Formation IA en analyse et optimisation du trafic

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 • Métriques de Trafic de Base et KPIs

Définit le volume, la vitesse, la densité et le retard comme indicateurs de performance primaires. Lie chaque métrique aux décisions opérationnelles du monde réel.

Leçon 3 • Sources de Données et Méthodes de Collecte

Examine les types de capteurs, les véhicules probes 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 les performances 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 de Données

Transforme les comptages bruts à haute fréquence en intervalles de temps appropriés pour 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 capteurs 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 retard et la longueur de file d'attente sous différents scénarios de demande.

Leçon 2 • Modèles Microscopiques et de Suivi de Véhicule

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

Leçon 3 • Calibration et Validation de Modèles

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

Leçon 4 • Théorie Macroscopique des Flux

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

Leçon 1 • Modèles de Prévision de Séries Temporelles

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

Leçon 2 • Évaluation et Sélection de Modèles

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

Leçon 3 • 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 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 d'importance des caractéristiques pour la sélection de variables de trafic.

Leçon 1 • Modèles Transformers dans la Prévision du Trafic

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

Leçon 2 • Réseaux Récurrents pour les Données Temporelles

Applique les architectures LSTM et GRU à la prédiction de séries temporelles de trafic séquentielles. Aborde les gradients évanescents et les compromis de longueur de séquence.

Leçon 3 • Réseaux de Neurones Graphiques pour les Réseaux Routiers

Modélise les réseaux routiers comme des 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 SHAP, la visualisation de l'attention et les cartes de saillance aux modèles de trafic profonds. Renforce la confiance des praticiens et prend en charge les exigences de transparence réglementaire.

Leçon 1 • Détection d'Objets pour les Véhicules

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

Leçon 2 • Algorithmes de Suivi Multi-Objets

Implémente les trackers SORT, DeepSORT et basés sur le filtre de Kalman pour suivre les véhicules à travers les images. Produit des données de trajectoire pour l'estimation de la vitesse et du débit.

Leçon 3 • Fondamentaux du Traitement d'Image

Couvre les étapes de prétraitement — réduction du bruit, amélioration du contraste et opérations morphologiques — appliquées à l'imagerie des 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 le début de la congestion à l'aide de l'analyse vidéo. Intègre les alertes dans les flux de travail du centre 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 le retard. Couvre la conception de l'espace d'états, la construction de la fonction de récompense et l'évaluation des politiques.

Leçon 2 • 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 base de référence par rapport à laquelle les méthodes d'IA sont évaluées.

Leçon 3 • Déploiement et Suivi des Performances

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

Leçon 4 • Coordination Multi-Agent dans les Réseaux

Étend le RL à intersection unique aux systèmes multi-agents coordonnés le long des corridors artériels. Aborde la communication, la progression de l'onde verte et 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 retards liés aux incidents. Couvre les outils d'aide à la décision pour les opérateurs.

Leçon 2 • Évaluation Stratégique des Performances

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 IA.

Leçon 3 • Prévision et Gestion de la Demande

Prévoit la demande origine-destination à l'aide de modèles de 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.