Responsable : 
Lijun Sun

Établissement : 
Université McGill

Année de concours : 
2020-2021

Table des matières

  1. Résumé du projet

1. Résumé du projet

La détection et surveillance du trafic à l’échelle de la ville constituent un apport fondamental à un large éventail d’applications de systèmes de transport intelligents (STI). Avec les récents progrès technologiques, de grandes quantités de données sur le trafic urbain sont collectées en temps réel à partir de différents types de capteurs (par exemple, des détecteurs à boucle fixe et des véhicule flottant). Ces ensembles de données nous offrent des possibilités sans précédent permettant de prédire le trafic urbain, à l’aide de techniques de fusion de données. Cependant, dans la pratique, il existe de nombreux problèmes calculatoires, notamment liés aux problèmes de données manquantes, de dépendance spatio-temporelle résultant de la dynamique des flux de trafic, ainsi qu’aux problèmes liés à l’hétérogénéité des données multi-sources.

Ce projet de deux ans vise à développer des méthodes d’apprentissage avancées utilisant les tenseurs, afin d’intégrer et d’exploiter les informations multi-sources contenues dans les données de trafic urbain. Ces méthodes permettront d’incorporer à la fois nos connaissances dans le domaine de la dynamique de trafic ainsi que les propriétés intrinsèques des données de trafic, avec les techniques de modélisation tensorielle. Plus spécifiquement, ce projet comporte trois objectifs scientifiques: (1) élaborer de nouvelles stratégies de lissage et de régularisation des données de trafic urbain; (2) incorporer des noyaux de processus gaussiens pour modéliser des facteurs latents spatiaux et temporels; et (3) développer des modèles de factorisation pour la fusion de données multi-sources. Pour tester l’efficacité de ces méthodes, nous allons d’abord développer des scénarios fictifs en simulation de trafic afin de reproduire des ensembles de données multi-sources, puis travailler avec la ville de Montréal et ses partenaires pour développer un test sur le terrain.

Ce projet apportera des connaissances fondamentales à l’analyse de données de trafic urbain multi-sources et de grande dimension et créera des plates-formes / outils de pointe pour soutenir les pratiques de prédiction du trafic et de prise de décision. En outre, ce projet permettra de former du personnel hautement qualifié et interdisciplinaire prêt pour l’avenir en intégrant les connaissances en intelligence artificielle à l’expertise du domaine en ingénierie des transports.