Prediction spatiale et temporelle probabiliste du traffic urbain

The probabilistic forecasting method described in this study is designed to leverage spatial and temporal dependency of urban traffic networks in order to provide accurate predictions for a horizon of up to several hours. By design, it can deal with missing data both for training and running the model. It is able to forecast the state of the entire network in one pass with an execution time that scales linearly with the size of the network. The method consists in learning a sparse Gaussian copula of traffic variables, compatible with the Gaussian belief propagation algorithm. The model is trained automatically from an historical dataset through an iterative proportional scaling procedure that is well suited to compatibility constraints. It is tested on three different datasets of increasing sizes ranging from 250 to 2000 detectors corresponding to flow and/or speed and occupancy measurements. The results show a very good ability to predict flow variables and reasonably good performances on speed or occupancy variables. Some understanding of the observed performances is given by a careful analysis of the model, making it to some degree possible to disentangle modelling bias from the intrinsic noise of the traffic phenomena and its measurement process.; La méthode probabiliste de prédiction de trafic décrite dans cet article exploite la dépendance spatiale et temporelle du trafic sur un réseau urbain, permettant de fournir des estimations précises jusqu’à quelques heures en avance. Par construction elle permet de traiter les données manquantes aussi bien pour l’apprentissage du modèle que durant son utilisation. Elle prédit l’état d’un réseau complet en une seule passe, pour un temps d’exécution qui varie linéairement avec la taille du système. La méthode consiste à apprendre une copule Gaussienne sur des variables de trafic, compatible avec l’algorithme de propagation de croyances. Le modèle est appris automatiquement à partir de données historiques, via une procédure dite "iterative proportional scaling" bien adaptée pour imposer cette contrainte de compatibilité. Des tests sont effectués sur 3 jeux de données différents, de taille allant de 250 à 2000 détecteurs, correspondants à des variables de flux, de vitesse et/ou de densité. Les résultats indiquent une très bonne aptitude du modèle à prédire les flux, ainsi qu’une performance raisonnablement bonne sur les vitesses ou les densités. Une analyse détaillée des résultats et du modèle nous permet également de séparer dans une certaine mesure les biais de modélisation des fluctuations intrinsèques du phénomène de trafic et de sa mesure.