Learning algorithms for urban cycling: implicit models and dynamic infrastructure
Algorithmes d'apprentissage pour le cyclisme urbain : modèles implicites et infrastructure dynamique
Résumé
The increase in the use of bicycles as a mode of transportation is crucial for reducing congestion and pollution in cities. The development of new technologies and an awareness of the dangers of climate change have, among other factors, led to a rise in the number of cyclists in cities over the past 20 years. This has naturally been accompanied by new means of collecting behavioral data from cyclists, diversifying and multiplying existing datasets. These data can be used to refine urban policies aimed at increasing the modal share of cycling in urban transportation. The objective of this thesis is to use specific behavioral data from cyclists and recent artificial intelligence algorithms to create innovative tools to support urban policies encouraging cycling. First, a state-of-the-art review of different sources of cyclist behavior data is presented. This review provides insight into the diversity and quantity of datasets, as well as the challenges associated with each source. It also serves as an opportunity to justify the subsequent use of data sources. Secondly, a method for creating implicit route choice models based on GPS traces is developed. The models created with this method allow the generation of a cycling route from a given origin to a given destination. The development of a model begins with the identification of road segments preferred by the cyclists who generated the GPS traces. An artificial neural network then selects a relevant group of preferred road segments based on an origin and a destination. A road graph weighting is then performed using the selected road segments to generate a cycling route. The models created enable the generation of routes that are closer to real cyclist behaviors when compared to other route generation methods. Finally, an intelligent traffic signal is developed to secure the passage of cyclists at the intersection it regulates. The use of learning algorithms allows for the separation of bike and motorized vehicle flows with a minimized impact on traffic at the intersection. Simulations in which this trafic light is tested incorporate realistic volumes of car and bike traffic, thanks to the use of counter data. The learning method employed for regulation outperforms other signal management methods used for comparison.
L'augmentation de l'utilisation du vélo comme mode de transport est essentielle pour diminuer la congestion ainsi que la pollution dans les villes. Le développement de nouvelles technologies ainsi qu'une prise de conscience des dangers du dérèglement climatique ont permis entre autres une augmentation du nombre de cyclistes dans les villes au cours des 20 dernières années. Cela s'est naturellement accompagné de nouveaux moyens de récupérer des données comportementales de cyclistes, diversifiant et multipliant les jeux de données existants. Ces données peuvent être utilisées pour affiner les politiques urbaines visant à augmenter la part modale du vélo dans les transports urbains. L'objectif de cette thèse est d'utiliser certaines données comportementales de cyclistes ainsi que des algorithmes récents d'intelligence artificielle pour créer des outils innovants d'aide aux politiques urbaines d'incitation au cyclisme. Dans un premier temps, un état de l'art des différentes sources de données de comportements de cyclistes est dressé. Cet état de l'art permet de se rendre compte de la diversité ainsi que du nombre de jeux de données, mais aussi des difficultés d'utilisation accompagnant chaque source. Cet état de l'art est aussi l'occasion de justifier les sources de données utilisées ensuite. Dans un second temps, une méthode de création de modèles de choix d'itinéraire implicites est développée à partir de traces GPS. Les modèles créés avec cette méthode permettent de générer un itinéraire cyclable à partir d'une origine et d'une destination. Le développement d'un modèle commence par l'identification des segments de route préférés par les cyclistes ayant généré les traces GPS. Un réseau de neurones artificiels choisi ensuite un groupe de segments de route préférés pertinents à partir d'une origine et d'une destination. Une pondération de graphe routier est ensuite effectuée à l'aide des segments de route sélectionnés pour générer un itinéraire cyclable. Les modèles créés permettent de créer des itinéraires plus proches de comportements réels de cyclistes lorsque comparés à d'autres méthodes de génération d'itinéraires. Enfin, un feu de signalisation intelligent permettant de sécuriser le passage des cyclistes à l'intersection qu'il régule est développé. L'utilisation de l'intelligence artificielle permet de séparer les flux de vélos et de véhicules motorisés en limitant l'impact sur le trafic à l'intersection. Les simulations dans lesquelles ce feu est testé ont un volume de trafic de voitures et de vélos réaliste grâce à l'utilisation de données de compteurs. La méthode d'apprentissage utilisée pour la régulation surpasse les performances d'autres méthodes de gestion de feu utilisées en comparaison.
Origine : Fichiers produits par l'(les) auteur(s)