Prediction of mobility data with prior on the topography of an infrastructure of a road network

Complétion par construction de données de mobilité avec a priori sur la topographie et infrastructure du réseau routier L'évolution de l'acquisition de données de mobilité s'est étendue, passant de la dépendance exclusive à des capteurs fixes sur les routes à des méthodes plus accessibles grâce aux applications mobiles. Initialement, la collecte de données reposait sur des capteurs placés à des emplacements fixes le long des routes, qui ne capturaient des informations que lorsque des véhicules passaient à proximité ou à des moments spécifiques. Cependant, la technologie moderne a révolutionné l'acquisition de données, avec des applications permettant la récupération des données GPS, OBD et CAN. Alors que les données OBD et CAN nécessitent des dispositifs connectés aux véhicules, ajoutant de la complexité au processus de collecte, les données GPS peuvent être facilement collectées via des appareils intelligents comme les téléphones et les tablettes, ce qui en fait une source de données facilement accessible. Ces données jouent un rôle crucial dans l'avancement des systèmes de circulation intelligents en alimentant les initiatives de recherche sur le trafic. Couplées à des algorithmes sophistiqués, les données de mobilité peuvent fournir des informations précieuses telles que la dynamique des flux de trafic, les profils de vitesse des itinéraires ou des rues, la consommation moyenne de carburant et les émissions de pollution des véhicules. Ainsi, elles constituent un outil vital pour améliorer l'efficacité et la durabilité des transports. Cependant, comme tout dispositif de capture de signaux, l'utilisation d'une application mobile pour l'acquisition de données comporte ses propres défis. Un facteur critique pour ces méthodes de collecte de données est la présence d'utilisateurs actifs dans la région analysée. Des études ont montré que les ensembles de données résultants peuvent présenter une couverture territoriale hétérogène, se concentrant souvent principalement sur les grandes zones métropolitaines d'un pays. Par conséquent, cette couverture limitée pose des défis pour atteindre la représentativité des données, entravant ainsi les efforts de recherche en cours visant à améliorer les systèmes de trafic ou à réduire les émissions de pollution dans les régions. Pour relever ce défi, cette thèse propose une approche novatrice pour approximer les données de vitesse à partir de données de mobilité préenregistrées. Nous émettons l'hypothèse qu'il existe une relation entre la topographie des routes et les données de mobilité générées. Par conséquent, lorsqu'une région A présente des informations manquantes, nous proposons d'exploiter les données d'une région B ayant des caractéristiques infrastructurelles similaires et des données enregistrées dans la base de données pour approximer les données de mobilité pour la région A. Tout au long de cette thèse, nous avons développé des méthodes pour prédire les données manquantes sur des trajets prédéfinis en exploitant les caractéristiques topographiques et infrastructurelles. Ces méthodes tirent parti des informations obtenues à partir de la topographie des routes et de l'infrastructure pour approximer les valeurs des points de données de vitesse, améliorant ainsi l'exhaustivité et l'exactitude des ensembles de données. Nos résultats démontrent des améliorations significatives, tant qualitativement que quantitativement, par rapport aux approches d'analyse de régression standard. De plus, le cadre proposé offre des perspectives pour concevoir de nouvelles approches d'analyse du trafic, apportant un éclairage nouveau sur les avancées potentielles dans ce domaine