[go: up one dir, main page]

EP3996064A1 - Procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier - Google Patents

Procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier Download PDF

Info

Publication number
EP3996064A1
EP3996064A1 EP21205861.4A EP21205861A EP3996064A1 EP 3996064 A1 EP3996064 A1 EP 3996064A1 EP 21205861 A EP21205861 A EP 21205861A EP 3996064 A1 EP3996064 A1 EP 3996064A1
Authority
EP
European Patent Office
Prior art keywords
vehicle
road
passages
measurements
determined
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
EP21205861.4A
Other languages
German (de)
English (en)
Other versions
EP3996064B1 (fr
Inventor
Maxime JEAN
William BENG
Alexandre Chasse
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Publication of EP3996064A1 publication Critical patent/EP3996064A1/fr
Application granted granted Critical
Publication of EP3996064B1 publication Critical patent/EP3996064B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Definitions

  • the present invention relates to the field of determining information relating to vehicle traffic for a road network.
  • the invention relates to a method for determining a number of vehicle passages on at least one road portion of a road network.
  • the document: " STUDY ON DATA FUSION MODEL WITH MULTI-SOURCE HETEROGENEOUS TRAFFIC DATA, Feng-cui QIU, En-jian YAO, Yang YANG, Xin LI, Yi ZHANG, ICTIS 2011, ASCE 2011 relates to the fusion of data from traffic sensor, vehicle data and license plate data to determine an estimate of the speed of movement by means of a method implementing a neural network. Such a method does not make it possible to determine the number of vehicle passages on a portion of a road network. Moreover, this method is a one-dimensional method and is not suitable for a two-dimensional space or for a graph representing the road network.
  • Gaussian Process Decentralized Data Fusion and Active Sensing for Spatiotemporal Traffic Modeling and Prediction in Mobility-on-Demand Systems Jie Chen, Kian Hsiang Low, Yujian Yao, and Patrick Jaillet, IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING, VOL. 12, NO. 3, JULY 2015 » relates to a method for determining the speed implementing data fusions between vehicles, and does not take into account data from fixed sensors. This method does not therefore does not allow taking into account precise point measurements. Moreover, this method does not concern the determination of the number of vehicle passages on a portion of the road network.
  • the patent US5812069 relates to a method and a system for forecasting traffic flows. This method is based on a fusion of data from a fleet of vehicles to anticipate congestion. This method therefore does not make it possible to determine the number of vehicle passages on a portion of the road network.
  • the object of the invention is to determine in an accurate and robust manner, and without significant cost, the number of vehicle passages on the roads of a road network.
  • the present invention relates to a method for determining a number of vehicle passages on at least one road portion of a road network, in which measurements are carried out by fixed sensors and measurements by geolocation.
  • a spatialized scalar field is determined.
  • the number of vehicle passages is determined by means of the determined spatialized scalar field (which depends in particular on the measurements by fixed sensors) and on the measurements by geolocation.
  • the method according to the invention makes it possible to take into account the two types of measurements to obtain an accurate and robust number of vehicle passages.
  • the spatialized scalar field ensures the robustness of the method.
  • said spatial scalar field is determined by determining a spatialized normalization factor, and said number of vehicle passages is determined on said at least one portion of road of said road network by means of said second number of passages of vehicles and said spatialized normalization factor.
  • said spatial scalar field is a stochastic scalar field.
  • said spatial scalar field is implemented by means of Gaussian processes.
  • said Gaussian processes of u 1 and ⁇ take into account a measure of proximity between road portions of said road network making it possible to construct the kernels of said Gaussian processes.
  • the hyper-parameters of the kernels of said Gaussian processes u 1 and ⁇ are determined by means of a procedure for optimizing said Gaussian process.
  • said geolocation of said at least one vehicle is measured by means of a geolocation sensor integrated in a smart telephone.
  • said at least one vehicle is a bicycle.
  • said fixed sensors are chosen from cameras, radars, photoelectric cells, piezoelectric cables or inductive loops.
  • the method also takes into account at least one route simulated by a user.
  • the timestamping of said measurements of said fixed sensors and of said geolocation measurements of said at least one vehicle is also measured.
  • the number of vehicle passages for a future period is determined for at least one portion of road of said road network by means of said measurements of the fixed sensors, of said geolocation measurements and of said timestamp.
  • said determination of said number of vehicle passages for a future period further takes into account the weather and/or a modification of the infrastructure of said road network.
  • said determined number of vehicle passages is displayed on a road map, preferably by means of a smart telephone or a computer system.
  • the present invention relates to the determination of a number of vehicle passages on at least one road portion of a road network, preferably on the whole of a road network.
  • the present invention aims to count the number of vehicles that pass through a portion of road.
  • a road network is a set of roads and paths (in particular for the embodiment of soft mobility) in a predefined geographical area. This predefined geographical area can be a district of a city, a city, a community of municipalities, a department, etc.
  • the road network can be represented by a graph, called road graph.
  • the road graph is composed of a set of edges (also called arcs) and nodes, the nodes being able to represent the intersections, and the edges the portions of roads between the intersections.
  • the road graph can be obtained from an online mapping service (“webservice”), for example Here Wego TM (Here Apps LLC, Netherlands) which provides the edges of the graph in the form of pure geometric objects.
  • the road graph is consistent with the road network (all the physical connections between two roads, and only these, are represented by the nodes of the graph), so invariant as possible over time.
  • the road graph can be simplified, by not taking into account the portions of roads such as dead ends, paths in parks or highways, depending on the type of vehicle considered (for example for the embodiment of the soft mobility, motorways may not be taken into account).
  • the method according to the invention can be implemented for any type of vehicle: bicycle, motor vehicle, motorized two-wheeler, boat, hovercraft, scooter, etc. as well as pedestrian movements.
  • the method according to the invention is particularly suitable for bicycles. Indeed, the problem of the number of vehicle passages is increasingly important with the development of soft mobility, and the behavior of cyclists is less known than the behavior of motorists.
  • automobile flows are already finely measured in large cities. For example, more than 3000 electromagnetic counting loops are present in the city of Paris alone.
  • the invention is particularly suitable for inferring flows from a reduced number of fixed sensors.
  • the method according to the invention is suitable for bicycle flows in town, but also for car flows in poorly instrumented areas.
  • the public transport flows are generally already known by the operators of these public transport.
  • the method according to the invention implements measurements obtained from at least two fixed sensors. These fixed sensors are placed on points of the road network, called measurement points. They allow specific measurements of the number of vehicle passages. The positions of the measuring points are identified within the road network.
  • the fixed sensors can be cameras, radars, inductive loops, sensitive photoelectric cells detecting the breaking of a light ray, piezoelectric cables measuring the pressure exerted on the roadway or any similar sensors.
  • the method also implements measurements during at least one movement of a vehicle within the road network.
  • the road portions of the road network which have been traveled by at least one vehicle are known.
  • the measurements during the movement can be measurements of position, and optionally of altitude of the vehicle.
  • these measurements can be made by a geolocation sensor, such as a satellite positioning, such as GPS (Global Positioning System), Galileo system, etc.
  • the geolocation sensor can be integrated into a smart telephone (from the English “smartphone”), in order to facilitate the measurement and to allow the measurement for numerous journeys and numerous vehicles.
  • geolocation measurements using a smart phone can, for example, be implemented using the Geovelo TM application (Cie des Mobility, France).
  • step 2) can be carried out by means of a smart telephone
  • step 3) can be implemented by means of a computer system comprising a server, the latter possibly being in a computing cloud.
  • the computer means can also comprise a computer memory for storing the measurements of the fixed sensors and the geolocation measurements.
  • the smartphone is then in communication with the server. This configuration makes it possible to free oneself from the constraints of low computing power of smart phones. The steps will be detailed later in the description.
  • steps 1) and 2) can be carried out in this order, in the reverse order, or simultaneously.
  • steps 1) and 2) can be carried out simultaneously.
  • the figure 1 illustrates, schematically and in a non-limiting manner, the steps of the method according to the invention.
  • N cap measurements are carried out with fixed CAP sensors, and N geo geolocation measurements by a GEO geolocation sensor. These N cap and N geo measurements are used to determine a spatialized scalar field SCA.
  • the spatialized scalar field SCA and the geolocation measurements N geo are combined to determine DET the number of vehicle passages N tot .
  • the spatialized scalar field can be determined either deterministically or stochastically.
  • the figure 2 illustrates, schematically and in a non-limiting manner, the steps of the method according to a first embodiment of the invention.
  • N cap measurements are carried out with fixed CAP sensors, and N geo geolocation measurements by a GEO geolocation sensor. These measurements N cap and N geo serve to determine a spatialized normalization factor F norm .
  • the spatialized normalization factor F norm and the geolocation measurements N geo are combined to determine DET the number of vehicle passages N tot .
  • the picture 3 illustrates, schematically and in a non-limiting manner, the steps of the method according to a second embodiment of the invention.
  • N cap measurements are carried out with fixed CAP sensors, and N geo geolocation measurements by a GEO geolocation sensor. These last measurements are corrected and extrapolated by a first PG1 modeling in the form of a Gaussian process u 1 .
  • N cap and u 1 serve in determining PG2 a second Gaussian process, u 2 ensuring the spatialized scaling of u 1 so that it agrees with N cap on all the fixed measurement points.
  • a determination DET of the mean value u 2 and of its confidence interval makes it possible to estimate the number of vehicle passages N tot .
  • a first number of vehicle passages at the measurement points is measured by means of the fixed sensors.
  • This first number of vehicle passages at the measurement points is specific (in spatial terms and not in temporal terms): it concerns only the measurement points.
  • this step it is also possible during this step to time stamp the measurements by fixed sensors, in order to know the instant of passage of the vehicle over the measurement points.
  • This measurement can make it possible to determine the number of vehicle passes for a given period, or can be implemented in a predictive determination of the number of vehicle passes for a future period.
  • the geolocation of the at least one vehicle is measured during the at least one trip within the road network, then a second number of vehicle passages on each road of the network is deduced therefrom, by counting. road taken by the vehicle during the trip.
  • each portion of road concerned by the at least one movement is identified, and for each portion of road concerned by the at least one movement, the number of vehicle passages is counted.
  • the second number of vehicle passages is spatial: it depends on the portion of road considered.
  • the measurements of the geolocation can be indicated in the road graph.
  • a “map-matching” method (which can be translated by cartographic correspondence).
  • the “map-matching” method of the online service Here WeGo TM (HERE Apps LLC, Netherlands) can be implemented.
  • the simulated movements may correspond to navigation requests made on a geolocation system and for which no geolocation measurement has been made. Indeed, in certain situations, the user can interrogate a geolocation system to know his path before his departure, and may not carry out a geolocation measurement during his movement when he has followed the path determined by the geolocation system. .
  • this step it is also possible during this step to time-stamp the geolocation measurements, in order to know the instant of passage of the vehicle over the portion of road.
  • This measurement can make it possible to determine the number of vehicle passes for a given period, or can be implemented in a predictive determination of the number of vehicle passes for a future period.
  • the number of vehicle passages on the at least one road portion of the road network is determined, by means of the determination of a spatialized scalar field.
  • the scalar field is a distribution of a scalar in space, it is said to be spatialized because it is variable in space, in other words, it varies from one portion of road to another within the road network (it can be determined on sections of road for which no sensor or geolocation measurements have been made).
  • the spatial variability of the spatialized scalar field allows precision and robustness to determine the number of vehicle passes.
  • the spatialized scalar field is determined in particular from the first number of vehicle passages.
  • the number of vehicle passages determined is spatial; in other words variable in space, that is to say variable from one stretch of road to another.
  • the number of vehicle passes determined during this step is different from the first and second numbers of vehicle passes determined during steps 1) and 2).
  • the spatialized scalar field can be defined on the road network graph.
  • the spatialized scalar field can be determined either deterministically or stochastically.
  • steps a) and b) described below can be implemented.
  • a spatial normalization factor is determined.
  • the normalization factor is a multiplier coefficient, which, if multiplied by the second number of vehicle passages deduced from the geolocation measurements, makes it possible to determine a consistent and robust number of vehicle passages. It is determined based in particular on measurements by means of fixed sensors.
  • the normalization factor is said to be spatial because it is variable in space. In other words, the normalization factor is not constant and its value may vary from one stretch of road to another. The spatial variability of the normalization factor allows for precision and robustness in determining the number of vehicle passes.
  • N tot corresponds to said first number of vehicle passages measured by said fixed sensors.
  • the logarithm of the number of vehicle passes is used, instead of the number of vehicle passes directly, because the number of vehicle passes can vary by several orders of magnitude.
  • the constant ⁇ can be chosen equal to 1.
  • the total number of passages can then be estimated by the product of ( N geo + 1) and the normalization factor F norm .
  • the normalization factor F norm can then be obtained over the entire road graph by an interpolation algorithm.
  • an interpolation algorithm For example, a polynomial interpolation in the real plane R 2 , representing the geographical area studied, can be chosen. Alternatively, other interpolation algorithms may be implemented.
  • the number of vehicle passes is determined by means of a normalization factor and the second number of vehicle passes.
  • This step can in particular implement a multiplication between the second number of vehicle passages and the normalization factor.
  • N geo and F norm are defined on each portion of road concerned by at least one trip measured by geolocation.
  • steps a′), b′) and c′ can be implemented.
  • the spatialized scalar field can be determined by means of Gaussian processes, in particular Gaussian processes applied to the graph of the road network.
  • a first Gaussian process u 1 is determined, modeling ln( N geo +1) with N geo the second number of vehicle passages.
  • This modeling makes it possible to limit the noise of the estimation, on each portion of the road of the network, of the number of journeys measured by geolocation and crossing it. Indeed, the number of passages on the different sections of roads are not independent of each other. It is therefore possible to support the determination of the number of passages on a road not only by observing the number of passages on this same road, but also by observing the number of passages on nearby roads.
  • the logarithm of the number of vehicle passes is used, instead of the number of vehicle passes directly, because the number of vehicle passes can vary by several orders of magnitude. Moreover, to take into account the fact that each stretch of road is not necessarily traveled by at least one vehicle, and since the logarithm function is used, we add 1 to the number of passages to avoid the irregularity of the logarithm function in 0, without distorting the logic of the algorithm.
  • Gaussian processes defined on a graph offer this possibility, on the condition of providing them with a measure of proximity and providing them with a procedure for constructing their kernel from this measure of proximity. They also make it possible to extrapolate this number of passages on portions of roads which would not be crossed by any movement.
  • the proximity measurement can be the number of paths obtained by the geolocation measurements (step 2) passing through two roads, increased by a constant if these two roads are adjacent in the graph.
  • two roads will be all the closer as the number of cyclists passing by one and the other is high.
  • the core built on this metric may be a modified version of the PageRank TM algorithm (the link analysis algorithm used in the web page ranking system used by the Google TM search engine). The kernel thus built fully exploits the information contained in the complete geolocation measurements, and not only in the number of passages by road, taken independently of each other.
  • the core of the Gaussian process integrates this proximity measure, modulated by a few (generally less than three) parameters, called hyper-parameters.
  • the kernel provides the expected correlation between the realizations of u 1 on any two road sections of the network.
  • a hyper-parameter of the previous kernel may be the minimum number of journeys, measured by geolocation and passing through any two portions of road, necessary to anticipate a strong correlation of the number of passages on these same two portions of road.
  • a an adapted optimization procedure can make it possible to adjust the hyper-parameters of the Gaussian process u 1 .
  • a nugget effect can also be taken into account. It reflects the uncertainty of the raw measurement, and the degree of flexibility left to the algorithm so as not to strictly interpolate the measurement points.
  • this optimization can be a procedure for maximizing the likelihood of the Gaussian process u 1 , knowing the measurements of the number of trips measured by geolocation crossing each portion of the road.
  • a second Gaussian process u 2 is determined modeling ln( N tot + 1), with N tot the number of vehicle passages determined during this step 3.
  • the logarithm of the number of vehicle passes is used, instead of the number of vehicle passes directly, because the number of vehicle passes can vary by several orders of magnitude. Moreover, to take into account the fact that each stretch of road is not necessarily traveled by at least one vehicle, and since the logarithm function is used, we add 1 to the number of passages to avoid the irregularity of the logarithm function in 0, without distorting the logic of the algorithm.
  • the kernel of u 2 may be a kernel based on an RBF function (radial basis function).
  • RBF function radial basis function
  • a radial basis function is any real function depending only on the distance r as the crow flies between each pair of routes. It will be possible in particular to take the proximity measurement exp ( ⁇ r 2 / ⁇ 2 ), where r is the distance as the crow flies between two roads and ⁇ a hyper-parameter of the model.
  • ⁇ can be interpreted as the characteristic distance separating two portions of road beyond which a weak correlation of the normalization factors is anticipated.
  • the procedure ensures that the process u 2 corresponds to ln ( N cap + 1), on each portion of road having a count measurement (N cap is the first number of vehicle passages). This correspondence is taken in the sense that the expectation of the process on each portion of road having a counting measure is close to ln ( N cap + 1) and that its variance is low.
  • an optimization procedure can make it possible to best determine the hyper-parameters of ⁇ . In particular, it is ensured that the correlation length appearing in the kernel RBF is large compared to the characteristic correlation lengths of the first kernel.
  • the number of vehicle passes is determined by means of the second Gaussian process.
  • the determination of the number of vehicle passages is ensured by the evaluation of the expectation E a 2 of the second Gaussian process determined in the previous step on all road portions of the geographical area studied and of its variance V a 2 . It is then possible to calculate the 95% confidence interval of the number of passages: exp E a 2 ⁇ 1.96 V a 2 ⁇ 1 .
  • the figures 4 to 6 illustrate the second implementation of the invention for a simple example.
  • the figure 4 illustrates on a map the sections of road considered.
  • points 1 represent the measurement points by the fixed sensors
  • line 2 represents the sections of road, numbered from 0 to 54.
  • figure 5 represents on a logarithmic scale the measurements of the number N of vehicle passages as a function of the normalized direction D, the direction of which is indicated by an arrow on the figure 4 .
  • the first number of vehicle passages is denoted N cap and corresponds to the measurements made by the fixed sensors.
  • the second number of vehicle passages is denoted N geo and corresponds to measurements made by geolocation.
  • the second number of vehicle passages is less than the first number of vehicle passages: measurements by geolocation are therefore not sufficient to precisely determine the number of vehicle passages.
  • the figure 6 is similar to the figure 5 .
  • the curve N tot has also been plotted, which corresponds to the number of vehicle passages estimated by the method according to the invention.
  • the shaded area around the N tot curve gives a range of uncertainties around the determined number corresponding to the confidence interval previously mentioned.
  • the curve N tot does pass through the points N cap .
  • the N tot curve has a quite similar shape with the N geo curve without being a simple translation. Consequently, the method according to the invention indeed makes it possible to take into account the numbers of vehicle passages obtained by two different types of measurements, so as to obtain precisely a precise number of vehicle passages.
  • the method can implement a determination of a number of vehicle passages a posteriori.
  • the number of passages of vehicles which have traveled the road portions of the road network is determined.
  • this determination can be carried out for a predefined time interval, for example for a few hours, for one or more days, one or more weeks, one or more months, etc.
  • time-stamping measurements it is possible to implement time-stamping measurements.
  • the method can implement a predictive determination of a number of vehicle passages for a future period.
  • the method can implement the measurements of the fixed sensors, the geolocation measurements, as well as any timestamping measurements.
  • any timestamp measurements make it possible to take into account the frequency of travel by road network users, for example home-to-work travel times, day of the week, holiday periods, periods of confinement, the seasons, etc.
  • the future period can be a few hours, a few days, a few weeks, or even a few months.
  • the method can also take into account the meteorology.
  • the method can comprise a step of recording the meteorology simultaneously with the measurements of the fixed sensors, with the geolocation measurements, with the timestamp measurements. Then, the predictive determination of a number of vehicle passages can be done by means of meteorological predictions for the future period. Weather forecasts can be obtained through online service.
  • the method according to the invention may comprise a step of displaying the number of vehicle passages.
  • the number of vehicle passages is displayed determined on a road map.
  • This display can take the form of a note or a color code or a representation thickness of the route.
  • This display can be produced on board the vehicle: on the dashboard, on an autonomous portable device, such as a geolocation device (of the GPS type), a mobile telephone (of the smart telephone type). It is also possible to display the number of vehicle passages on a website, which the user can consult after driving.
  • the number of vehicle passages can be shared with public authorities (eg road manager) and public works companies. Thus, public authorities and public works companies can determine the roads with a large number of vehicle passages and adapt the roads to the users (for example creation of cycle paths).
  • the figure 7 represents a road map of Paris.
  • the measurement points of the fixed sensors 1 are represented by gray circles.
  • the second number of vehicle passages, for this example bicycles is represented by the thickness of the lines and the level of gray corresponding to the roads: the thick and black lines reflect a large number of bicycle passages obtained by the geolocation measurements, while the fine, light gray lines reflect a low number of bicycle crossings obtained by geolocation measurements.
  • the two types of measurements are independent.
  • the figure 8 represents a road map of Paris, similar to the figure 7 .
  • the thickness and the color of the line of the roads correspond to the number of passages of bicycles obtained by the method according to the invention, taking into account the measurements of the fixed sensors and the geolocation measurements illustrated on the figure 7 .
  • the scale of the thickness and the color of the line between the figures 5 and 6 are different, but these maps allow a relative comparison of the roads.
  • the maps of figures 5 and 6 differ, in particular to the east of Paris, the number of vehicle passages determined by the method according to the invention is greater than what is measured by geolocation.
  • This road map can be the one displayed by the method according to the invention, in particular on a website or on a smart telephone.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

La présente invention concerne un procédé de détermination d'un nombre de passages de véhicules (N<sub>tot</sub>) sur au moins une portion de route d'un réseau routier, dans lequel on réalise des mesures par des capteurs fixes (1) et des mesures par géolocalisation (GEO). Pour ce procédé, on détermine un champ scalaire spatialisé (SCA). Enfin, on détermine le nombre de passages de véhicules (N<sub>tot</sub>) au moyen du champ scalaire spatialisé (SCA) déterminé (qui dépend notamment des mesures par des capteurs fixes) et des mesures par géolocalisation (GEO).

Description

    Domaine technique
  • La présente invention concerne le domaine de la détermination d'informations relatives au trafic de véhicules pour un réseau routier. En particulier, l'invention concerne un procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier.
  • Cette problématique se pose pour tous les modes de déplacements : bicyclette, véhicule automobile, deux-roues motorisé, bateau, trottinette, etc. ainsi que les déplacements piétons. Toutefois, le développement des mobilités douces (bicyclette, trottinette, etc.) fait apparaître un besoin de détermination précis de la fréquentation des routes au sein des réseaux routiers en raison de leur utilisation croissante et du faible nombre d'équipements de mesure dédiés.
  • Afin de déterminer le nombre de passages de véhicules sur une route, il est possible d'instrumenter la route avec des capteurs fixes, tels que des caméras, des radars ou des boucles inductives. De tels capteurs sont liés à l'infrastructure routière. Les mesures réalisées par ces capteurs ont l'avantage d'être précis. Toutefois, ils présentent l'inconvénient majeur d'être ponctuels spatialement : il n'est pas possible de déterminer le nombre de passages de véhicules sur l'ensemble des routes d'un réseau routier, et ils sont également onéreux : pour avoir un maximum d'informations, il est nécessaire d'avoir un grand nombre de capteurs fixes. Par exemple, à Paris, le nombre de routes est d'environ 40000, ce qui peut donc nécessiter un très grand nombre de capteurs fixes si on souhaite avoir le nombre de passages de véhicules pour toutes les routes.
  • Pour déterminer le nombre de passages de véhicules sur une route, une autre possibilité concerne l'utilisation de données mesurées par des systèmes de géolocalisation, notamment au moyen d'une application intégrée dans un téléphone intelligent (de l'anglais « smartphone »). Cette méthode permet d'obtenir des mesures du nombre de passages de véhicules pour un grand nombre de routes du réseau routier. Toutefois, tous les utilisateurs de tous les véhicules n'utilisent pas les systèmes de géolocalisation pour tous leurs trajets. Par conséquent, les mesures obtenues par ce biais ne représentent pas l'ensemble des utilisateurs du réseau routier, en termes quantitatifs, mais aussi en termes qualitatifs : par exemple, les utilisateurs d'application de géolocalisation dans un téléphone intelligent ne représentent pas l'ensemble des usagers du réseau routier. Cette détermination du nombre de passages de véhicules sur une route d'un réseau routier par cette méthode est donc biaisée.
  • Il existe donc un besoin de déterminer précisément et sur un ensemble de routes la fréquentation par des véhicules.
    • Technique antérieure
  • Afin d'obtenir précisément des informations relatives au trafic sur le réseau routier, des méthodes de fusion de données mesurées ont été envisagées, de manière à bénéficier des avantages des deux types de données mesurées : précision et informations réparties spatialement.
  • Par exemple, le document : « STUDY ON DATA FUSION MODEL WITH MULTI-SOURCE HETEROGENEOUS TRAFFIC DATA, Feng-cui QIU, En-jian YAO, Yang YANG, Xin LI, Yi ZHANG, ICTIS 2011, ASCE 2011 » concerne la fusion de données provenant de capteur de trafic, de données des véhicules et des données de plaque d'immatriculation pour déterminer une estimation de la vitesse de déplacement au moyen d'une méthode mettant en œuvre un réseau de neurones. Une telle méthode ne permet pas de déterminer le nombre de passages de véhicules sur une portion d'un réseau routier. De plus, cette méthode est une méthode à une dimension et n'est pas adaptée à un espace bidimensionnel ou à un graphe représentant le réseau routier.
  • De plus, le document : « Real-time Traffic Monitoring by fusing Floating Car Data with Stationary Detector Data, M. HOUBRAKEN, K. SCHEERLINCK, 2015 Models and Technologies for Intelligent Transportation Systems (MT-ITS), 3-5. June 2015. Budapest, Hungary » concerne la détermination du trafic en temps réel par fusion de données de véhicules avec des données de capteurs fixe. Cette méthode est adaptée au temps réel et ne permet pas de déterminer le nombre de passages de véhicules. De plus, cette méthode est une méthode à une dimension et n'est pas adaptée à un graphe entier représentant le réseau routier.
  • En outre, le document : « Gaussian Process Decentralized Data Fusion and Active Sensing for Spatiotemporal Traffic Modeling and Prediction in Mobility-on-Demand Systems, Jie Chen, Kian Hsiang Low, Yujian Yao, and Patrick Jaillet, IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING, VOL. 12, NO. 3, JULY 2015 » concerne une méthode de détermination de la vitesse mettant en œuvre des fusions de données entre les véhicules, et ne prend pas en compte des données de capteurs fixes. Cette méthode ne permet donc pas de prendre en compte des mesures ponctuelles précises. De plus, cette méthode ne concerne pas la détermination du nombre de passages de véhicules sur une portion de réseau routier.
  • Le brevet US5812069 concerne une méthode et un système de prévision des flux de trafic. Cette méthode se base sur une fusion de données d'une flotte de véhicules pour anticiper les congestions. Cette méthode ne permet donc pas de déterminer le nombre de passages de véhicules sur une portion du réseau routier.
    • Résumé de l'invention
  • L'invention a pour but de déterminer de manière précise et robuste, et sans coût important, le nombre de passages de véhicules sur des routes d'un réseau routier. Pour cela, la présente invention concerne un procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier, dans lequel on réalise des mesures par des capteurs fixes et des mesures par géolocalisation. Pour ce procédé, on détermine un champ scalaire spatialisé. Enfin, on détermine le nombre de passages de véhicules au moyen du champ scalaire spatialisé déterminé (qui dépend notamment des mesures par des capteurs fixes) et des mesures par géolocalisation. Le procédé selon l'invention permet de prendre en compte les deux types de mesures pour obtenir un nombre de passages de véhicules précis et robuste. Le champ scalaire spatialisé permet d'assurer la robustesse du procédé.
  • L'invention concerne un procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier, au moyen d'au moins deux capteurs fixes de mesure de trafic disposés sur une pluralité de points de mesures agencés au sein dudit réseau routier, et au moyen de mesures lors d'au moins un déplacement d'au moins un véhicule. Pour ce procédé, on met en œuvre les étapes suivantes :
    1. a. On mesure un premier nombre de passages de véhicules auxdits points de mesure au moyen desdits capteurs fixes ;
    2. b. On mesure la géolocalisation dudit au moins un véhicule lors dudit au moins un déplacement au sein dudit réseau routier, et on en déduit un deuxième nombre de passages de véhicules sur chaque route dudit réseau routier empruntée par ledit au moins véhicule pendant ledit au moins un déplacement ;
    3. c. On détermine ledit nombre de passages de véhicules sur ladite au moins une portion de route dudit réseau routier au moyen dudit deuxième nombre de passages de véhicules et d'un champ scalaire spatial qui dépend dudit premier nombre de passages de véhicules.
  • Selon un mode de réalisation, on détermine ledit champ scalaire spatial par détermination d'un facteur de normalisation spatialisé, et on détermine ledit nombre de passages de véhicule sur ladite au moins une portion de route dudit réseau routier au moyen dudit deuxième nombre de passages de véhicules et dudit facteur de normalisation spatialisé.
  • Avantageusement, on détermine ledit facteur de normalisation spatialisé au moyen des étapes suivantes :
    1. i. On détermine ledit facteur de normalisation spatialisé auxdits points de mesure au moyen desdites mesures au moyen desdits capteurs fixes, et au moyen dudit deuxième nombre de passages de véhicules auxdits points de mesures ; et
    2. ii. On détermine ledit facteur de normalisation spatialisé sur ladite au moins une portion dudit réseau routier par extrapolation dudit facteur de normalisation spatialisé déterminé auxdits points de mesure.
  • De manière avantageuse, auxdits points de mesure, ledit facteur de normalisation est défini par la formule suivante : F norm = N cap + 1 N geo + 1 ρ
    Figure imgb0001
     avec Ncap ledit premier nombre de passages de véhicules, Ngeo ledit deuxième nombre de passages de véhicules, p une constante.
  • Conformément à une mise en œuvre, ledit champ scalaire spatial est un champ scalaire stochastique.
  • Avantageusement, ledit champ scalaire spatial est mis en œuvre au moyen de processus gaussiens.
  • De préférence, on modélise ln(Ntot + 1), par un processus gaussien u 2 défini sur un graphe mathématique dudit réseau routier, Ntot étant ledit nombre de passages de véhicules sur au moins une portion de route dudit réseau routier, u 2 étant défini de telle sorte que u 2 = ρu 1 + δ avec u 1 et δ eux-mêmes deux processus gaussiens définis sur ledit graphe dudit réseau routier et tels que u 1 modélise ln(Ngeo + 1) avec Ngeo le deuxième nombre de passages de véhicules, p une constante, et avec et u 2 modélise ln(Ncap + 1) auxdits points de mesure, avec Ncap ledit premier nombre de passages de véhicules mesurés par lesdits capteurs fixes.
  • Selon un aspect, lesdits processus gaussiens de u 1 et δ prennent en compte une mesure de proximité entre des portions de route dudit réseau routier permettant de construire les noyaux desdits processus gaussiens.
  • Selon une option de réalisation, on détermine des hyper-paramètres des noyaux desdits processus gaussiens u 1 et δ au moyen d'une procédure d'optimisation dudit processus gaussien.
  • Conformément à un mode de réalisation, on mesure ladite géolocalisation dudit au moins un véhicule au moyen d'un capteur de géolocalisation intégré dans un téléphone intelligent.
  • Selon une mise en œuvre, ledit au moins un véhicule est une bicyclette.
  • De manière avantageuse, lesdits capteurs fixes sont choisis parmi des caméras, des radars, des cellules photoélectriques, des câbles piézoélectriques ou des boucles inductives.
  • Selon un aspect, le procédé prend en compte également au moins un trajet simulé par un utilisateur.
  • Selon un mode de réalisation, on mesure en outre l'horodatage desdites mesures desdits capteurs fixes et desdites mesures de géolocalisation dudit au moins un véhicule.
  • Avantageusement, on détermine le nombre de passages de véhicules pour une période future pour au moins une portion de route dudit réseau routier au moyen desdites mesures des capteurs fixes, desdites mesures de géolocalisation et dudit horodatage.
  • Conformément à une mise en œuvre, ladite détermination dudit nombre de passages de véhicules pour une période future prend en compte en outre la météorologie et/ou une modification de l'infrastructure dudit réseau routier.
  • Selon un aspect, on affiche ledit nombre déterminé de passages de véhicules sur une carte routière, de préférence au moyen d'un téléphone intelligent ou d'un système informatique.
  • D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
    • Liste des figures
    • La figure 1 illustre les étapes du procédé selon l'invention.
    • La figure 2 illustre les étapes du procédé selon un premier mode de réalisation de l'invention.
    • La figure 3 illustre les étapes du procédé selon un deuxième mode de réalisation de l'invention.
    • La figure 4 illustre un exemple de chemin pour illustrer le procédé selon l'invention.
    • La figure 5 illustre des mesures réalisées pour l'exemple de la figure 4.
    • La figure 6 illustre le nombre de passages de véhicules déterminés par le procédé selon un mode de réalisation l'invention pour l'exemple des figures 4 et 5.
    • La figure 7 illustre une carte de Paris représentant le nombre de passages de bicyclettes sur les routes, au moyen d'un procédé selon l'art antérieur.
    • La figure 8 illustre une carte de Paris représentant le nombre de passages de bicyclettes sur les routes, au moyen du procédé selon un mode de réalisation de l'invention.
    Description des modes de réalisation
  • La présente invention concerne la détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier, de préférence sur l'ensemble d'un réseau routier. Ainsi, la présente invention vise à dénombrer le nombre de véhicules qui passent par une portion de route. On appelle réseau routier un ensemble de routes et de chemins (notamment pour le mode de réalisation des mobilités douces) dans une zone géographique prédéfinie. Cette zone géographique prédéfinie peut être un quartier d'une ville, une ville, une communauté de communes, un département, etc. On appelle une portion de route, un segment de route, par exemple entre deux intersections consécutives, ou entre deux panneaux de signalisation (deux feux de circulation par exemple).
  • Le réseau routier peut être représenté par un graphe, appelé graphe routier. Le graphe routier est composé d'un ensemble d'arêtes (appelés aussi arcs) et de nœuds, les nœuds pouvant représenter les intersections, et les arêtes les portions de routes entre les intersections. Le graphe routier peut être obtenu à partir d'un service en ligne (« webservice ») de cartographie, par exemple Here Wego™ (Here Apps LLC, Pays-Bas) qui fournit les arêtes du graphe sous forme d'objets géométriques purs. De préférence, le graphe routier est cohérent avec le réseau routier (toutes les connexions physiques entre deux routes, et uniquement celles-ci, sont représentées par les nœuds du graphe), aussi invariant que possible dans le temps. De plus, le graphe routier peut être simplifié, en ne prenant pas en compte les portions de routes telles que les impasses, les chemins dans les parcs ou les autoroutes, en fonction du type du véhicule considéré (par exemple pour le mode de réalisation des mobilités douces, les autoroutes peuvent ne pas être prises en compte).
  • Le procédé selon l'invention peut être mis en œuvre pour tout type de véhicules : bicyclette, véhicule automobile, deux-roues motorisé, bateau, aéroglisseur, trottinette, etc. ainsi que les déplacements piétons. Toutefois, le procédé selon l'invention est particulièrement adapté aux bicyclettes. En effet, la problématique du nombre de passages de véhicules est de plus en plus importante avec le développement de la mobilité douce, et les comportements des cyclistes sont moins connus que les comportements des automobilistes. Généralement, les flux automobiles sont déjà finement mesurés dans les grandes villes. Par exemple, plus de 3000 boucles électromagnétiques de comptage sont présentes dans la seule ville de Paris. A l'inverse, l'invention est particulièrement adaptée pour inférer des flux à partir d'un nombre réduit de capteurs fixes. Le procédé selon l'invention est adapté aux flux de bicyclette en ville, mais aussi aux flux de voiture dans des zones peu instrumentées. Par ailleurs, les flux de transports en commun sont généralement déjà connus par les opérateurs de ces transports publics.
  • Le procédé selon l'invention met en œuvre des mesures obtenues depuis au moins deux capteurs fixes. Ces capteurs fixes sont disposés sur des points du réseau routier, appelés points de mesure. Ils permettent des mesures ponctuelles du nombre de passages de véhicules. Les positions des points de mesure sont identifiées au sein du réseau routier. Selon un mode de réalisation de l'invention, les capteurs fixes peuvent être des caméras, des radars, des boucles inductives, des cellules photoélectriques sensibles détectant la rupture d'un rayon lumineux, des câbles piézo-électriques mesurant la pression exercée sur la chaussée ou tous capteurs analogues.
  • Selon l'invention, le procédé met également en œuvre des mesures lors d'au moins un déplacement d'un véhicule au sein du réseau routier. Ainsi, on connaît les portions de route du réseau routier qui ont été parcourues par au moins un véhicule. De préférence, on peut mettre en œuvre les mesures d'une pluralité de déplacements d'une pluralité de véhicules, afin de déterminer précisément le nombre de passages de véhicules, et de manière à avoir des informations sur un nombre important de portions de route du réseau routier. Selon un mode de réalisation de l'invention, les mesures lors du déplacement peuvent être des mesures de position, et de manière facultative d'altitude du véhicule. Par exemple, ces mesures peuvent être réalisées par un capteur de géolocalisation, tel qu'un capteur de positionnement par satellite, tel que le système GPS (de l'anglais « Global Positioning System »), le système Galileo, etc. De préférence, le capteur de géolocalisation peut être intégré dans un téléphone intelligent (de l'anglais « smartphone »), afin de faciliter la mesure et de permettre la mesure pour de nombreux déplacements et de nombreux véhicules. Dans le cas des bicyclettes, les mesures de géolocalisation au moyen d'un téléphone intelligent peuvent, par exemple, être mises en œuvre au moyen de l'application Geovelo ™ (Cie des mobilités, France) .
  • Selon l'invention, le procédé comporte les étapes suivantes :
    1. 1) Mesure avec les capteurs fixes
    2. 2) Mesure de géolocalisation
    3. 3) Détermination d'un nombre de passages de véhicules
  • Ces étapes peuvent être mises en œuvre par des moyens informatiques. Selon un exemple de réalisation, l'étape 2) peut être réalisée au moyen d'un téléphone intelligent, et l'étape 3) peut être mise en œuvre au moyen d'un système informatique comprenant un serveur, celui-ci pouvant être dans un nuage informatique (de l'anglais « cloud »). Les moyens informatiques peuvent également comprendre une mémoire informatique pour le stockage des mesures des capteurs fixes et les mesures de géolocalisation. Le téléphone intelligent est alors en communication avec le serveur. Cette configuration permet de se libérer des contraintes de faible puissance de calcul des téléphones intelligents. Les étapes seront détaillées dans la suite de la description.
  • De plus, les étapes 1) et 2) peuvent être réalisées dans cet ordre, dans l'ordre inverse, ou simultanément. De préférence, les étapes 1) et 2) peuvent être réalisées simultanément.
  • La figure 1 illustre, schématiquement et de manière non limitative, les étapes du procédé selon l'invention. Dans un premier temps, on réalise des mesures Ncap avec des capteurs fixes CAP, et des mesures de géolocalisation Ngeo par un capteur de géolocalisation GEO. Ces mesures Ncap et Ngeo servent à déterminer un champ scalaire spatialisé SCA. On combine le champ scalaire spatialisé SCA et les mesures de géolocalisation Ngeo pour déterminer DET le nombre de passages de véhicules Ntot.
  • Le champ scalaire spatialisé peut être déterminé soit de manière déterministe, soit de manière stochastique.
  • Selon une première mise en œuvre de l'invention mettant en œuvre une détermination déterministe du champ scalaire spatialisé, le procédé peut comporter les étapes suivantes :
    1. 1) Mesure avec les capteurs fixes
    2. 2) Mesure de géolocalisation
    3. 3) Détermination d'un nombre de passages de véhicules
      1. a) détermination d'un facteur de normalisation spatialisé
      2. b) détermination d'un nombre de passages de véhicules
  • La figure 2 illustre, schématiquement et de manière non limitative, les étapes du procédé selon un premier mode de réalisation de l'invention. Dans un premier temps, on réalise des mesures Ncap avec des capteurs fixes CAP, et des mesures de géolocalisation Ngeo par un capteur de géolocalisation GEO. Ces mesures Ncap et Ngeo servent à déterminer un facteur de normalisation spatialisé Fnorm. On combine le facteur de normalisation spatialisé Fnorm et les mesures de géolocalisation Ngeo pour déterminer DET le nombre de passages de véhicules Ntot.
  • Selon une deuxième mise en œuvre du procédé mettant en œuvre une détermination stochastique du champ scalaire spatialisé, le procédé peut comporter les étapes suivantes :
    • 1) Mesure avec les capteurs fixes
    • 2) Mesure de géolocalisation
    • 3) Détermination d'un nombre de passages de véhicules
    • a') Détermination d'un premier processus gaussien modélisant les flux mesurés par géolocalisation
    • b') Détermination d'un second processus gaussien intégrant le premier processus ainsi qu'un facteur de normalisation spatialisé
    • c') Détermination d'un nombre de passages de véhicules
  • La figure 3 illustre, schématiquement et de manière non limitative, les étapes du procédé selon un deuxième mode de réalisation de l'invention. Dans un premier temps, on réalise des mesures Ncap avec des capteurs fixes CAP, et des mesures de géolocalisation Ngeo par un capteur de géolocalisation GEO. Ces dernières mesures sont corrigées et extrapolées par une première modélisation PG1 sous forme de processus gaussien u 1. Ncap et u 1 servent à déterminer PG2 un deuxième processus gaussien, u 2 assurant la mise à l'échelle spatialisée de u 1 afin qu'il soit en accord avec Ncap sur l'ensemble des points de mesures fixes. Une détermination DET de la valeur moyenne u 2 et de son intervalle de confiance ., permet d'estimer le nombre de passages de véhicules Ntot.
    • 1) Mesure avec les capteurs fixes
  • Lors de cette étape, on mesure un premier nombre de passages de véhicules aux points de mesure au moyen des capteurs fixes. Ce premier nombre de passages de véhicules aux points de mesures est ponctuel (en termes spatial et non en termes temporel) : il concerne uniquement les points de mesures.
  • Selon un aspect de l'invention, on peut réaliser également lors de cette étape l'horodatage des mesures par capteurs fixes, afin de connaître l'instant de passage du véhicule sur les points de mesure. Cette mesure peut permettre de déterminer le nombre de passages de véhicules pour une période donnée, ou peut être mise en œuvre dans une détermination prédictive de nombre de passages de véhicules pour une période future.
    • 2) Mesure de aéolocalisation
  • Lors de cette étape, on mesure la géolocalisation de l'au moins un véhicule lors de l'au moins un déplacement au sein du réseau routier, puis on en déduit, par comptage, un deuxième nombre de passages de véhicules sur chaque route du réseau routier empruntée par le véhicule pendant le déplacement. En d'autres termes, on identifie chaque portion de route concernée par l'au moins un déplacement, et pour chaque portion de route concernée par l'au moins un déplacement, on compte le nombre de passages de véhicules. Ainsi, le deuxième nombre de passages de véhicules est spatial : il dépend de la portion de route considérée.
  • Selon un mode de réalisation, les mesures de la géolocalisation peuvent être indiquées dans le graphe routier. Pour cela, on peut mettre en œuvre une méthode de « map-matching » (pouvant être traduit par correspondance cartographique). Par exemple, on peut mettre en œuvre la méthode de « map-matching » du service en ligne Here WeGo™ (HERE Apps LLC, Pays-Bas).
  • Conformément à une mise en œuvre de l'invention, on peut ajouter à ces mesures par géolocalisation, des déplacements simulés. Ainsi, des informations supplémentaires peuvent être utilisées dans le procédé pour une détermination plus précise du nombre de passages de véhicules. Les déplacements simulés peuvent correspondre aux demandes de navigation réalisées sur un système de géolocalisation et pour lequel aucune mesure de géolocalisation n'a été effectuée. En effet, dans certaines situations, l'utilisateur peut interroger un système de géolocalisation pour connaître son chemin avant son départ, et peut ne pas réaliser de mesure de géolocalisation pendant son déplacement alors qu'il aura suivi le chemin déterminé par le système de géolocalisation.
  • Selon un aspect de l'invention, on peut réaliser également lors de cette étape l'horodatage des mesures de géolocalisation, afin de connaître l'instant de passage du véhicule sur la portion de route. Cette mesure peut permettre de déterminer le nombre de passages de véhicules pour une période donnée, ou peut être mise en œuvre dans une détermination prédictive du nombre de passages de véhicules pour une période future.
    • 3) Détermination d'un nombre de passages de véhicules
  • Lors de cette étape, on détermine le nombre de passages de véhicules sur l'au moins une portion de route du réseau routier, au moyen de la détermination d'un champ scalaire spatialisé. Le champ scalaire est une distribution d'un scalaire dans l'espace, il est dit spatialisé car il est variable dans l'espace, en d'autres termes, il varie d'une portion de route à une autre au sein du réseau routier (il peut être déterminé sur des portions de route pour lequel aucune mesure par capteur ou par géolocalisation ont été réalisées). La variabilité spatiale du champ scalaire spatialisé permet une précision et une robustesse pour déterminer le nombre de passages de véhicules. Le champ scalaire spatialisé est déterminé notamment à partir du premier nombre de passages de véhicules.
  • Le nombre de passages de véhicules déterminé est spatial ; en d'autres termes variable dans l'espace, c'est-à-dire variable d'une portion de route à une autre. Le nombre de passages de véhicules déterminé lors de cette étape est différent des premier et deuxième nombres de passages de véhicule déterminés lors des étapes 1) et 2).
  • De préférence, le champ scalaire spatialisé peut être défini sur le graphe du réseau routier.
  • Le champ scalaire spatialisé peut être déterminé soit de manière déterministe, soit de manière stochastique.
  • Pour une première mise en œuvre, pour lequel le champ scalaire spatialisé est déterminé de manière déterministe (qui correspond au mode de réalisation de la figure 2), on peut mettre en œuvre les étapes a) et b) décrites ci-dessous.
    • a) détermination d'un facteur de normalisation spatialisé
  • Lors de cette étape, on détermine un facteur de normalisation spatialisé. Le facteur de normalisation est un coefficient multiplicateur, qui, si on le multiplie par le deuxième nombre de passages de véhicules déduit des mesures de géolocalisation, permet de déterminer un nombre de passages de véhicules cohérent et robuste. Il est déterminé en s'appuyant notamment sur les mesures au moyen des capteurs fixes. Le facteur de normalisation est dit spatialisé car il est variable dans l'espace. En d'autres termes, le facteur de normalisation n'est pas constant et sa valeur peut varier d'une portion de route à une autre. La variabilité spatiale du facteur de normalisation permet une précision et une robustesse pour déterminer le nombre de passages de véhicules.
  • Pour déterminer le facteur de normalisation, on met en œuvre les étapes suivantes :
    • On détermine le facteur de normalisation spatialisé aux points de mesure au moyen du premier nombre de passages de véhicules obtenu à l'étape 1) et au moyen du deuxième nombre de passages de véhicules obtenu à l'étape 2) et considéré aux points de mesure ; et
    • On détermine le facteur de normalisation pour au moins une portion de route du réseau routier par une méthode d'extrapolation du facteur de normalisation déterminé au point de mesure.
  • Selon un mode de réalisation de l'invention, on peut définir le facteur de normalisation spatialisé Fnorm défini de telle sorte que ln(Ntot + 1) = ρ ln(Ngeo + 1) + ln(Fnorm ), ou de façon similaire (Ntot + 1) = (Ngeo + 1) ρ × Fnorm avec Ngeo le deuxième nombre de passages de véhicules, ρ une constante, Ntot le nombre de passages de véhicules déterminé lors de cette étape. Aux points de mesure, Ntot correspond audit premier nombre de passages de véhicules mesurés par lesdits capteurs fixes. On utilise le logarithme du nombre de passages de véhicules, au lieu du nombre de passages de véhicules directement, car le nombre de passages de véhicules peut varier de plusieurs ordres de grandeur. De plus, pour prendre en compte le fait que chaque portion de route n'est pas nécessairement parcourue par au moins un véhicule, et puisque la fonction logarithme est utilisé, on ajoute 1 au nombre de passages pour éviter l'irrégularité de la fonction logarithme en 0, sans dénaturer pour autant la logique de l'algorithme.
  • Selon un exemple de réalisation, la constante ρ peut être choisie égale à 1. Une telle valeur offre une interprétation simple de l'algorithme : le nombre total de passage peut alors être estimé par le produit de (Ngeo + 1) et du facteur de normalisation Fnorm . Dans le cas général, une valeur différente de ρ permet d'offrir plus de flexibilité au modèle, en prenant en compte différemment les faibles et les fortes valeurs de (Ngeo + 1). De manière avantageuse, pour les points de mesures, le facteur de normalisation peut être défini par la formule suivante : F norm = N tot + 1 N geo + 1 ρ
    Figure imgb0002
    .
  • Le facteur de normalisation Fnorm peut alors être obtenu sur l'intégralité du graphe routier par un algorithme d'interpolation. Par exemple, une interpolation polynomiale dans le plan réel ℝ 2
    Figure imgb0003
    , représentant la zone géographique étudiée, peut être choisie. En variante, d'autres algorithmes d'interpolation peuvent être mis en œuvre.
    • b) détermination d'un nombre de passages de véhicules
  • Lors de cette étape, on détermine le nombre de passages de véhicules au moyen d'un facteur de normalisation et du deuxième nombre de passages de véhicules. Cette étape peut mettre en œuvre notamment une multiplication entre le deuxième nombre de passages de véhicules et le facteur de normalisation.
  • Selon un mode de réalisation, le nombre de passages de véhicules Ntot déterminé lors de cette étape 3 peut s'obtenir par la formule Ntot = (Ngeo + 1) ρ × Fnorm - 1, où Ngeo et Fnorm sont définis sur chaque portion de route concernée par l'au moins un déplacement mesuré par géolocalisation. Ainsi, l'influence de du facteur de normalisation est propagée sur l'ensemble de ces portions de routes du réseau routier.
  • Pour une deuxième mise en œuvre, pour lequel le champ scalaire spatialisé est déterminé de manière stochastique (qui correspond au mode de réalisation de la figure 3), on peut mettre en œuvre les étapes a'), b') et c') décrites ci-dessous.
  • Pour cette mise en œuvre, on peut déterminer le champ scalaire spatialisé au moyen de processus gaussiens, notamment des processus gaussiens appliqués au graphe du réseau routier.
    • a') Détermination d'un premier processus aaussien modélisant les flux mesurés par géolocalisation
  • Lors de cette étape, on détermine un premier processus gaussiens u 1 modélisant ln(Ngeo + 1) avec Ngeo le deuxième nombre de passages de véhicules. Cette modélisation permet de limiter le bruit de l'estimation, sur chaque portion de route du réseau, du nombre de déplacements mesurés par géolocalisation et la traversant. En effet, les nombres de passages sur les différentes portions de routes ne sont pas indépendants entre eux. Il est donc possible d'appuyer la détermination du nombre de passages sur une route non seulement par l'observation du nombre de passages sur cette même route, mais aussi par l'observation du nombre de passages sur des routes proches.
  • On utilise le logarithme du nombre de passages de véhicules, au lieu du nombre de passages de véhicules directement, car le nombre de passages de véhicules peut varier de plusieurs ordres de grandeur. De plus, pour prendre en compte le fait que chaque portion de route n'est pas nécessairement parcourue par au moins un véhicule, et puisque la fonction logarithme est utilisé, on ajoute 1 au nombre de passages pour éviter l'irrégularité de la fonction logarithme en 0, sans dénaturer pour autant la logique de l'algorithme.
  • Les processus gaussiens définis sur graphe offrent cette possibilité, à condition de leur fournir une mesure de proximité et de leur fournir une procédure de construction de leur noyau à partir de cette mesure de proximité. Il permettent également d'extrapoler ce nombre de passages sur des portions de routes qui ne seraient traversées par aucun déplacement.
  • Par exemple, la mesure de proximité peut être le nombre de trajets obtenus par les mesures de géolocalisation (étape 2) passant par deux routes, augmenté d'une constante si ces deux routes sont adjacentes dans le graphe. Ainsi, deux routes seront d'autant plus proches que le nombre de cyclistes passant par l'une et par l'autre est élevé. Par exemple, le noyau construit sur cette mesure peut être une version modifiée de l'algorithme de PageRank™ (l'algorithme d'analyse des liens concourant au système de classement des pages Web utilisé par le moteur de recherche Google™). Le noyau ainsi construit exploite pleinement l'information contenue dans les mesures complètes de géolocalisation, et pas uniquement dans des nombres de passages par route, pris indépendamment les uns des autres.
  • Le noyau du processus gaussien intègre cette mesure de proximité, modulée par quelques (généralement moins de trois) paramètres, nommés hyper-paramètres. Le noyau fournit la corrélation attendue entre les réalisations du u 1 sur deux portions de route quelconques du réseau. Par exemple, un hyper-paramètre du précédent noyau peut être le nombre minimal de déplacements, mesurés par géolocalisation et passant par deux portions de route quelconques, nécessaires pour anticiper une forte corrélation du nombre de passages sur ces mêmes deux portions de route. Conformément à une mise en œuvre de l'invention, une procédure d'optimisation adaptée peut permettre d'ajuster les hyper-paramètres du processus gaussien u 1. Un effet pépite peut également être pris en compte. Il traduit l'incertitude de la mesure brute, et du degré de flexibilité laissé à l'algorithme pour ne pas strictement interpoler les points de mesure.
  • Par exemple, cette optimisation peut être une procédure de maximisation de la vraisemblance du processus gaussien u 1, sachant les mesures du nombre de déplacements mesurés par géolocalisation traversant chaque portion de route.
    • b') Détermination d'un second processus gaussien intégrant le premier processus ainsi qu'un facteur de normalisation spatialisé
  • Lors de cette étape, on détermine un second processus gaussien u 2 modélisant ln(Ntot + 1), avec Ntot le nombre de passages de véhicules déterminés au cours de cette étape 3.
  • On utilise le logarithme du nombre de passages de véhicules, au lieu du nombre de passages de véhicules directement, car le nombre de passages de véhicules peut varier de plusieurs ordres de grandeur. De plus, pour prendre en compte le fait que chaque portion de route n'est pas nécessairement parcourue par au moins un véhicule, et puisque la fonction logarithme est utilisé, on ajoute 1 au nombre de passages pour éviter l'irrégularité de la fonction logarithme en 0, sans dénaturer pour autant la logique de l'algorithme.
  • On émet l'hypothèse que u 2 = ρu 1 + δ, où u 1 est le processus gaussien défini à l'étape précédente et δ est un processus gaussien indépendant de u 1. exp (δ) est alors l'équivalent, dans un cadre théorique stochastique, du facteur de normalisation déterministe Fnorm.
  • La procédure de régression multi-fidélité décrite dans le document : « Multi-fidelity optimization via surrogate modelling, Forrester et al., 2007 . » permet de déterminer δ et u2. u2 est intrinsèquement couplé à u1 d'une part et à δ d'autre part. Ce double couplage impose l'utilisation d'une seule procédure unifié pour déterminer les processus gaussiens u2 et δ.
  • De même que pour le processus gaussien u 1, une mesure de proximité et une procédure pour construire le noyau de δ sont définies. Par exemple, le noyau de u 2 peut-être un noyau reposant sur une fonction RBF (fonction à base radiale). Une fonction à base radiale est une fonction réelle quelconque ne dépendant que de la distance à vol d'oiseau r entre chaque paire de routes. On pourra notamment prendre la mesure de proximité exp (- r 2/λ 2), où r est la distance à vol d'oiseau séparant deux routes et λ un hyper-paramètre du modèle. λ peut être interprété comme la distance caractéristique séparant deux portions de route au-delà de laquelle une faible corrélation des facteurs de normalisation est anticipée.
  • La procédure assure que le processus u 2 corresponde à ln (Ncap + 1), sur chaque portion de route possédant une mesure de comptage (Ncap est le premier nombre de passages de véhicules). Cette correspondance est prise au sens que l'espérance du processus sur chaque portion de route possédant une mesure de comptage soit proche de ln (Ncap + 1) et que sa variance soit faible. Selon un mode de réalisation, une procédure d'optimisation peut permettre de déterminer au mieux les hyper-paramètres de δ. Notamment, on s'assure que la longueur de corrélation apparaissant dans le noyau RBF est grande par rapport aux longueurs de corrélation caractéristiques du premier noyau.
    • c') Détermination d'un nombre de passages de véhicules
  • Lors de cette étape, on détermine le nombre de passages de véhicules au moyen du deuxième processus gaussien. La détermination du nombre de passages de véhicules est assurée par l'évaluation de l'espérance E u 2
    Figure imgb0004
     du deuxième processus gaussien déterminé à l'étape précédente sur toutes les portions de route de la zone géographique étudiée et de sa variance V u 2
    Figure imgb0005
    . Il est ensuite possible de calculer l'intervalle de confiance à 95% du nombre de passage : exp E u 2 ± 1.96 V u 2 − 1
    Figure imgb0006
    .
  • Les figures 4 à 6 illustrent la deuxième mise en œuvre de l'invention pour un exemple simple. Pour cet exemple, on considère un ensemble de portions de route dans Paris. La figure 4 illustre sur un plan les portions de route considérées. Sur cette figure 4, les points 1 représentent les points de mesures par les capteurs fixes, et la ligne 2 représente les portions de route, numérotés de 0 à 54. La figure 5 représente sur une échelle logarithme les mesures du nombre N de passages de véhicules en fonction de la direction D normalisée, dont le sens est indiqué par une flèche sur la figure 4. Le premier nombre de passages de véhicules est noté Ncap et correspond aux mesures réalisées par les capteurs fixes. Le deuxième nombre de passages de véhicules est noté Ngeo et correspond aux mesures réalisées par géolocalisation. On remarque qu'aux points de mesure le deuxième nombre de passages de véhicules est inférieur au premier nombre de passages de véhicules : les mesures par géolocalisation ne suffisent donc pas pour déterminer précisément le nombre de passages de véhicules. La figure 6 est similaire à la figure 5. Sur la figure 6, on a tracé en outre la courbe Ntot qui correspond au nombre de passages de véhicules estimés par le procédé selon l'invention. La zone grisée autour de la courbe Ntot donne une plage d'incertitudes autour du nombre déterminé correspondant à l'intervalle de confiance précédemment mentionné. On remarque que la courbe Ntot passe bien par les points Ncap. De plus, on remarque que la courbe Ntot a une forme assez similaire avec la courbe Ngeo sans en être une simple translation. Par conséquent, le procédé selon l'invention, permet bien de prendre en compte les nombres de passages de véhicules obtenus par deux types de mesures différentes, de manière à obtenir précisément un nombre précis de passages de véhicules.
  • Selon un mode de réalisation, le procédé peut mettre en œuvre une détermination d'un nombre de passages de véhicules a posteriori. En d'autres termes, on détermine le nombre de passages de véhicules qui ont parcouru les portions de route du réseau routier. Selon une option de réalisation, cette détermination peut être réalisée pour un intervalle de temps prédéfini, par exemple pour quelques heures, pour un ou plusieurs jours, une ou plusieurs semaines, un ou plusieurs mois, etc. Pour cette option de réalisation, on peut mettre en œuvre des mesures d'horodatage.
  • Alternativement, le procédé peut mettre en œuvre une détermination prédictive d'un nombre de passages de véhicules pour une période future. Pour ce mode de réalisation, le procédé peut mettre en œuvre les mesures des capteurs fixes, les mesures de géolocalisation, ainsi que les éventuelles mesures d'horodatage. En effet, les éventuelles mesures d'horodatage permettent de prendre en compte la périodicité des déplacements des utilisateurs du réseau routier, par exemple les horaires de déplacement domicile-travail, le jour de la semaine, les périodes de vacances, les périodes de confinement, les saisons, etc. Ainsi, selon un exemple, la période future peut être quelques heures, quelques jours, quelques semaines, voire quelques mois.
  • Afin d'améliorer la prédiction pour la période future, le procédé peut également prendre en compte la météorologie. Dans ce cas, le procédé peut comporter une étape d'enregistrement de la météorologie simultanément aux mesures des capteurs fixes, aux mesures de géolocalisation, aux mesures d'horodatage. Ensuite, la détermination prédictive d'un nombre de passages de véhicules peut se faire au moyen de prédictions météorologiques pour la période future. Les prédictions météorologiques peuvent être obtenues au moyen de service en ligne.
  • De plus, le procédé selon l'invention peut comporter une étape d'affichage du nombre de passages de véhicules. Lors de cette étape, on affiche le nombre de passages de véhicules déterminé sur une carte routière. Cet affichage peut prendre la forme d'une note ou d'un code couleur ou d'une épaisseur de représentation de la route. Cet affichage peut être réalisé à bord du véhicule : sur le tableau de bord, sur un dispositif portatif autonome, tel qu'un appareil de géolocalisation (de type GPS), un téléphone portable (de type téléphone intelligent). Il est également possible d'afficher le nombre de passages de véhicules sur un site internet, que l'utilisateur peut consulter postérieurement à sa conduite. De plus, le nombre de passages de véhicules peut être partagé avec les pouvoirs publics (par exemple gestionnaire de la voirie) et les entreprises de travaux publics. Ainsi, les pouvoirs publics et les entreprises de travaux publics peuvent déterminer les routes ayant un grand nombre de passages de véhicules et adapter les routes aux utilisateurs (par exemple création de pistes cyclables).
  • La figure 7 représente une carte routière de Paris. Sur cette carte routière, les points de mesure des capteurs fixes 1 sont représentés par des cercles gris. De plus, le deuxième nombre de passages de véhicules, pour cet exemple des bicyclettes, est représenté par l'épaisseur des traits et le niveau de gris correspondant aux routes : les traits épais et noirs traduisent un grand nombre de passages de bicyclettes obtenu par les mesures de géolocalisation, alors que les traits fins et gris clair traduisent un faible nombre de passages de bicyclettes obtenu par les mesures de géolocalisation. Pour cette figure, les deux types de mesures sont indépendantes.
  • La figure 8 représente une carte routière de Paris, similaire à la figure 7. Toutefois, sur cette figure, l'épaisseur et la couleur du trait des routes correspondent au nombre de passages de bicyclettes obtenu par le procédé selon l'invention, en prenant en compte les mesures des capteurs fixes et les mesures de géolocalisation illustrées sur la figure 7. On précise que l'échelle de l'épaisseur et la couleur du trait entre les figures 5 et 6 sont différentes, mais ces cartes permettent une comparaison relative des routes. On remarque que les cartes des figures 5 et 6 diffèrent, en particulier à l'est de Paris, le nombre de passages de véhicules déterminé par le procédé selon l'invention est plus important que ce qui est mesuré par géolocalisation. Cette carte routière peut être celle affichée par le procédé selon l'invention, notamment sur un site internet ou sur un téléphone intelligent.

Claims (17)

  1. Procédé de détermination d'un nombre de passages de véhicules (Ntot) sur au moins une portion de route d'un réseau routier, au moyen d'au moins deux capteurs fixes (1) de mesure de trafic disposés sur une pluralité de points de mesures agencés au sein dudit réseau routier, et au moyen de mesures lors d'au moins un déplacement d'au moins un véhicule, caractérisé en ce qu'on met en œuvre les étapes suivantes :
    a. On mesure un premier nombre de passages de véhicules (Ncap) auxdits points de mesure au moyen desdits capteurs fixes (1) ;
    b. On mesure la géolocalisation (GEO) dudit au moins un véhicule lors dudit au moins un déplacement au sein dudit réseau routier, et on en déduit un deuxième nombre de passages de véhicules (Ngeo) sur chaque route dudit réseau routier empruntée par ledit au moins véhicule pendant ledit au moins un déplacement ;
    c. On détermine ledit nombre de passages de véhicules (Ntot) sur ladite au moins une portion de route dudit réseau routier au moyen dudit deuxième nombre de passages de véhicules (Ngeo) et d'un champ scalaire spatial (SCA) qui dépend dudit premier nombre de passages de véhicules (Ncap).
  2. Procédé selon la revendication 1, dans lequel on détermine ledit champ scalaire spatial (SCA) par détermination d'un facteur de normalisation spatialisé (Fnorm), et on détermine ledit nombre de passages de véhicule sur ladite au moins une portion de route dudit réseau routier au moyen dudit deuxième nombre de passages de véhicules et dudit facteur de normalisation spatialisé (Fnorm).
  3. Procédé selon la revendication 2, dans lequel on détermine ledit facteur de normalisation spatialisé (Fnorm) au moyen des étapes suivantes :
    i. On détermine ledit facteur de normalisation spatialisé (Fnorm) auxdits points de mesure au moyen desdites mesures au moyen desdits capteurs fixes, et au moyen dudit deuxième nombre de passages de véhicules (Ngeo) auxdits points de mesures ; et
    ii. On détermine ledit facteur de normalisation spatialisé (Fnorm) sur ladite au moins une portion dudit réseau routier par extrapolation dudit facteur de normalisation spatialisé (Fnorm) déterminé auxdits points de mesure.
  4. Procédé selon la revendication 3, dans lequel auxdits points de mesure, ledit facteur de normalisation spatialisé (Fnorm) est défini par la formule suivante : F norm = N cap + 1 N geo + 1 ρ
    Figure imgb0007
     avec Ncap ledit premier nombre de passages de véhicules, Ngeo ledit deuxième nombre de passages de véhicules, ρ une constante.
  5. Procédé selon la revendication 1, dans lequel ledit champ scalaire spatial (SCA) est un champ scalaire stochastique.
  6. Procédé selon la revendication 5, dans lequel ledit champ scalaire spatial (SCA) est mis en œuvre au moyen de processus gaussiens.
  7. Procédé selon la revendication 6, dans lequel on modélise ln(Ntot + 1), par un processus gaussien u 2 défini sur un graphe mathématique dudit réseau routier, Ntot étant ledit nombre de passages de véhicules sur au moins une portion de route dudit réseau routier, u 2 étant défini de telle sorte que u 2 = ρu 1 + δ avec u 1 et δ eux-mêmes deux processus gaussiens définis sur ledit graphe dudit réseau routier et tels que u 1 modélise ln(Ngeo + 1) avec Ngeo le deuxième nombre de passages de véhicules, ρ une constante, et avec et u 2 modélise ln(Ncap + 1) auxdits points de mesure, avec Ncap ledit premier nombre de passages de véhicules mesurés par lesdits capteurs fixes.
  8. Procédé selon l'une des revendications 7, dans lequel lesdits processus gaussiens de u 1 et δ prennent en compte une mesure de proximité entre des portions de route dudit réseau routier permettant de construire les noyaux desdits processus gaussiens.
  9. Procédé selon l'une des revendications 7 ou 8, dans lequel on détermine des hyper-paramètres des noyaux desdits processus gaussiens u 1 et δ au moyen d'une procédure d'optimisation dudit processus gaussien.
  10. Procédé selon l'une des revendications précédentes, dans lequel on mesure ladite géolocalisation dudit au moins un véhicule au moyen d'un capteur de géolocalisation intégré dans un téléphone intelligent.
  11. Procédé selon l'une des revendications précédentes, dans lequel ledit au moins un véhicule est une bicyclette.
  12. Procédé selon l'une des revendications précédentes, dans lequel lesdits capteurs fixes (1) sont choisis parmi des caméras, des radars, des cellules photoélectriques, des câbles piézoélectriques ou des boucles inductives.
  13. Procédé selon l'une des revendications précédentes, dans lequel ledit procédé prend en compte également au moins un trajet simulé par un utilisateur.
  14. Procédé selon l'une des revendications précédentes, dans lequel on mesure en outre l'horodatage desdites mesures desdits capteurs fixes et desdites mesures de géolocalisation dudit au moins un véhicule.
  15. Procédé selon la revendication 14, dans lequel on détermine le nombre de passages de véhicules (Ntot) pour une période future pour au moins une portion de route dudit réseau routier au moyen desdites mesures des capteurs fixes (1), desdites mesures de géolocalisation et dudit horodatage.
  16. Procédé selon la revendication 15, dans lequel ladite détermination dudit nombre de passages de véhicules (Ntot) pour une période future prend en compte en outre la météorologie et/ou une modification de l'infrastructure dudit réseau routier.
  17. Procédé selon l'une des revendications précédentes, dans lequel on affiche ledit nombre déterminé de passages de véhicules (Ntot) sur une carte routière, de préférence au moyen d'un téléphone intelligent ou d'un système informatique.
EP21205861.4A 2020-11-10 2021-11-02 Procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier Active EP3996064B1 (fr)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR2011523A FR3116144B1 (fr) 2020-11-10 2020-11-10 Procédé de détermination d’un nombre de passages de véhicules sur au moins une portion de route d’un réseau routier

Publications (2)

Publication Number Publication Date
EP3996064A1 true EP3996064A1 (fr) 2022-05-11
EP3996064B1 EP3996064B1 (fr) 2023-09-13

Family

ID=74183385

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21205861.4A Active EP3996064B1 (fr) 2020-11-10 2021-11-02 Procédé de détermination d'un nombre de passages de véhicules sur au moins une portion de route d'un réseau routier

Country Status (3)

Country Link
US (1) US20220148418A1 (fr)
EP (1) EP3996064B1 (fr)
FR (1) FR3116144B1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830868A (zh) * 2022-11-23 2023-03-21 武汉爱迪科技股份有限公司 一种车流量密度预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5812069A (en) 1995-07-07 1998-09-22 Mannesmann Aktiengesellschaft Method and system for forecasting traffic flows
EP1071057A1 (fr) * 1999-07-23 2001-01-24 DDG Gesellschaft für Verkehrsdaten mbH Procédé et dispositif de pronostic de l'état du trafic par retroaction l'état en cascade
EP1321915A2 (fr) * 2001-12-12 2003-06-25 JET RESEARCH Srl Dispositif de surveillance du traffic
US20160379486A1 (en) * 2015-03-24 2016-12-29 Donald Warren Taylor Apparatus and system to manage monitored vehicular flow rate

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7920965B1 (en) * 2006-05-05 2011-04-05 Mapquest, Inc. Identifying a route configured to travel through multiple points of interest
US10754352B1 (en) * 2014-06-25 2020-08-25 Santa Clara University Multi-robot gradient based adaptive navigation system
CA2995850A1 (fr) * 2015-08-31 2017-03-09 Ryan Kottenstette Systemes et procedes pour analyser une imagerie de detection a distance
US20180180423A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for individualized route management with a macro managed traffic infrastructure

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5812069A (en) 1995-07-07 1998-09-22 Mannesmann Aktiengesellschaft Method and system for forecasting traffic flows
EP1071057A1 (fr) * 1999-07-23 2001-01-24 DDG Gesellschaft für Verkehrsdaten mbH Procédé et dispositif de pronostic de l'état du trafic par retroaction l'état en cascade
EP1321915A2 (fr) * 2001-12-12 2003-06-25 JET RESEARCH Srl Dispositif de surveillance du traffic
US20160379486A1 (en) * 2015-03-24 2016-12-29 Donald Warren Taylor Apparatus and system to manage monitored vehicular flow rate

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FENG-CUI QIUEN-JIAN YAOYANG YANGXIN LIYI ZHANG, STUDY ON DATA FUSION MODEL WITH MULTI-SOURCE HETEROGENEOUS TRAFFIC DATA
FORRESTER ET AL., MULTI-FIDELITY OPTIMIZATION VIA SURROGATE MODELLING, 2007
JIE CHENKIAN HSIANG LOWYUJIAN YAOPATRICK JAILLET: "Gaussian Process Decentralized Data Fusion and Active Sensing for Spatiotemporal Traffic Modeling and Prédiction in Mobility-on-Demand Systems", IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING, vol. 12, no. 3, July 2015 (2015-07-01), XP011663813, DOI: 10.1109/TASE.2015.2422852
M. HOUBRAKENK. SCHEERLINCK: "Real-time Traffic Monitoring by fusing Floating Car Data with Stationary Detector Data", 2015 MODELS AND TECHNOLOGIES FOR INTELLIGENT TRANSPORTATION SYSTEMS (MT-ITS, vol. 3-5, June 2015 (2015-06-01)

Also Published As

Publication number Publication date
US20220148418A1 (en) 2022-05-12
FR3116144A1 (fr) 2022-05-13
EP3996064B1 (fr) 2023-09-13
FR3116144B1 (fr) 2022-10-14

Similar Documents

Publication Publication Date Title
US10482761B2 (en) Lane-level geometry and traffic information
Ni et al. Trajectory reconstruction for travel time estimation
Tenkanen et al. Longitudinal spatial dataset on travel times and distances by different travel modes in Helsinki Region
US11651689B2 (en) Method, apparatus, and computer program product for identifying street parking based on aerial imagery
US11435202B2 (en) Trajectory sampling using spatial familiarity
Lin et al. Efficient data collection and accurate travel time estimation in a connected vehicle environment via real-time compressive sensing
US10580292B2 (en) Lane-level geometry and traffic information
EP2989623A1 (fr) Procédé et dispositif de gestion dynamique de la mobilité urbaine
Chang et al. The potential use of big vehicle GPS data for estimations of annual average daily traffic for unmeasured road segments
EP4075408A1 (fr) Procédé de détermination de la quantité d&#39;émission polluantes émises par un véhicule sur un brin d&#39;un réseau routier
El Esawey et al. Travel time estimation in urban networks using limited probes data
FR3076377A1 (fr) Prediction de deplacement et de topologie pour un reseau de cameras.
EP3936824A1 (fr) Procede de caracterisation d&#39;un trajet parcouru par un utilisateur
EP3996064B1 (fr) Procédé de détermination d&#39;un nombre de passages de véhicules sur au moins une portion de route d&#39;un réseau routier
Altintasi et al. Quality of floating car data (FCD) as a surrogate measure for urban arterial speed
Allström et al. Mobile Millennium Stockholm
Jeong et al. Toward real-world implementation of deep learning for smartphone-crowdsourced pavement condition assessment
Huang et al. Estimating urban noise along road network from street view imagery
Cui et al. Establishing multisource data-integration framework for transportation data analytics
BE1014680A6 (fr) Trafic et securite : processus interactif dynamique instantane en reseau d&#39;analyse de flux de trafic identifiant individuellement chaque objet en mouvement sur le reseau. mesure de vitesse moyenne des vehicules sur de moyennes ou longues distances (plusieurs centaines de kilometres).
Fei et al. Adapting public annotated data sets and low-quality dash cameras for spatiotemporal estimation of traffic-related air pollution: A transfer-learning approach
Faka et al. Environmental sensing: a review of approaches using GPS/GNSS
WO2013190233A1 (fr) Méthode d&#39;estimation d&#39;un temps de parcours d&#39;un véhicule dans un réseau routier
Zhao Road network and GPS tracking with data processing and quality assessment
Almikaeel et al. Hydro-informer: A deep learning model for accurate water level and flood predictions

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221111

RBV Designated contracting states (corrected)

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20230421

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 602021005117

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: FRENCH

REG Reference to a national code

Ref country code: LT

Ref legal event code: MG9D

REG Reference to a national code

Ref country code: NL

Ref legal event code: MP

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231214

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: RS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: NO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231213

Ref country code: LV

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: LT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: HR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231214

Ref country code: FI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

REG Reference to a national code

Ref country code: AT

Ref legal event code: MK05

Ref document number: 1612104

Country of ref document: AT

Kind code of ref document: T

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: NL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240113

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: AT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SM

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: RO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240113

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: EE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: AT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: PT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240115

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: PL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: IT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

REG Reference to a national code

Ref country code: DE

Ref legal event code: R097

Ref document number: 602021005117

Country of ref document: DE

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MC

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: LU

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20231102

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MC

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: LU

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20231102

Ref country code: DK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

REG Reference to a national code

Ref country code: BE

Ref legal event code: MM

Effective date: 20231130

26N No opposition filed

Effective date: 20240614

REG Reference to a national code

Ref country code: IE

Ref legal event code: MM4A

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20231102

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: BE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20231130

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

Ref country code: IE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20231102

Ref country code: BE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20231130

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: BG

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: BG

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20230913

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: DE

Payment date: 20241128

Year of fee payment: 4

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: FR

Payment date: 20241126

Year of fee payment: 4