Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

Les villes respirent plus difficilement que jamais. Le volume considérable de véhicules sur la route a transformé les trajets quotidiens et les itinéraires de livraison en un réseau inextricable de frustrations liées aux arrêts et redémarrages, étouffant l'air et gaspillant du temps. Dans la vision d'une « ville intelligente », la technologie est censée démêler ce désordre, non seulement en prédisant où se trouvera le trafic, mais aussi en gérant activement la manière dont les marchandises circulent à travers la grille. Le défi central réside dans deux tâches difficiles : savoir exactement à quel point une rue sera encombrée avant même qu'un camion ne quitte le dépôt, puis choisir le véhicule approprié pour la tâche. Une camionnette de livraison peut être parfaite pour un court trajet dans un quartier calme, mais un très mauvais choix pour un long trajet sur une autoroute congestionnée, surtout si elle fonctionne à l'électricité avec une autonomie limitée. Bien prendre ces deux décisions — prévoir le flux et choisir la machine — est la clé pour réduire le nombre de véhicules sur la route, ce qui, par conséquent, diminue les émissions de carbone et raccourcit les temps de trajet pour tout le monde.

Une équipe de chercheurs a abordé ce problème avec un nouveau système conçu pour agir comme un système nerveux central pour les livraisons urbaines. Ils appellent leur création le modèle de gestion du trafic de livraison de foule basé sur un réseau de neurones graphiques à intégration de voisinage (Neighbor-Embedded Graph Neural Network). Bien que le nom soit technique, le concept est simple : il s'agit d'un moteur en deux parties qui prédit d'abord les embouteillages, puis utilise cette prédiction pour sélectionner le meilleur véhicule pour un itinéraire de livraison spécifique. Le système est conçu pour gérer la « livraison de foule » (crowd delivery), une stratégie où plusieurs colis à proximité sont consolidés en un seul trajet plutôt que d'envoyer un véhicule distinct pour chacun d'eux. Cette approche vise à réduire le nombre total de véhicules actifs dans la rue, répondant directement à l'objectif de rendre les villes plus durables.

La première partie de ce système, l'Unité de Prédiction de la Congestion du Trafic, agit comme une boule de cristal pour les conditions routières. Au lieu d'examiner les données de trafic de manière isolée, elle traite les stations de livraison de la ville comme des points sur une carte qui sont tous connectés les uns aux autres. Le système apprend comment le trafic d'une station influence le trafic de ses voisins, un peu comme une ride à la surface d'un étang qui se propage vers l'extérieur. En analysant les données historiques sur le nombre de véhicules, les vitesses et les temps de trajet, il construit une image dynamique de la façon dont la congestion circule à travers le réseau. Cela lui permet de prévoir les niveaux de trafic dans des points de livraison spécifiques avec une grande précision, même lorsque les données sont manquantes ou que les conditions sont volatiles. Les chercheurs ont constaté qu'en prêtant une attention particulière à ces relations de voisinage, le système pouvait prédire le flux de trafic de manière nettement plus efficace que les anciennes méthodes qui traitaient chaque emplacement comme une île séparée.

Une fois que le système sait à quoi ressemblera le trafic, la seconde partie, l'Unité d'Observation et de Gestion du Trafic, prend le relais pour prendre les décisions réelles. Cette unité reçoit la prévision de trafic et la confronte aux besoins spécifiques d'une demande de livraison. Elle prend en compte un certain nombre de facteurs : la distance que le véhicule doit parcourir, le nombre d'arrêts qu'il doit effectuer, le type de route qu'il utilisera et les propres capacités du véhicule, telles que son type de carburant et sa capacité de chargement. Le système calcule ensuite un score pour déterminer quel véhicule est le mieux adapté. Par exemple, il pourrait décider qu'un camion diesel lourd est nécessaire pour un long itinéraire avec de nombreux arrêts, tandis qu'un véhicule électrique plus petit est le bon choix pour une course locale courte. Cet appariement intelligent garantit que le véhicule sélectionné n'est pas seulement disponible, mais qu'il est réellement adapté à la tâche, évitant ainsi les situations où une petite camionnette se retrouve coincée dans un trajet de longue distance ou un gros camion gaspille de l'énergie pour une petite course.

Pour tester si cette approche fonctionne réellement, les chercheurs ont mené des évaluations approfondies en utilisant un ensemble étendu de données réelles de trajectoires de Beijing, une ville présentant des modèles de trafic complexes et denses. Ils ont soumis au système des milliers de demandes de livraison et ont observé ses performances par rapport aux méthodes existantes. Les résultats étaient clents : le nouveau modèle commettait moins d'erreurs dans ses prédictions et nécessitait moins de temps pour calculer ses réponses. Plus précisément, le système a réduit l'erreur dans ses prédictions de trafic de manière notable par rapport aux modèles standards, et il a réduit le temps nécessaire pour traiter les données. Lors des évaluations, le modèle a réussi à identifier les itinéraires et les combinaisons de véhicules les plus efficaces, prouvant qu'il pouvait gérer la nature chaotique et changeante du trafic urbain sans être submergé.

L'étude a également mis en évidence ce qui se passe lorsqu'on ignore les connexions entre les différentes parties de la ville. Lorsque les chercheurs ont testé des versions du système qui n'examinaient pas comment les stations voisines s'influençaient mutuellement, les prédictions sont devenues moins précises. Cela a confirmé que le trafic n'est pas seulement une collection d'événements isolés, mais un flux connecté où un embouteillage dans une zone affecte inévitablement la suivante. En intégrant ces relations directement dans le processus d'apprentissage, le nouveau modèle capture la réalité de la circulation du trafic. Les chercheurs ont conclu que cette approche intégrée — combinant une prévision précise avec une sélection intelligente des véhicules — offre une voie viable pour réduire le nombre de véhicules de livraison sur la route. Bien que ce travail ait utilisé des données de trajectoire historiques pour l'évaluation, les résultats suggèrent qu'un tel système pourrait considérablement améliorer l'efficacité de la logistique urbaine, aidant les villes à progresser vers un avenir avec moins de congestion et un environnement plus propre.