Apprentissage collaboratif à partir de données distribuées pour une mobilité intelligente dans un milieu urbain

Abstract

Les systèmes de transport intelligents font partie de notre vie quotidienne et sont l’avenir de tous les modes de transport actuels. Ils permettent d’apporter des réponses à certaines problématiques majeures de notre société comme l’amélioration de la sécurité routière, l’utilisation optimale des données relatives à la route, à la circulation et aux déplacements. Par conséquent, nombreux sont les travaux de recherche qui ont été menés ces dernières années afin de résoudre les problèmes d’encombrement et de gestion du trafic routier. Cependant, la plupart d’entre eux ne peuvent plus garantir une capacité de circulation optimisée dans des conditions environnementales complexes. Les domaines des systèmes de transport intelligents et de l’intelligence artificielle sont étroitement liés et il semble que les outils informatiques issus de l’intelligence artificielle sont adéquats au domaine de transport. L’objectif principal de notre thèse est de développer des systèmes de transport intelligents capables de mieux gérer les embouteillages et avoir des impacts économiques, énergétiques et environnementaux positifs. Pour réaliser ceci, on s’est concentré sur les domaines prioritaires tels que l’optimisation des feux de signalisation à base d’une optimisation intelligente par essaim de particules, la détection automatique des incidents routiers à base de l’’apprentissage profond, la gestion des véhicules d’urgence en utilisant l’optimisation par colonie de fourmis et l’apprentissage automatique extrême et la prévention de congestion à base des communications infrastructures à véhicules. Les différentes contributions proposées sont détaillés au travers les différents chapitres de ce manuscrit. Les résultats de simulation présentés à la fin des chapitres confirment l’efficacité des contributions proposées