Une étude comparative de diverses techniques de prévision du flux de trafic utilisant des modèles ML et une analyse en temps réel

En raison de la croissance rapide du nombre de véhicules et de l'expansion du paysage urbain, le défi de la congestion routière devient de plus en plus important. Il y a eu un changement considérable vers des solutions basées sur les données grâce à la disponibilité de grandes quantités de données liées aux transports et au développement d'algorithmes d'apprentissage automatique. Dans le travail proposé, plusieurs ensembles de caractéristiques du flux de trafic sont comparés en utilisant différentes méthodes ML : kNN, SVR, arbre de décision et forêt aléatoire. Le jeu de données utilisé pour la prédiction est le flux de trafic de la zone entre deux hôpitaux à San Francisco. Selon le résultat, l'extraction des caractéristiques est plus importante que le choix de la méthode pour obtenir des prédictions précises. Sélectionner des caractéristiques de haute qualité conduit à des techniques moins complexes, plus faciles à gérer, fiables et plus rapides. La précision de la prédiction du flux de trafic obtenue par l'arbre de décision dépasse celle des autres méthodes. De plus, une analyse en temps réel est appliquée au flux en direct capturé à l'aide de CCTV. Le flux en direct est ensuite traité avec la bibliothèque OpenCV, les objets sont détectés en utilisant le modèle YOLOv4, qui est ensuite transmis à DEEPSORT pour le suivi des véhicules. Cela peut être davantage traité en appliquant des formules mathématiques pour calculer la congestion sur la route. Mots-clés Analyse du trafic, apprentissage automatique, prévision du trafic