Un système d'information d'aide à la décision pour la régulation du trafic routier

2.1. La création des vues

Dans un entrepôt de données il est fortement recommandé d'utiliser des vues sur les tables pour un accès rapide aux données et de ne pas laisser les utilisateurs attend pendant un grand temps. Dans notre projet nous avons créé des vues matérialisés et voici un bout de code SQL illustrant une vue de la Mesure Traffic :

Figure 3. Vue matérialisé du Fait traffic

		63

2.2. Les requêtes de l'analyse

Le code suivant montre la fonctionnement de la première option de liste d'analyse :

... case RadioGroup1.ItemIndex of -1: begin ShowMessage('Vous n"avez rien coché, Veuillez séléctionner une options parmi la liste svp ! '); end; 0: begin case ComboBox1.ItemIndex of -1: begin showmessage('Vous n"avez rien choisi !'); end; 0: begin DecisionQuery1.SQL.Add('SELECT Id_routier, Nom_routier, Taux_traffic, SUM( Taux_traffic ), COUNT( Taux_traffic ) FROM Trafic_5_7 WHERE Taux_traffic' +ComboBox2.Items.Strings[ComboBox2.ItemIndex]+edit1.text+' GROUP BY Id_routier, Nom_routier, Taux_traffic') ; DecisionQuery2.SQL.Add('SELECT Nom_quartier, Taux_traffic, SUM( Taux_traffic ), COUNT( Taux_traffic ) FROM Trafic_5_7 WHERE Taux_traffic' +ComboBox2.Items.Strings[ComboBox2.ItemIndex]+edit1.text+' GROUP BY Nom_quartier, Taux_traffic') ; DecisionQuery3.SQL.Add('SELECT Nom_zone, Taux_traffic, SUM( Taux_traffic ), COUNT( Taux_traffic ) FROM Trafic_5_7 WHERE Taux_traffic' +ComboBox2.Items.Strings[ComboBox2.ItemIndex]+edit1.text+' GROUP BY Nom_zone, Taux_traffic') ; end; 1: begin end; 2: begin end; 3: begin end; end; ...
		64

Exploitation de données brutes de trafic

FFIFFFIFITH FIFFITHITHI

Claudia Bauzer-Medeiros, Florian Devuyst, Marc Joliveau, Geneviève Jomier,

Institute of Computing (IC) - University of Campinas
Caixa Postal 6176 13084-971 Campinas, SP - Brazil
cmbm@ic. unicamp. Br

Grande Voie des Vignes F-92 295 Châteney-Malabry Cedex
{florian.de-vuyst, marc.joliveau}@ ecp.fr

Université Paris Dauphine - Laboratoire LAMSADE
Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16
[e-mail]

GOMé. Cet article Les données de trafic provenant de réseaux de capteurs ont été la source de nombreuses recherches reliées aux SIT (Systèmes d'Information en Transport). Ces données se représentent généralement par de grands ensembles de séries spatio-temporelles corrélées. Ce papier présente une nouvelle approche pour manipuler des données brutes issues de capteurs fixes géoréférencés. Notre travail est fondé sur la combinaison de méthodes analytiques pour préparer les données des capteurs et sur la proposition d'une architecture pour un système d'information dédié au trafic routier. Il a été conduit dans le cadre d'un projet utilisant des données réelles générées par 1000 capteurs pendant 3 ans dans une grande agglomération française.(ville et couronne).

		65

1. Introduction

De par la place prédominante occupée par le transport dans notre environnement socio économique et les enjeux d'environnement et de santé publique, de nombreuses recherches actuelles visent à fournir des outils de précision d'aide à la gestion et d'aide à la décision.

Les travaux peuvent par exemple concerner l'étude des comportements des usagers, la prévision et le traitement des congestions ou l'influence de la météo sur le trafic. Ce papier se rapporte au traitement, à l'extraction de connaissances et au stockage de données de trafic routier urbain issues d'un réseau de capteurs géoréférencés.

2. Contexte du problème

Nos recherches s'inscrivent dans le cadre du projet ACI Masse de données CADDY (Contrôle de l'Acquisition de Données, stockage et modèles DYnamiques). Ce projet réunit une équipe scientifique pluridisciplinaire de différents instituts. Le but de CADDY est de développer un outil d'aide à la décision pour la gestion du trafic routier. Les capteurs utilisés sont géoréférencés, fixés le long des voies de circulation. Ils collectent différentes informations sur le trafic durant la journée à fréquence régulière.

Deux variables principales sont mesurées, produisant deux séries spatio-temporelles distinctes (mais interdépendantes) :

n le débit de véhicules (q), i.e., le nombre de véhicules passé devant le capteur durant une période donnée (3 minutes dans notre cas) ;

n le taux d'occupation (t), i.e., l'espace moyen entre les véhicules durant un intervalle de temps donné. Un taux d'occupation de 100% signifié qu'il n'y a aucun espace entre les véhicules, alors que 0% indique qu'il n'y a pas de véhicules.

Figure 1. Débit et taux d'occupation journalier pour un capteur donné.

		66

La figure 1 illustre les séries temporelles journalières de débit et de taux d'occupation mesurées à un capteur donné, un jour de semaine. Nos données sont collectées depuis 1000 capteurs sur 3 ans, les prises de mesure s'effectuant toutes les 3 minutes. Ceci représente un total de 420 106 valeurs. Nos données proviennent du système de supervision du trafic CLAIRE [SCE 04] développé par l'INRETS (Institut National de REcherche sur les Transports et leur Sécurité) au laboratoire GRETIA (G. Scemama). CLAIRE modélise le réseau routier urbain par l'intermédiaire d'un graphe orienté, où chaque arc correspond à une portion de route. Les localisations des capteurs mesurant le trafic sont associées à ces arcs.

3. Résumés spatio-temporels de données issues de capteurs

Cette section présente nos solutions pour traiter les données spatio-temporelles issues de capteurs, afin de les résumer. On commence en présentant une méthode qui diminue très fortement la dimension des séries temporelles (de débit et de taux d'occupation) pour l'ensemble des capteurs tout en conservant au mieux l'information au sens de l'énergie. Ensuite, une adaptation de cette méthode à un ensemble de données contenant des valeurs manquantes est proposée. Finalement, on combine sans perte les informations contenues dans les deux séries (débit et taux d'occupation) à l'aide d'une variable à valeurs continues dans l'intervalle [0; 1] pour décrire le comportement du trafic à un capteur. Cet intervalle peut être divisé en plusieurs classes représentant des états du trafic définis par des experts (par exemple "saturé" ou "calme").

4. Extraction de connaissances sur les données de trafic

La méthode STPCA et l'introduction de la variable d'état de circulation E présentés dans la section précédente ont permis de préparer les données et notamment de passer de séries temporelles incomplètes à des résumés symboliques. Ces éléments combinés à d'autres outils permettent aussi de fouiller les données et d'en extraire des connaissances.

5. Un système d'information pour le trafic routier

Nous présentons l'architecture du système d'information pour le trafic routier que nous proposons. Celle-ci est construite autour d'un entrepôt de données dont le schéma en étoile est illustré sur la figure 2(a). Ce modèle ajoute notamment au schéma standard des ontologies au niveau du stockage des données, comme on peut le voir dans la partie inférieure de la

		67

(a) Système d'information (b) Schéma en étoile

Figure 2. Architecture du système d'information pour le trafic routier et schéma en
étoile de l'entrepôt de données proposés.

Figure 2(b). L'ensemble des ontologies permet d'organiser les définitions et la terminologie
utilisées par le domaine de l'application, aide à la construction et à la maintenance de
l'entrepôt. Il est également utilisé pour la création et la maintenance des magasins de données.