La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

EPFL LAVOC Vers un modèle proactif pour identifier des risques de trafic Minh-Hai PHAM Doctorant, EPFL-ENAC-LAVOC.

Présentations similaires


Présentation au sujet: "EPFL LAVOC Vers un modèle proactif pour identifier des risques de trafic Minh-Hai PHAM Doctorant, EPFL-ENAC-LAVOC."— Transcription de la présentation:

1 EPFL LAVOC Vers un modèle proactif pour identifier des risques de trafic Minh-Hai PHAM Doctorant, EPFL-ENAC-LAVOC

2 Contenu Motivation Objectives Champ détude Études précédentes Sites détude Méthodologie Résultats & Analyses Conclusions Perspectives

3 Motivation Accidents routières: – 1,2 million de personnes tuées par année dans le monde entier – 11e cause majeure de décès, 2,1% de tous les décès dans le monde Accidents autoroutières: – Sévères dus à la grande vitesse

4 Objectives Données de traficDonnées météorologiquesDonnées daccidents Modèles pour identifier des risques de trafic Données en temps réel Stratégie de gestion de trafic sensible aux risques

5 Champ détude Accidents induits par la circulation – Mauvaise coordination entre les conducteurs Conducteurs non informés des conditions en aval Mauvais comportements des groupes de conducteurs Sites détude potentiels – Sections d'autoroutes: planes, droites – Pas d'entrées/sorties – Pas déchangeurs Types daccidents – Accidents Non-DUI – Tamponnement (Frontal-Arrière)

6 Études précédentes D E F G H 5 minutes Part 1Part 2Part 3Part 4 Paramètres employés (moyennes & écart-types): -Vitesse -Volume -Occupation Inconvénients: -Données agrégées de 30 inflexibles -Sans effets météorologiques Temps Espace

7 Conditions en Suisse En janvier 2009, plus de 300 détecteurs à double boucles installés sur les autoroutes Disponibilité des données individuelles Stations météorologiques à proximité des détecteurs (MétéoSuisse/Boschung) Mais, distance élevée entre les détecteurs

8 Sites détude

9 Méthodologie Données brutes Situations de trafic Vecteurs dentrées Groupes Régimes de trafic Préparation de données Normalisation Transformation par ACP Regroupement par SOM Post-Regroupement Analyse de régimes de trafic Classification des situations pré-accidentelles Développement des modèles basés sur des régimes de trafic

10 Situations de trafic ParamètreVariableValiditéNote Moment du jourTimeDay2 voies Index de la période de 5 minutes pour une journée, de 1 à 288 Jour de la semaineWDay2 voieslundi (1) à dimanche(7) Nombre de véhiculesFlowChaque voiePour chaque période de 5 minutes Vitesse MoyenneASpeedChaque voieen km/h TIV moyenAHeadwayChaque voieen seconde OccupationOccupancyChaque voieen % Variation de vitesseVSpeedChaque voie Variation de TIVVHeadwayChaque voie Pourcentage de poids lourds%HeavyVehChaque voie Diff. de vitesse entre les deux voies Speed#2 voies Différence des vitesses moyennes entre la voie droite et la voie gauche (km/h) PrécipitationPrecipitation2 voies Diff. de vitesse par rapport à la situation précédente SpeedChangeChaque voieen km/h Diff. de débit par rapport à la situation précédente FlowChangeChaque voie

11 Vecteurs dentrées Normalisation – Mise à la même échelle des champs de données Transformation par ACP – Réduction de la dimension – Elimination des bruits aléatoires – Visualisation des données grâce aux composantes principales

12 Transformation par ACP

13

14 Regroupement entrées 6 dimensions Cartes Auto- organisatrice de 5x5

15 Post-regroupement Fusion des groupes similaires

16 Régimes de trafic Espace de deux premières composantes Diagramme fondamental: Vitesse-Débit pour voie droit

17 Situations pré-accidentelles Situations pré- accidentelles classées dans des régimes de trafic Situations normales Situations pré-accidenttelles Situations normales A B C D E F G H I J K L M N O

18 Modèles de régression logistique (1) Pour chaque régime de trafic, construction dun modèle de régression logistique: – Y=0 si TS est une situation normale – Y=1 si TS est une situation pré-accidentelle

19 Modèles de régression logistique (2) Données pour calibration: 80% Données pour validation: 20% Au niveau statistique, seulement les régimes C, D, J, L, et O sont représentatifs

20 Résultats pour régime D (1)

21 Résultats pour régime D (2) Régime de trafic Données pour calibration (erreurs)Données pour validation (erreurs) NormalPré-acc.NormalPré-acc. D4461 (0)37 (0)1115 (0)9 (1)

22 Facteurs importants

23 Résumé des résultats Régime de trafic Données pour calibration (erreurs)Données pour validation (erreurs) NormalPré-acc.NormalPré-acc. C (0)510 (0)26573 (1)128 (1) D4461 (0)37 (0)1115 (0)9 (1) J6961 (0)22 (0)1740 (0)6 (0) L92352 (0)154 (0)32312 (0)38 (2) O8239 (0)58 (0)2060 (0)14 (0)

24 Conclusions (1) Processus de développement comprend deux étapes: – Définition des régimes de trafic – Construction des modèles de régression logistique Les facteurs importants: – Occupation – TIV moyen – Écart-type de vitesse – Précipitation

25 Conclusions (2) Bonne performance des modèles de régression logistique: – Taux de détection élevé (reconnaissance du risque) – Taux de fausse détection faible (normale->pré- accidentelle)

26 Perspectives Plus dinformations météorologiques lors de la définition des situations de trafic Test avec autres sites en Suisse – Test de robustesse du modèle Test avec intervalle dagrégation plus courte – Plus vite le risque est identifié, plus tôt la décision peut être prise Considération de lévolution des régimes avant les accidents

27 Merci de votre attention


Télécharger ppt "EPFL LAVOC Vers un modèle proactif pour identifier des risques de trafic Minh-Hai PHAM Doctorant, EPFL-ENAC-LAVOC."

Présentations similaires


Annonces Google