Research on Traffic Congestion Area Identification and Traffic Control Based on Multi-source Data Fusion

Dans les artères bouillonnantes des villes modernes, le trafic est bien plus qu'un simple ensemble de voitures ; c'est un système complexe et vivant où un seul blocage peut se propager vers l'extérieur, transformant un trajet fluide en un cauchemar de congestion. Pour gérer cela, les urbanistes se sont longtemps appuyés sur le comptage des véhicules ou la surveillance par caméras, mais ces méthodes ne perçoivent souvent qu'une fraction du tableau. Une approche plus récente consiste à recueillir de nombreux types d'informations simultanément, de la même manière qu'un médecin pourrait combiner la température, la pression artérielle et les antécédents médicaux d'un patient pour obtenir un diagnostic complet. En fusionnant les données du GPS des véhicules de VTC, des capteurs magnétiques enfouis sous les chaussées et des signaux des téléphones mobiles alors que les gens se déplacent dans une ville, les chercheurs peuvent construire une carte bien plus claire et en temps réel de la façon dont le trafic se comporte réellement. Cette fusion de sources de données permet une compréhension plus profonde de l'endroit où les embouteillages commencent, de la manière dont ils se propagent et de quand ils se résorberont, offrant ainsi une voie vers une gestion urbaine plus intelligente et plus réactive.

Dans une étude récente portant sur la zone de Hongjialou à Jinan, en Chine, une équipe de chercheurs s'est donné pour mission d'appliquer cette approche de données multi-sources pour résoudre le problème persistant de la congestion urbaine. Leur objectif n'était pas seulement de repérer où le trafic est lent, mais de prédire exactement comment un embouteillage va croître et de tester des stratégies spécifiques pour l'atténuer. Les chercheurs ont commencé par diviser le réseau routier de la ville en une grille de petites sections carrées. Ils ont ensuite injecté les données de trois sources distinctes dans un système informatique : les trajectages de mouvement des véhicules de VTC en ligne, le flux de voitures détectées par des capteurs magnétiques sous le pavage, et les modèles de mouvement des personnes dérivés des signaux de téléphonie mobile. En alignant soigneusement ces différents flux d'informations, ils ont créé un ensemble de données unifié et à haute résolution qui capturait la vitesse, le volume et la densité du trafic avec une précision bien supérieure à celle de n'importe quelle source unique.

Armée de ce riche ensemble de données, l'équipe a développé une méthode pour identifier précisément où les embouteillages se formaient et comment ils étaient susceptibles de se propager. Ils ont utilisé une technique de regroupement (clustering) pour grouper les sections de la grille partageant des comportements de trafic similaires, mettant ainsi en évidence les quartiers spécifiques où la congestion était la plus sévère. Pour comprendre comment un embouteillage dans un pâté de maisons pourrait provoquer un embouteillage dans le suivant, ils ont construit un modèle calculant la probabilité que le ralentissement du trafic se propage d'une grille à ses voisines. Leur analyse de l'heure de pointe matinale a révélé un schéma clair : la congestion ne se produit pas de manière aléatoire. Au lieu de cela, elle commence souvent dans des sections de grille spécifiques, comme celles proches de grands campus universitaires, puis se propage vers l'extérieur en une réaction en chaîne. Dans un cas observé, un embouteillage ayant débuté dans deux grilles spécifiques s'est propagé pour couvrir près des deux tiers de la zone d'étude en quinze minutes, avec une haute probabilité de mouvement latéral vers les rues adjacentes.

Pour prédire ces tendances avant qu'elles ne surviennent, les chercheurs ont conçu un modèle informatique sophistiqué capable d'apprendre du passé pour prévoir l'avenir. Ce modèle combinait deux types puissants d'intelligence artificielle : l'une qui reconnaissait les motifs spatiaux, comme l'agencement d'une intersection fréquentée, et l'autre qui comprenait les séquences temporelles, comme la façon dont le trafic s'intensifie au cours d'une heure. Ils ont ajouté une fonctionnalité spéciale permettant au modèle de concentrer son attention sur les moments et les lieux les plus critiques, ignorant le bruit moins important. Lors des tests face aux données réelles, ce nouveau modèle s'est avéré nettement plus précis que les méthodes existantes. Pendant les heures de pointe chaotiques du matin et du soir, il a réduit les erreurs de prédiction d'environ un quart, prévoyant avec succès les conditions de trafic avec une précision d'environ 94 %. Ce niveau de précision signifie que les gestionnaires de trafic pourraient potentiellement recevoir des avertissements fiables sur les embouteillages à venir bien à l'avance, plutôt que de réagir seulement une fois que les routes sont déjà obstruées.

La dernière étape de la recherche consistait à voir si ces informations pouvaient réellement améliorer la fluidité du trafic. L'équipe a utilisé une plateforme de simulation pour créer un jumeau numérique du réseau routier, leur permettant de tester différentes stratégies de contrôle du trafic sans perturber les conducteurs réels. Ils ont comparé les signaux de trafic actuels, non optimisés, contre un nouveau plan généré par un algorithme conçu pour trouver la distribution la plus efficace du trafic. Cet algorithme fonctionnait en testant constamment de petits ajustements du flux de trafic et de la synchronisation des signaux, affinant progressivement la solution jusqu'à trouver le meilleur arrangement possible. Les résultats étaient tangibles : le plan optimisé a réduit le temps moyen de trajet d'un véhicule dans la zone de 12,5 % et a raccourci la longueur des files d'attente de véhicules de plus de 22 %. De plus, le temps total passé par les voitures aux feux rouges a chuté de près de 18 %, et le nombre de véhicules passant par le réseau a augmenté de 7,6 %.

Bien que l'étude ait démontré que la fusion de multiples sources de données avec des modèles de prédiction avancés peut considérablement améliorer la gestion du trafic, les chercheurs ont reconnu que leur travail est un point de départ plutôt qu'une solution finale. Les données utilisées ne couvraient qu'une semaine au printemps, et les tests ont été menés dans une zone spécifique dotée d'une structure routière en grille. L'équipe a noté que le système devrait être testé sur des périodes plus longues, à travers différentes saisons, et dans des villes avec des configurations routières différentes pour garantir qu'il fonctionne partout. Ils ont également souligné que les modèles informatiques complexes agissent quelque peu comme une « boîte noire », rendant difficile pour les gestionnaires humains de comprendre exactement pourquoi une prédiction a été faite. Malgré ces limites, l'étude constitue une preuve de concept convaincante. Elle montre qu'en écoutant les nombreux signaux qu'une ville émet, les planificateurs peuvent passer de la supposition des modèles de trafic à la compréhension de ceux-ci avec clarté, ouvrant la voie à des villes capables de gérer leur propre flux avec plus d'intelligence et d'efficacité.