Thèse de Jian Zhang

Modèle de mobilité de véhicules par apprentissage profond dans les systèmes de transport intelligents

Les systèmes de transport intelligents ont acquis un grand intérêt pour la recherche ces dernières années. Alors que la simulation réaliste du trafic joue un rôle important, elle n'a pas reçu suffisamment d'attention. Cette thèse est consacrée à l'étude de la simulation du trafic au niveau microscopique et propose des modèles de mobilité des véhicules correspondants. À l'aide de méthodes d'apprentissage profond, ces modèles de mobilité ont fait leurs preuves avec une crédibilité prometteuse pour représenter les véhicules dans le monde réel. D'abord, un modèle de mobilité basé sur un réseau de neurones piloté par les données est proposé. Ce modèle provient de données de trajectoires du monde réel et permet de mimer des comportements de véhicules locaux. En analysant les performances de ce modèle de mobilité basé sur un apprentissage de base, nous indiquons qu’une amélioration est possible et proposons ses spécifications. Un MMC est alors introduit. La préparation de cette intégration est nécessaire, ce qui comprend un examen des modèles de mobilité traditionnels basés sur la dynamique et l’adaptation des modèles « classiques » à notre situation. Enfin, le modèle amélioré est présenté et une simulation de scénarios sophistiqués est construite pour valider les résultats théoriques. La performance de notre modèle de mobilité est prometteuse et des problèmes de mise en œuvre sont également discutés.

Jury

Directeur de thèse : M. Abdelkader EL KAMEL, Ecole Centrale de Lille Rapporteurs : M. Ismael LOPEZ-JUAREZ, Centre de Recherche CINVESTAV, Mexico Mme. Shaoping WANG, Beihang University, China Membres : M. Pierre BORNE, Ecole Centrale de Lille M. Alejandro CASTILLO ATOCHE, Universidad Autónoma de Yucatán, Mexico M. Gaston LEFRANC, Pontificia Universidad Católica de Valparaíso, Chile Mme. Zhuoyue SONG, Beijing Institute of Technology, China Mme. Liming ZHANG, University of Macau, China

Thèse de l'équipe OSL soutenue le 7 décembre 2018

Retour vers les autres thèses