| Titre : | Une approche basée réseaux de capteurs pour l’internet des objets au smart city |
| Auteurs : | Djazia Zeroual, Auteur ; Okba Kazar, Directeur de thèse |
| Type de document : | Thése doctorat |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2025 |
| Format : | ill., couv. ill. en coul / 30 cm |
| Langues: | Français |
| Langues originales: | Français |
| Résumé : | Les technologies émergentes telles que les technologies de l'information et de la communication (TIC), l'intelligence artificielle (IA) et l'Internet des objets (IoT) ont une influence considérable sur le développement des villes intelligentes, ce qui améliore la vie quotidienne des résidents. Le système de transport intelligent (ITS) est l'une des principales exigences d'une ville intelligente. L'application de la technologie d'apprentissage automatique (ML) dans le développement de système d'assistance à la conduite a amélioré la sécurité et le confort de l'expérience du voyage sur la route. Dans ce travail, nous proposons le développement d'un système de conduite intelligent pour la prédiction des risques d'accident routier qui peut extraire les informations nécessaires au maximum pour alerter le conducteur afin d'éviter les situations risquées pouvant causer des accidents de la route. Les solutions actuellement acceptables d'Internet des véhicules (IOV) reposent fortement sur le cloud, car il dispose d'un stockage et d'une puissance de traitement pratiquement illimitée. Cependant, le problème de déconnexion d’Internet et le temps de réponse limitent son utilisation. Dans ce cas, le concept de calcul en périphérie des véhicules (V.Edge.C) peut surmonter ces limitations en exploitant les capacités de traitement et de stockage de ressources simples situées plus près de l'utilisateur final, telles que les véhicules ou les infrastructures routières. Dans cette thèse, nous proposons un système d'assistance à la conduite intelligent et collaboratif (ICEDAS) basé sur l'apprentissage automatique pour prédire les risques d'accident de la circulation. Le système proposé se compose de deux modèles, Cloud_DRL et V.Edge_DL, chacun complétant l'autre. Ensemble, ces modèles travaillent à améliorer l'efficacité et la précision de la prédiction et de la prévention des accidents. Les résultats obtenus montrent que notre système est efficace et peut aider à réduire les accidents de la route et à sauver des milliers de vies de citoyens. |
| Sommaire : |
Contents
Abstract .. i Résumé .. ii List of Figures .. List of Tables ......... viii List of abbreviations .... ix General introduction 1. Context ............. 1 2. Problem statements ...... 2 3. Contributions ..... 3 4. Thesis Structure .... 4 Chapter (1): Preliminaries and Basic Concepts 1.1. Introduction ..... 6 1.2. Machine Learning ... 6 1.2.1. Supervised Learning ..... 7 1.2.2. Unsupervised Learning . 12 1.2.3. Reinforcement learning .... 13 1.3. Deep Learning ... 14 1.3.1. Convolutional Neural Networks (CNN) ... 16 1.3.2. Recurrent Neural Networks (RNN) ..... 18 1.3.3. Long Short-Term Memory ........ 18 1.3.4. Auto-Encoder ......... 19 1.4. Deep Reinforcement Learning..... 20 1.4.1. What is reinforcement learning? ... 21 1.4.2. Markov Decision Process (MDP) .... 22 1.4.3. Q-Learning ......... 24 1.4.4. Deep Q-Network (DQN) ........ 25 1.5. Wireless Sensor Networks ...... 28 1.5.1. What is a WSN? ......... 28 1.5.2 WSN applications .... 29 1.5.3 WSNs for Road Safety applications ... 30 1.5.4 Challenges in Wireless Sensor Networks ... 31 .5.5 WSNs and IOT in a smart city ....... 31 1.5.6 WSNs and ML ......... 32 1.6 Internet Of Vehicles (IOV) ........... 33 1.6.1 IOV’s Definition ............. 34 1.6.2 Communication architectures of IOV ………………………………………………………………………………..….36 1.6.3 IOV-layered architecture .......... 36 1.6.4 Challenges in IoV .... 38 1.6.5 IOV Applications ... 38 1.7 Cloud -Fog And Edge Computing ......... 39 1.7.1 Cloud computing: ....... 40 1.7.2 Fog computing .............. 43 1.7.3 Edge computing .......... 44 1.7.4 From Cloud Computing To Fog And Edge Computing .................. 47 1.7.5 Cloud-edge computing for the Internet of Vehicles (IoV) ...... 47 1.8 Conclusion .48 Chapter (2): AI in accident risk prediction- State of the art ... 49 2.1 Introduction .... 49 2.2 Traffic Accident risk Prediction Using Classical Techniques ................................ 49 2.3 Deep Learning For Traffic Accident Prediction ........... 55 2.4 Deep Reinforcement Learning for Traffic Safety ................................................. 62 2.5 Conclusion ......65 Chapter (3): Collaborative Cloud.DRL - V. Edge.DL approach for Predicting Traffic Accident Risk 3.1 Introduction ........ 67 3.2 Proposed System Architecture ...... 67 3.2.1 Cloud Layer ....... 67 3.2.2 V.Edge Layer...... 68 3.3 Cloud_DRL For Accident Risk Prediction ..... 69 3.3.1 Scenarios ........ 69 3.3.2 Key Elements of Cloud _DRL ....... 70 3.3.3 Deep Q-Network (DQN) .......... 72 3.4 V.Edge_Deep Learning For Accident Risk Prediction....... 75 3.4.1 Data Collection at the Edge ...... 76 3.4.2 Cloud Processing and Training .......... 76 3.4.3 Model Deployment to the Edge (Vehicle) ...... 77 3.5 Collaboration V.Edge_DL / Cloud _DRL ............... 77 3.5.1 V2C (V.Edge-Cloud) ......... 78 3.5.2 V2V (V.Edge-V.Edge) ......... 79 3.6 Conclusion ...... 80 Chapter (4): Experiments and results 4.1 Introduction ....... 81 4.2 Data Selection ......... 82 4.3 Programming Language, Libraries And Used Environment .................................. 82 4.4 Data Pre-Processing .... 84 4.4.1 Data Loading .... 84 4.4.2 Data Cleaning ..... 84 4.4.3 Data Scaling ... 84 4.4.4 Handling Class Imbalance .. 85 4.5 Exploratory Data Analysis (EDA) ..... 85 4.5.1 Accident Distribution Across human factors ....... 87 4.5.2 Accident Distribution Across Environmental Conditions ....... 88 4.5.3 Accident Distribution Across Time .... 89 4.6 Feature Importance ..... 91 4.7 Evaluation Metrics ....... 94 4.8 Results And Discussion ....... 95 4.8.1 Data Splitting .... 95 4.8.2 Cloud_DRL Vs V.Edge_Dl learning curves ....... 96 4.8.3 Performance comparison ......... 99 4.8.4 Cloud-Edge Collaboration: A Flask-Based implementation ……………………… .. 102 4.8.5 Cloud_DRL – V.Edge_DL collaboration ........ 104 4.8.6 Discussion .... 104 4.9 Conclusion .......... 106 General Conclusion 1. Summary .......... 107 2. Perspective ... 108 |
| Type de document : | Thése doctorat |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TINF/203 | Théses de doctorat | bibliothèque sciences exactes | Consultable |
