Estimation fine du trafic urbain à partir de capteurs mobiles *

Estimation fine du trafic urbain à partir de capteurs mobiles

SCHWING Alexandre

2004, Route des lucioles - BP 93 06902 SOPHIA ANTIPOLIS France

RESUME.

Cet article présente une approche sur l'estimation fine du trafic urbain à partir de véhicules équipés de capteurs (caméra, GPS, capteurs à ultrasons, odomètre, etc...).

Traditionnellement, cette estimation est basée sur les données du trafic (débit, densité, taux d'occupation, vitesse,...) mesurées en un certain nombre de points du réseau par le biais de capteurs de type boucles magnétiques. De nos jours, avec l'apparition et le développement de nouveaux moyens de mesures, une estimation temps réel plus fine est possible. Nous allons donc décrire dans une première partie les matrices Origine- Destination (O-D), présenter ensuite un panorama des modèles d'estimation existant, pour finir avec une proposition de solution que l'on peut apporter à ce type de problème.

ABSTRACT.

This paper describes an approach based on a precise estimation of urban traffic by probing vehicles (equipped with cameras, GPS, ultrasound sensors, odometer, etc...).

Usually, the estimation is based on traffic data (flow, density, occupancy rate, speed...) measured in several stations of the network by inductive loop detectors. Recent developments in new measurement tools yield more precise estimations in real time.

The first part of this paper explains the Origin-Destination (O-D) matrices, the second describes the several existing estimation models and the third chapter concludes in proposing an approach to solve the problem concerned.

MOTS-CLES :

Estimation du trafic, capteurs mobiles, estimation de matrice O-D dynamique, véhicule automatisé, véhicule sonde, temps de parcours, gestion temps réel du trafic, système de localisation, prédiction du comportement du trafic, Intelligent Transportation System.

KEY WORDS :

Traffic estimation, mobiles sensors, dynamic O-D matrix estimation, automated vehicle, probe vehicle, travel time, real time traffic management, positioning system, traffic behaviour prediction, Intelligent Transportation System.

* Cette synthèse bibliographique à été réalisée au sein du laboratoire de l'INRIA de Sophia Antipolis sous la responsabilité de Phillipe MUSSI.

1. Introduction

La notion de temps, sa perception, son utilisation et sa gestion ont pris une importance essentielle dans l'organisation et le fonctionnement de nos sociétés. Dans le domaine des transports de personnes aussi bien que de marchandises, les gains de temps constituent une des motivations majeures des investissements. Ainsi, habituellement, les données mesurées ou estimées concernant les temps de parcours permettent de dimensionner et de justifier les infrastructures routières. Les enjeux d'une meilleure connaissance des temps de parcours en milieu urbain sont multiples. De nombreux scénarios ont été envisagés et un nombre important de modèles ont été développés pour essayer de répondre à ce type de problème. Quelque systèmes mis en place fonctionnent d'ailleurs correctement, comme les panneaux à messages variables installés sur les autoroutes.

Mais ceux-ci ne servent qu'à avertir le conducteur de la situation actuelle. Aucun système mis en place à ce jour ne permet de distribuer des informations personnalisées aux conducteurs en fonction de leur position dans un réseau urbain. A long terme, il est envisageable d'arriver à anticiper les flux de trafic en fonction de différents facteurs tels que la météo, des événements ponctuels (le marché, un concert, les départs en vacances,...), ou encore des changements de l'infrastructure routière (travaux, changement du sens de la circulation) à partir d'un nombre réduit de véhicules instrumentés. La principale donnée utilisée dans les simulations de trafic sont lesmatrices Origine - Destination (O-D), qui permettent de modéliser les demandes de trajet dans le réseau considéré. C’est donc ce type de données que l’on va chercher à déterminer à partir des sources d’informations dont nous disposons.

L'objectif de cet article est simple :

• Faire un état de l'art des méthodes d'estimation des matrices O-D et des différents projets concernant la gestion du trafic en milieu urbain utilisant des véhicules instrumentés.

• Proposer une ébauche de solution adaptée aux véhicules instrumentés.

La principale difficulté rencontrée lors de l'estimation de matrices O-D est de réussir à concilier rapidité de calcul et précision de l'estimateur. En effet, les réseaux urbains sont souvent très complexes, avec de nombreux itinéraires possibles pour aller d’un point à un autre, ce qui implique des temps de calculs importants. Par ailleurs, l'utilisation de véhicules équipés de capteurs, d'un système de localisation et de transmission de données permet de collecter des données précises et pertinentes sur l'état du trafic, non plus en des points fixes mais sur des tronçons de réseau entier et ceci en temps réel. Il est donc utile de se demander si une voiture bien instrumentée peut remplacer de nombreux capteurs disséminés dans le réseau. Nous allons développer ces différents points dans la suite.

Enfin, cette synthèse bibliographique s'inscrit dans le cadre du projet MobiVIP (Véhicules Individuels Publics pour la Mobilité en centre ville), qui s'intéresse au déploiement intégré de services de mobilité en milieu urbain basés sur un système de transport - les Véhicules Individuels Publics - et un système d'information s'intégrant dans la politique de gestion globale des déplacements à l'échelle d'un centre ville (pour plus d'informations, consulter l'adresse suivante : http://www-sop.inria.fr/mobivip/).

2. Etat de l'art

2.1. Matrices Origine - Destination

2.1.1. Description des matrices O-D

Une matrice Origine - Destination (O-D) est une matrice bidimensionnelle ou chaque cellule contient une loi de probabilité de la demande de voyage entre chaque origine (ligne) et chaque destination (colonne). Une matrice O-D peut être obtenue par le comptage des voitures sur chaque point d'entrée et de sortie du réseau grâce à des capteurs fixes. De tels aperçus sont coûteux en temps, en main-d'oeuvre et en investissements. En outre, ces approches impliquent l'utilisation de modèles permettant d'estimer la demande sur chaque parcours du réseau. Ces approches conventionnelles souffrent également d'autres inconvénients, tels qu'une incapacité à refléter les changements dûs à l'influence de certains facteurs.

Par conséquent la matrice précédemment mesurée peut rapidement devenir obsolète, et on se doit de répéter ces aperçus afin d'obtenir une mise à jour constante, ce qui est prohibitif en termes de coûts. Il parait donc évident d'utiliser des matrices O-D dépendantes du temps, donc dynamiques. Ces matrices sont tridimensionnelles, chaque matrice bidimensionnelle extraite formant une matrice O-D à une date t donnée [Paramahamsan & al. 1999].

2.1.2. Valeur historique et notion de déviation

Les valeurs historiques sont une moyenne calculée sur plusieurs jours ou plusieurs semaines et qui permettent d'avoir en quelque sorte un point de départ lors de l'estimation des matrices O-D. Deux types de données historiques sont disponibles.

D'une part, les valeurs historiques concernant les matrices O-D et d'autre part les valeurs historiques relatives aux comptages.

Etant donné que nous connaissons les valeurs historiques des matrices O-D, il est intéressant, lors de la résolution du problème, de considérer la différence entre ces valeurs historiques et les matrices O-D estimées. On l'appelle la déviation. Ce changement de variable permet notamment de supposer que les erreurs commises lors de l'estimation sont centrées. Une fois que les déviations ont été estimées, il suffit de leur ajouter les valeurs historiques des matrices O-D pour obtenir la matrice O-D estimée [Antille. 2000].

2.1.3. Principales données utilisées

Pour obtenir la loi de probabilité de la demande de voyage à une date donnée, plusieurs possibilités nous sont offertes. Le temps de parcours moyen constitue un indicateur synthétique, immédiatement compréhensible et facile à manipuler, de la quantité d'écoulement du trafic sur un réseau. Communiqué en temps réel aux usagers, le temps de parcours constitue une aide au choix d'itinéraire, mais aussi un élément de confort lors des déplacements. Influant sur le choix d'itinéraire, il devient également un outil de régularisation des flux au service des sociétés d'exploitation. De plus, il est possible d’estimer la vitesse et le temps de parcours moyen d'un flot de véhicules à partir de la vitesse du véhicule instrumenté [Paruchuri & al. 2002].

Par ailleurs, grâce aux véhicules instrumentés, l’interprétation de certaines actions est rendue possible. Par exemple, une caméra fixée à l'avant du véhicule permet de constater la cause d'un freinage. Réussir à déterminer les causes des ralentissements du trafic peut être une source d'informations très pertinente. Cela peut servir à ôter les informations dépendantes d'une voiture mais garder celles influentes sur le trafic global.

La principale difficulté réside dans l'automatisation de l’interprétation de ces informations.

2.1.4. Problème de fusion des données

Les véhicules instrumentés sont par nature équipés de nombreux capteurs. Ces capteurs sont autant de sources d’informations hétérogènes, et afin de tirer profit de l'ensemble de ces sources, il est utile de pouvoir fusionner les données. Cette fusion permet de gérer diverses informations, complémentaires et redondantes, issues de sources hétérogènes, afin de faire face à l'imperfection de ces informations et d'obtenir la meilleure connaissance possible de la situation étudiée au sens d'un certain critère.

Plusieurs cadres théoriques proposent des formalismes permettant d'opérer la fusion de données, parmi lesquels on peut citer la théorie des probabilités, la théorie de l'évidence ou encore l’utilisation de réseaux neuronaux. Ces techniques ont trouvé des applications dans de nombreux domaines où le développement de nouvelles technologies offre toujours plus d'informations sur l'état d'un système [El Fouazi 2003].

2.2. Systèmes existants

2.2.1. Projets développés

L'APTS¹est le projet fédérateur américain concernant l'étude et la gestion du trafic. Le but de ce projet est de permettre à tous l'accès aux informations routières, de donner des outils d'aide à la décision et d'augmenter la qualité de service aux usagers. L'APTS propose des outils efficaces pour la localisation de véhicules, la gestion d'une flotte de véhicules, la commande des feux de signalisation et l'envoi d'informations personnalisées [Casey & al. 2000].

Sur les cinq grandes catégories que couvre l'APTS, l'application qui nous intéresse plus particulièrement est le système de gestion de flotte (Fleet Management Systems).

Les technologies utilisées par ce système sont décrites ci-dessous :

• Automatic Vehicle Location (AVL) Systems : Ce sont des systèmes de localisation de véhicule qui fonctionnent en mesurant la position en temps réel de chaque véhicule et en transmettant l'information à un central (cf page 6). Ils sont fréquemment employés pour identifier les coordonnées des véhicules afin de satisfaire au mieux les demandes d'estimation du trafic. Ils servent également à fournir les coordonnées des lieux d'incidents pour répondre aux situations d'urgence.

• Transit Operations Software : Ce type de logiciel sert à la gestion des flottes de véhicules. Il permet d’identifier les points de congestion, d’alerter le contrôleur des d’accidents en synthétisant les données sur une interface ergonomique.

1 Advanced Public Transportation Systems

• Comunications Systems : Les systèmes de communications permettent la transmission de données entre véhicules ou avec un central. Les systèmes de communications sont composés la plupart du temps des technologies et des applications sans fil (VHF, GSM, GPS, UMTS, WiFi, etc...).

• Geographic Information Systems (GIS) : Les systèmes d'information géographiques jouent un rôle important dans le suivi de véhicules. Cela permet l’affichage des positions temps réel des véhicules sur une carte, et d’associer ces positions à d’autres données (par exemple une photo prise par le véhicule au même moment).

Cela implique l’utilisation des techniques de map-matching² à l’aide de carte numérique (type Navtech par exemple) et des données corrélées issues des différents capteurs de position et de vitesse (GPS, odomètre).

• Automatic Passenger Counters : Ce système permet d’évaluer les flux de trafic en temps réel grâce à un comptage automatique des véhicules en point du réseau.

• Traffic Signal Priority System : A partir des flux de trafic présent sur une intersection, ce système permet d’optimiser la gestion des feux. Cela peut être très utile pour les bus, et permet une augmentation du nombre de personnes traversant l’intersection pendant un cycle.

La ville de Boston à mis en place le DynaMIT³ qui utilise de nombreuses techniques parmi celles décrites ci-dessus. DynaMIT est un système temps réel qui permet de donner des prédictions des flux de trafic (Network State Estimation) et de guider les automobilistes (Prediction-based Guidance Generation) [Ben-Akiva & al. 1998]. Les informations utilisées pas le système de simulation sont issues de véhicules sondes, de capteurs fixes et de systèmes de détection d’incidents. En plus de cela, des données historiques sont indispensables au fonctionnement de la simulation (les matrices O-D historiques), ces données étant remise à jour régulièrement à partir des estimations faites. Il est donc nécessaire de vérifier la consistance du schéma numérique utilisé.

A Naples, une flotte de véhicules à été utilisée comme source de données pour augmenter la capacité de supervision du trafic et ainsi définir une meilleure stratégie de sa gestion [Gortan & al. 2000]. Ces véhicules étaient équipés d’un système de guidage et permettaient l’acquisition de leurs vitesses et positions en temps réel. Chaque véhicule avait à son bord un ordinateur pour l’acquisition et le traitement des données, un GPS différentiel et une liaison GSM pour transférer les données à la station de contrôle.

Un autre modèle d’estimation du trafic utilisant des données provenant à la fois de capteurs fixes et de véhicules sondes a été étudié en 2001 à Singapour [Cheu & al.

2001]. Ce modèle regroupe 3 modules :

• Le module du véhicule sonde qui mesure la vitesse grâce à un GPS différentiel embarqué.

• Les capteurs fixes qui permettent l’estimation du flux de trafic en différents points du réseau

2 Recalage de la position des véhicules sur une carte

3 Dynamic Network Assignement for the Management of Information to Travelers

• Un module de fusion de données qui utilise un réseau neuronal pour combiner les différentes sorties des deux modules précédents.

Les résultats de l’expérience menée montrent que les estimations de la densité ainsi que la vitesse du flot de véhicules sont très précises (erreur maximale calculée par la méthode des moindres carrés ≈ 7 %).

2.2.2. Techniques utilisées

De nombreuses applications, comme les systèmes de navigation embarqués, ont besoin de la position précise des véhicules utilisant le réseau urbain et ceci en temps réel. La plupart de ces services doivent aussi pouvoir afficher la position des véhicules sur une carte avec une erreur maximale connue. Deux types d’informations sont donc requis, la position absolue du véhicule (ex : latitude/longitude) et la localisation du véhicule par rapport au réseau urbain.

Un inventaire des techniques existantes en matières de véhicules instrumenté à été fait par l’Intelligent Transportation System [Turner & al. 1998]. Chaque système présente ses avantages et ses inconvénients qui vont être décrits ci-dessous.

Il existe 4 grandes catégories :

• Signpost-Based Automatic Vehicle Location (AVL)

Figure 1. Système AVL

L’emploi de cette technique permet une mise en place rapide et relativement simple. Il est possible d’effectuer un comptage des véhicules, permettant la génération de matrices O-D. Mais le système offre une couverture limitée à un réseau en-dehors duquel les véhicules ne serve plus, la maintenance à assurer est importante et les progrès du système GPS l’ont rendu obsolète.

• Automatic Vehicle Identification (AVI)

Figure 2. Système d’identification automatique des véhicules

Ce système présente l’avantage d’être entièrement automatisé, ce qui assure un faible taux d’erreur et un rendement élevé de collection des données. Cela implique aussi très peu d’équipements embarqué (donc un coût peu élevé) et un taux de détection des véhicules supérieur à 80 %. De plus, ce système permet l’identification des véhicules.

Par contre, les problèmes de limitation géographique et du nombre de véhicules équipés se posent encore, en plus de l’importante capacité de stockage de données nécessaire.

• Ground-Based Radio Navigation / Cellular Geo-location

Figure 3. Système de localisation terrestre

Le principal avantage de cette méthode réside dans le fait qu’il n’y a aucun équipement embarqué à installer. Le simple fait d’avoir un téléphone mobile allumé permet une localisation (avec une erreur comprise entre 100 et 600 mètres). Le système n’est donc pas limité par le nombre de personnes équipées, et peut ainsi permettre une étude à grande échelle. Cependant, la précision de la localisation n’est pas suffisamment précise pour une étude en centre ville⁴. De plus, ce système pose un problème de respect de la vie privée étant donné que l’on peut obtenir l’identité de chaque personne ayant un portable.

• Global Positioning System (GPS)

Figure 4. Système de positionnement global

Cette technique de localisation est relativement peu coûteuse mis à part la première installation, et son développement permet l’acquisition de données sur un nombre important de véhicules.

Aujourd’hui, l’outil le plus souvent utilisé est donc le système de positionnement global (type GPS ou bientôt EGNOS/GALILEO). Celui ci est très souvent hybridé à un ou plusieurs autres capteurs tels qu’un odomètre, un gyroscope, des capteurs à ultrasons ou encore des outils de map-matching. L’utilisation combinée ou non de ces capteurs dépend du paramètre RNP (Required Navigation Performance). De plus, la capacité de ces systèmes à identifier chaque véhicule est essentielle. Afin de répondre au RNP, la combinaison de différents capteurs, comme le GPS (éventuellement différentiel) hybridé⁵, a pu être employée pour augmenter la précision du positionnement géométrique. Par ailleurs, les techniques de map-matching ne permettent pas seulement de localiser un véhicule sur une carte mais aussi d’accroître la précision du positionnement en fonction de la qualité de la carte numérique.

4 L’UMTS permettra une précision bien plus importante

5 On appelle hybridé un GPS couplé à au moins un autre capteur

Deux algorithmes de positionnement intégrés sont développés pour des applications de transport :

• Le premier est une Extension du Filtre de Kalman (EFK) pour l'hybridation du système de positionnement global avec un odomètre pour fournir le positionnement continu dans des zones urbanisées, lorsque les signaux GPS sont indisponibles (tunnels, rues étroites et immeubles).

• Le second reprend le même algorithme EFK mais en y intégrant des données de carte numérique pour à la fois localiser un véhicule sur la route et améliorer la précision de la localisation.

Les résultats montrent qu’une localisation précise à 30 mètres est assurée dans 90 % des situations dans un environnement de centre ville et sur une durée de quatre heures pour un GPS hybridé. L'intégration des données de carte à cet algorithme permet une amélioration significative de la précision du positionnement. Cet algorithme donne des résultats bien plus précis encore avec un GPS différentiel (précision submétrique) [Ochieng & al. 2004]. De plus, une décision fondée sur un grand nombre d’informations d’origines et de natures variées est généralement plus fiable et plus précise qu’une décision ne dépendant que d’un seul type ou d’une seule source d’informations. La mise en place d’un tel système nécessite donc une fusion des données. Par ailleurs, dans un futur proche, le système européen EGNOS/GALILEO prévoit une précision en ville inférieure au mètre, indépendamment d’autres systèmes de localisation.

Un inconvénient de ces systèmes de positionnement, en plus du fait qu’ils soient obligés de détecter 4 satellites pour assurer une localisation précise, réside dans le fait que la taille des données est conséquente, et leur traitement requiert un certain temps.

Cependant, il existe des applications de réduction de données qui savent traiter efficacement ce type de problème.

3. Conclusion

Le problème de l'estimation en temps réel de matrices O-D sur un réseau urbain est, comme nous avons pu nous en apercevoir, un probléme complexe. Les fortes dépendances temporelles entre les flots de véhicules nécessitent une mise à jour constante des données pour que l’estimation faite soit fidèle à la réalité. Le filtre de Kalman est idéal pour résoudre ce genre de problèmes, car il stocke et met à jour à chaque itération les valeurs estimées. Toutefois, il est diffcile de modifier sa structure lorsque l'on veut incorporer de nouvelles informations. Par ailleurs, la formulation en moindre carrés permet d’intégrer facilement des équations supplémentaires, ce qui est indispensable lorsque différentes sources de données doivent être utilisées en même temps. De plus, aujourd’hui le suivi de véhicules pose de moins en moins de problèmes grâce au développement croissant des systèmes de positionnement globaux.

Le système GPS couplé à d’autres capteurs équipant le véhicule est relativement simple à mettre en place, et son coût est relativement faible par rapport à d’autres sytèmes existant. L'application de cette méthode sur un réseau à l’échelle d’un centre ville laisse entrevoir un véritable potentiel pour l'utilisation de données concernant les véhicules traqués dans les processus d'estimation. Cela rend possible l’optimisation du trafic dans les zones concernées. Toutefois, ce qui a été présenté ici n'est qu'une ébauche et la finalisation d'une méthode efficace incorporant les nouvelles informations nécessitera certainement encore de longues années de recherche.

4. Remerciements

Je tiens tout d’abord à remercier Philippe Mussi, mon maitre de stage, qui m’a guidé dans mes recherchese et m’a suivi tout au long du stage.

Ephie Deriche, assistante du projet MASCOTTE⁶, sans laquelle ma convention de stage ne serait jamais arrivée à temps.

Jean-Claude Bermond, le responsable scientifique du projet MASCOTTE, qui m’a acceuilli dans son équipe.

Et enfin toutes les personnes que j’ai pu rencontrer au sein de l’INRIA, Michel Syska qui m’a donné quelques conseils de recherche, ainsi que toute l’équipe des stagiaires.

6 Méthodes Algorithmiques, Simulation, Combinatoire et Optimisation des Télécommunications

5. Bibliographie

[Antille 2000] Antille N., "Incorporation de données d'itinéraires pour l'estimation dynamique de matrices origine-destination par filtre de Kalman", Ecole polytechnique Fédérale de Lausanne, 2000.

[Ben-Akiva & al. 1998] Ben-Akiva M., Bierlaire M., Koutsopoulos H., Mishalani, R.,

"DynaMIT : a simulation-based system for traffic prediction", Proceedings of the DACCORD, Massachussets Institute of Technology, ITS Program, 1998.

[Casey & al. 2000] Casey R., Labell N., Sheehan T., Brown A., "Advanced Public Transportation Systems Deployment in the United States Update 2000", U.S.

Department of Transportation, Research and Special Programs Administration, Décembre 2000.

[Cheu & al. 2001] Cheu R.L., Lee D.H., Xie C., "An arterial speed estimation model fusing data from stationary and mobile sensors", IEEE Intelligent Transportation Systems, Proceedings, Oakland, août 2001.

[El Fouazi 2003] El Fouazi N.E., "Fusion numérique d'informations multi-sources et extraction de connaissances : application à l' ingénierue du trafic", Revue des Nouvelles Technologies de l'Information, Numéro spécial "Entreposage et fusion de données", pp.61-74, 2003.

[Gortan & al. 2000] Gortan L., Toffolo S., Dragonieri M., "The Floating Cars to Evaluate New Strategies for the Environment", Proceedings of the 7th World Congress on Intelligent Transport Systems, Turin, November 2000.

[Ochieng & al. 2004] Ochieng W.Y., Quddus M.A., Noland R.B., "Integrating Positioning Algorithms for Transport Telematics Applications", Imperial College London, 2004.

[Paramahamsan & al. 1999] Paramahamsan H., Van Aerde M., Rakha H., Trani A.,

"Fundamental Properties of Synthetic O-D Generation, Formulations and Solutions"

Virginia Polytechnic Institute and State University, 1999.

[Paruchuri & al. 2002] Paruchuri P., Pullalarevu A.R., Kamalakar K., "Multi Agent Simulation of Unorganized Traffic", International Joint Conference on Autonomous Agents and Multi-Agent Systems, Bologna, Italy, 2002, pp.176-183.

[Turner & al. 1998] Shawn M. Turner, William L. Eisele, Robert J. Benz, Douglas J.

Holdener, ITS Probe Vehicle Techniques, "Travel Time Data Collection Handbook", Federal HighWay Administration, Mars 1998.