Formation en analyse et optimisation du trafic par IA

Leçon 1 • Introduction aux formats de données de trafic

Couvre les formats de fichiers courants, les schémas et les conventions d'horodatage utilisés dans les ensembles de données de trafic. Permet aux étudiants de charger et d'inspecter les données par programmation.

Leçon 2 • Mesures de trafic de base et indicateurs clés de rendement

Définit le volume, la vitesse, la densité et le délai comme indicateurs de rendement principaux. Relie chaque mesure à des décisions opérationnelles concrètes.

Leçon 3 • Sources de données et méthodes de collecte

Passe en revue les types de capteurs, les véhicules sondes et les comptages manuels comme sources de données. Prépare les étudiants à évaluer la qualité des données avant l'analyse.

Leçon 1 • Ingénierie des caractéristiques pour les données de trafic

Crée des variables dérivées telles que les ratios de vitesse, les indices de congestion et les caractéristiques de décalage. Enrichit les ensembles de données pour améliorer le rendement des modèles en aval.

Leçon 2 • Fusion et intégration de données

Fusionne des sources hétérogènes (capteurs, GPS et journaux d'incidents) en ensembles de données unifiés. Résout les conflits d'alignement spatial et temporel entre les sources.

Leçon 3 • Agrégation et rééchantillonnage des données

Transforme les décomptes bruts à haute fréquence en intervalles de temps adaptés à l'analyse. Prend en charge les études multi-résolutions, des secondes aux résumés quotidiens.

Leçon 4 • Gestion des données manquantes et erronées

Identifie les causes des lectures manquantes et des défauts de capteur dans les données de trafic. Applique des stratégies d'imputation et de filtrage pour restaurer l'intégrité de l'ensemble de données.

Leçon 1 • Théorie des files d'attente dans les contextes de trafic

Applique des modèles de taux d'arrivée et de service aux intersections et aux goulots d'étranglement. Quantifie le délai et la longueur de la file d'attente sous divers scénarios de demande.

Leçon 2 • Modèles microscopiques et de suivi de véhicule

Examine le comportement individuel des véhicules à travers les règles d'espacement, de temps de réaction et d'accélération. Fait le lien entre la dynamique au niveau microscopique et les résultats au niveau du réseau.

Leçon 3 • Calibrage et validation des modèles

Établit des méthodes pour ajuster les paramètres du modèle aux données observées et tester la précision prédictive. Assure la fiabilité des modèles avant l'intégration de l'IA.

Leçon 4 • Théorie macroscopique du flux

Couvre le diagramme fondamental et les équations de conservation régissant le flux de trafic agrégé. Fournit la base théorique pour l'analyse comparative des modèles d'IA.

Leçon 1 • Modèles de prévision de séries temporelles

Couvre les modèles ARIMA, le lissage exponentiel et les approches hybrides pour la prédiction du trafic à court terme. Traite de la saisonnalité et de la non-stationnarité courantes dans les données de trafic.

Leçon 2 • Évaluation et sélection des modèles

Définit les mesures d'erreur spécifiques au trafic et les protocoles de comparaison des modèles. Guide la sélection du meilleur modèle pour le déploiement en fonction des exigences opérationnelles.

Leçon 3 • Principes fondamentaux de l'apprentissage supervisé

Passe en revue les cadres de régression et de classification appliqués aux tâches de prédiction du trafic. Établit le flux de travail d'entraînement-validation-test utilisé tout au long du chapitre.

Leçon 4 • Méthodes basées sur les arbres et les ensembles

Applique le gradient boosting et les forêts aléatoires à la prédiction de la vitesse et du volume. Démontre l'extraction de l'importance des caractéristiques pour la sélection des variables de trafic.

Leçon 1 • Modèles Transformer dans la prévision du trafic

Adapte les mécanismes d'auto-attention à la modélisation des dépendances de trafic à longue portée. Compare la performance des Transformers par rapport aux références récurrentes.

Leçon 2 • Réseaux récurrents pour les données temporelles

Applique les architectures LSTM et GRU à la prédiction séquentielle de séries temporelles de trafic. Traite des gradients disparaissants et des compromis de longueur de séquence.

Leçon 3 • Réseaux de neurones graphiques pour les réseaux routiers

Modélise les réseaux routiers sous forme de graphes et applique des couches GCN et GAT pour capturer les dépendances spatiales. Permet une prédiction simultanée à l'échelle du réseau.

Leçon 4 • Interprétabilité et explicabilité des modèles

Applique les valeurs SHAP, la visualisation de l'attention et les cartes de saillance aux modèles de trafic profonds. Renforce la confiance des praticiens et soutient les exigences de transparence réglementaire.

Leçon 1 • Détection d'objets pour les véhicules

Entraîne et déploie des modèles YOLO et Faster R-CNN pour détecter les véhicules dans les scènes de trafic. Évalue la précision de la détection sous diverses conditions d'éclairage et d'occlusion.

Leçon 2 • Algorithmes de suivi multi-objets

Implémente les traqueurs SORT, DeepSORT et basés sur le filtre de Kalman pour suivre les véhicules d'une image à l'autre. Produit des données de trajectoire pour l'estimation de la vitesse et du débit.

Leçon 3 • Principes fondamentaux du traitement d'images

Couvre les étapes de prétraitement (réduction du bruit, amélioration du contraste et opérations morphologiques) appliquées aux images de caméras de trafic.

Leçon 4 • Détection d'incidents et d'événements à partir de vidéos

Détecte les véhicules à l'arrêt, la conduite en sens inverse et l'apparition de la congestion à l'aide d'analytique vidéo. Intègre les alertes dans les flux de travail des centres de gestion du trafic.

Leçon 1 • Apprentissage par renforcement pour le contrôle des feux

Formule le contrôle des intersections comme un processus de décision markovien et entraîne des agents RL pour minimiser les délais. Couvre la conception de l'espace d'états, la formulation des récompenses et l'évaluation des politiques.

Leçon 2 • Principes fondamentaux du contrôle des feux

Passe en revue les stratégies de contrôle des feux à temps fixe, actionné et adaptatif, ainsi que leurs compromis de performance. Établit la référence par rapport à laquelle les méthodes d'IA sont évaluées.

Leçon 3 • Déploiement et suivi de la performance

Couvre les procédures de déploiement sur le terrain, les protocoles de test A/B et le suivi continu de la performance pour les systèmes d'IA de feux en direct.

Leçon 4 • Coordination multi-agents dans les réseaux

Étend l'apprentissage par renforcement à une seule intersection à des systèmes multi-agents coordonnés le long des corridors artériels. Traite de la communication, de la progression des ondes vertes et de la résolution de conflits.

Leçon 1 • Gestion et réponse aux incidents

Intègre la détection par IA, la prédiction d'impact et le réacheminement automatisé pour minimiser les délais liés aux incidents. Couvre les outils d'aide à la décision pour les opérateurs.

Leçon 2 • Évaluation stratégique de la performance

Définit les KPI au niveau du réseau, les cadres de comparaison de scénarios et les protocoles de suivi à long terme pour les systèmes de trafic basés sur l'IA.

Leçon 3 • Prédiction et gestion de la demande

Prédit la demande origine-destination à l'aide de modèles ML et applique des stratégies de gestion de la demande pour réduire la congestion aux heures de pointe.

Leçon 4 • Coordination du réseau multimodal

Optimise les interactions entre les modes routier, de transport en commun et de transport actif à l'aide de plateformes de données partagées. Améliore la mobilité à l'échelle du système et réduit la demande de véhicules à occupation unique.