Sécurité routière au Maroc : Analyse, modélisation et prédiction basée sur des approches multivariées, par apprentissage statistique et automatique

Abstract

Cette thèse présente deux aspects interdépendants de la sécurité routière. D'une part, elle examine la gestion des données manquantes du trafic routier et la prédiction à court terme du trafic routier. En effet, la gestion des données manquantes pose un défi majeur en raison des interruptions fréquentes des compteurs installés le long des routes. Pour remédier à cette problématique, trois modèles ont été employés afin d’estimer les données manquantes d’un dispositif défectueux, à savoir SARIMA, la régression linéaire et SVR. Ces modèles utilisent le trafic routier recueilli par des dispositifs adjacents au compteur en question. Les résultats indiquent que SARIMA a démontré une grande précision dans la régénération des données manquantes. Par ailleurs, anticiper le trafic routier futur est crucial pour les décideurs, en raison de son rôle prépondérant dans la résolution proactive des problèmes de circulation. Dans cette optique, nous proposons un modèle de prédiction hybride combinant les techniques ELM et d'ensemble pour anticiper à court terme le trafic horaire sur un tronçon routier de Tanger. En s'appuyant sur des données historiques des cinq années précédentes, ce modèle a pu surpasser les algorithmes comparés en termes de précision et de généralisation. D'autre part, cette thèse se concentre sur l’analyse des accidents routiers au Maroc, en exposant deux méthodologies distinctes, notamment l'identification des points noirs des accidents et leur classification en fonction des facteurs infrastructurels. Tout d'abord, un cadre analytique s'appuyant sur l'extraction de règles d'association est utilisé pour discerner les caractéristiques des points noirs. L'indice de gravité pondéré a été calculé pour chaque section afin de déterminer leurs niveaux de gravité. L'algorithme Apriori est appliqué pour découvrir les associations entre les caractéristiques infrastructurelles et les niveaux de gravité. Parallèlement, un modèle, intégrant l'algorithme ELM et la technique du Bagging, est développé pour classer avec précision les points noirs selon leurs niveaux de gravité, sur la base de facteurs infrastructurels. Ce modèle de prédiction a atteint une précision remarquable de 98,6%, alors que le modèle d’identification des facteurs de risque a mis en évidence l'importance des éléments de l’infrastructure, tels que la largeur de la chaussée et des accotements, le tracé rectiligne, le bon revêtement et la présence des ponts, dans l'occurrence des accidents mortels.