données 52 3.2.4 Découpage et analyse de la base de donnée 55 3.2.4.1 Découpage du dataset 55 3.2.4.2 Analyse du dataset 57 3.2.5 Pré-traitement et sélection les caractéristiques 57 3.2.5.1 le Pré-traitement du base de donnée 57 3.2.5.2 Sélection des caractéristiques . 59 3.2.6 La méthode de recherche par grille (Grid Search)9 3.2.7 Entraînement du modèle 60 3.2.7.1 Modélisation : 60 3.2.7.2 Entraînement 62 3.2.8 Test et évaluation du modèle 62 3.2.8.1 Walk-Forward validation 62 3.2.8.2 la racine de lerreur quadratique moyenne(RMSE)63 3.2.8.3 Erreur absolue moyenne (MAE)63 3.2.8.4 le carré r (R2) 64 3.2.9 Résultat de prédiction 64 3.3 Conclusion 64 titre de la subsubsection 65 titre de la subsubsubsection65 4 Etude expérimentale et résultats 65 4.1 Introduction 65 4.2 outils et langage de développement . 65 4.2.1 outils et matériel 65 4.2.2 Outils logiciel 66 4.2.2.1 Plateform : 66 4.2.2.2 Langage de programmation 67 4.2.2.3 Bibliothèques 67 130 TABLE DES MATIÈRES 4.3 Implémentation . 68 4.3.1 Identification de l’ensemble de données (dataset69 4.3.2 Découpage du dataset 69 4.3.3 Pré-traitement et sélection des caractéristiques 71 4.3.3.1 Pré-traitment du dataset : 71 4.3.3.2 Sélection des caractéristiques 73 4.3.4 La méthode de la recherche par grille (Grid Search )73 4.3.5 Entraînement du modèle 75 4.3.5.1 Construire le modèle ConvLSTM2d-Bi75 4.3.5.2 Les hyperparamètres 76 4.3.5.3 Entraînement77 4.3.6 Test et évaluation du modèle 78 4.3.6.1 Test du modèle : 78 4.3.6.2 L’évaluation du modèle 79 4.4 Expérimentations et discussion les résultats obtenus 4.4.1 Expérimentations . 82 4.4.1.1 Expérimentation 1 : 83 4.4.1.1.1 Résultats obtenus 83 4.4.1.2 Expérimentation2 84 4.4.1.2.1 Résultats obtenus : 84 4.4.1.3 Expérimentation 3 86 4.4.1.3.1 Résultats obtenus : 86 4.4.1.4 Expérimentation 4 :88 4.4.1.4.1 Résultats obtenus 88 4.4.1.5 Expérimentation 5 90 4.4.1.5.1 Résultats obtenus : 90 4.4.1.6 Expérimentation 6 : 92 4.4.1.6.1 Résultats obtenus : 92 4.4.1.7 Expérimentation 7 : 94 4.4.1.7.1 Résultats obtenus :94 140 TABLE DES MATIÈRES 4.4.1.8 Expérimentation 8 : 96 4.4.1.8.1 Résultats obtenus :96 4.4.1.9 Expérimentation 9 : 98 4.4.1.9.1 Résultats obtenus : 98 4.4.1.10 Expérimentation 10 : 100 4.4.1.10.1 Résultats obtenus 100 4.4.2 Discussion des résultats obtenus : 102 4.5 Conclusion 105 Conclusion générale 106 Bibliographie 108 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/765 | Mémoire master | bibliothèque sciences exactes | Consultable |
