Prédiction du trafic et détection d incidents pour l information voyageurs Retours sur les expérimentations du projet Optimod Lyon et IBM

Transcription

1 Prédiction du trafic et détection d incidents pour l information voyageurs Retours sur les expérimentations du projet Optimod Lyon et IBM Thomas Baudel, Yves Daumas, Alain Depetris IBM France Sébastien Blandin, Barry Trager, Laura Wynter, Yichong Yu - IBM Research Jean Coldefy, Dimitri Marquois - Grand Lyon Saif Jabari actuellement a NYU Abu Dhabi NOS PARTENAIRES :

2 La vision de Optimod Lyon sur la mobilité urbaine automobile Développer l offre de transports dans une perspective multimodale Informer sur les coûts et temps de trajet pour permettre un choix rationnel Objectif: réduction de la part modale de la voiture individuelle 3 niveaux Renforcer la collecte d information temps réel Centraliser, mettre à disposition l information tous modes Développer un éventail de services innovants Un calculateur d itinéraire doit se baser sur une projection de la situation au moment du déplacement et non la situation courante; il doit proposer des alternatives en cas de survenue d incidents Pour permettre d exploiter l information efficacement, il faut aller plus loin que le temps réel, anticiper la situation future: Projection dans le temps: prévision du trafic à une heure (TPT) Projection dans l espace: prolongation sur le réseau non couvert par les détecteurs (DEA) Détection des incidents et stratégies de remédiation (DSSO) Projets menés par IBM Research, IBM France Lab et le Grand Lyon 2

3 Rappels des épisodes précédents Prévision du trafic (TPT) Prévision à 1 heure par tranches de 6 minutes sur les 500 détecteurs du réseau Précision de 88% sur 90% des détecteurs Flux et taux d occupation (pour la régulation et la détermination de vitesses moyennes) Premiers résultats présentés à ATEXPO en 2013 et 2014 En service à Lyon et plusieurs autres grands réseaux urbains Extrapolation (DEA) Prévisions identiques (à 1 heure par tranches de 6 minutes) sur tous les axes principaux du réseau (environ 2000 tronçons) En service à Lyon depuis Décembre 2013 et plusieurs autres grands réseaux urbains Détection d incidents (DSSO/IDM) - Détection de chocs (non-récurrents) dans les flux, émission d alertes - Evalué et présenté en Décembre 2013 à Lyon et plusieurs autres grands réseaux urbains Détermination de l impact et remédiation Calcul de l impact spatio-temporel (IDP, IIP) Proposition de stratégies de remédiation (CPO) Travaux de 2013 et En phase de test sur plusieurs grands réseaux urbains en

4 Le système complet d aide à la régulation IBM 4

5 Prédiction de trafic En service depuis

6 Identification des détecteurs instables juin 2014 Identification des détecteurs pour lesquels TPT fonctionne mal: 30 détecteurs sur les 600 ont des taux d erreur supérieurs aux exigences initiales 5 détecteurs sont peu fiables Solution possible: identifier les carrefours concernés (priorité Tramway, problème d installation ou de calibration?) A part le détecteur 234 qui effectivement crée des problèmes en termes de prévision, parmi les autres détecteurs, on remarque que le 125, 166, 171, 210, 338, 559 et 633 ont en moyenne une fiabilité réduite également. 6

7 DEA En service depuis Décembre 2013 Percentage of points (time x detector) with error < 10 is 89% Percentage of points (time x detector) with error < 7.5 is 83% Percentage of points (time x detector) with error < 5 is 73% 7

8 Détection d incidents En service également Il s agit de repérer les chocs de flux et taux d occupation À distinguer des congestions récurrentes Environ 100 événements générés par jour: Information PC: 130 événements répertoriés DSSO: 120 niveau 4, 80 niveaux 1-2-3, 429 niveau -1 (sous occupation) Sur la période 1 er Décembre 9 Janvier, sur le réseau autoroutier (le seul qui historicise les événements trafic), nous avons repéré la signature «trafic» de 145 incidents. 65 d entre eux ont été détectés par DSSO avant leur signalisation par le flux trafic DSSO permet de générer automatiquement des événements sur le réseau urbain dense, qui n en génère pas actuellement (intégration automatique dans un flux DATEXII couvrant le territoire entier de Lyon) 8

9 Prévision de la durée des incidents (IDP) Classification des incidents observés dans l historique, puis pour tout nouvel incident détecté, estimation de l impact temporel de l incident par recherche de la classe appropriée Résultats: Les comparaisons permettent de corriger le TO dans les 6-12 minutes suivant la détection de l incident. Au delà, les résultats de TPT/DEA sont aussi ou plus fiables. 9

10 Prévision de l impact des incidents (IIP) Déterminer la zone impactée et la durée affectant un incident: fonctionnalité nécessaire pour permettre de déclencher un re-calcul d itinéraire multimodal avec une cartographie du trafic à jour. Testé sur 5 incidents repérés en Avril Algorithme fonctionnel et efficace (prévision à 1 heure en 34s) - Limité par la faible densité des détecteurs par rapport à la topologie du réseau 10

11 Stratégie de remédiation Proposer des plans anti-saturation sur détection d incidents Algorithmes développés, approche statistique plutôt que micro-simulation : connaissance fine du réseau (mouvements tournants) moins nécessaire (mais utile quand même!) En évaluation sur le réseau de Singapour (voies rapides) Portage possible sur le réseau Lyonnais pour évaluation en zone urbaine dense 11

12 Conclusion Les procédures et la pratique de la régulation peuvent être transformés par ce type de solution. L information voyageur peut être également grandement améliorée en suggérant en temps réel des changements d itinéraires Continuation possible des travaux pour le calcul d impact, afin de permettre aux calculateurs d itinéraires de se (re-)déclencher à bon escient. 12