Memoire Online - Gestion intelligente du trafic routier avec prise de decision par logique floue: Cas du carrefour Ndokoti

THEME :GESTION DU TRAFIC ROUTIER AVEC PRISE DE DÉCISION PAR LOGIQUE FLOUE : cas du carrefour ndokoti

RESUME

Ces travaux de recherche traitant de l'intelligence artificielle, utilisent la Logique Floue comme outils de modélisation pour gérer de façon « intelligente » le trafic routier afin de réduire au minimum les embouteillages qui paralysent la circulation dans la ville de Douala en général, et le carrefour NDOKOTI en particulier.

Après avoir mené une étude rationnelle sur les causes réelles de la congestion du trafic routier, nous avons commencé par déterminer les variables d'entrée/sortie (input/output), puis nous avons construit notre système à logique floue en formulant des variables linguistiques pour chaque paramètre, puis la fuzzification, la construction de la base de règles floues, et enfin la déffuzification. Les courbes obtenues après simulation sur la plateforme logicielle MATLAB montrent effectivement que cette approche par logique floue est prometteuse.

Par ailleurs, nous avons ajouté un petit module intelligent appelé TEMPORISATEUR donc le rôle majeur est de limiter le temps de passage d'une voie qui tend à aller au-delà de 120 secondes, considérées comme maximum de temps d'attente. Les résultats obtenus satisfont bien aux exigences des hypothèses de départ comme le montre la figure 3.8 (tracé en rouge) dans laquelle le temps de changement de feu en ordonnée admet 120 comme asymptote(en rouge), ce qui témoigne bien d'une valeur à ne pas franchir (tracé en rouge). Ceci dit, on ne peut attendre plus de 120s pour passer à un changement de feu.

En définitive, on pourra finalement remplacer les agents de police qui gèrent la circulation dans les carrefours par notre système conçu sur la base de la LOGIQUE FLOUE.

Mots clés : trafic routier -intelligence artificielle - logique floue -fuzzification- base d'inférence- déffuzification - temporisateur - asymptote.

La gestion intelligente du trafic routier nécessite des méthodes et outils de plus en plus perfectionnés. Le trafic routier mondial et les transports urbains sont essentiellement tributaires du parc automobile, et de l'état de la voirie qui peuvent faciliter la mobilité urbaine ou rendre difficile les transports des personnes et des biens. Le développement des infrastructures et des machines qui permettent notre déplacement, nos correspondances et notre approvisionnement a toujours été au coeur des préoccupations des pouvoirs publics. Il semble évident de dire aujourd'hui que le problème du trafic routier ou du moins les difficultés liées au déplacement vont suivre une croissance exponentielle si rien n'est fait car, en effet, si les infrastructures de l'époque médiévale causaient moins d'embouteillage avec le parc automobile de l'époque, il n'en demeure pas moins que le 21eme siècle est arrivé avec son lot de difficultés parmi lesquelles les embouteillages.

Nous disposons d'une pléthore de ressources pour réguler le phénomène d'embouteillage dans le monde. L'une de ces ressources est l'intelligence artificielle, qui, selon Virginie MATHIVET, (virginie Mathivet, 2004) consiste à rendre intelligent un système artificiel, principalement informatique ». Palliant cette mouvance, nous nous sommes intéressés au secteur du transport urbain plus précisément le problème de gestion du trafic routier.

L'évolution technologique et scientifique à travers la recherche et la création de multiples algorithmes et plateformes spécialisés a transformé l'intelligence artificielle avec sa composante d'apprentissage automatique (le Machine Learning) en une sorte « d'oracle, de voyant......» capable d'étudier un phénomène quelconque à travers l'exploitation et le stockage de ses données pour prédire son comportement futur (Didier Müller, 2016).

Le souhait d'apporter notre contribution au développement futur du transport urbain au Cameroun mais surtout de l'amélioration du trafic routier pour diminuer les embouteillages nous a motivé pour le choix de ce thème intitulé « Gestion du Trafic Routier avec prise de décision par Logique Floue : cas du carrefour Ndokoti »

La première partie se focalise sur l'état de l'art et la problématique sur la situation des embouteillages dans le monde en général, et la ville de Douala pour le cas d'espèce. La deuxième partie : Méthodes et Matériels appropriés utilisés quant à lui, présente les outils de modélisation et les moyens utilisées en vue de la réalisation de l'objet de ce mémoire, en terme d'architectures matérielle et logicielle que nous avons conçues. En fin le troisième chapitre : résultats et discussion, présente les choix techniques opérés, l'environnement matériel et logiciel dont on a disposé, et la description des résultats obtenus ainsi que leur faisabilité dans le cadre local de la ville de Douala.

Le trafic routier mondial et les transports urbains sont essentiellement tributaires du parc automobile, et de l'état de la voirie qui peuvent faciliter la mobilité urbaine ou rendre difficile les transports des personnes et des biens notamment en ville où les ralentissements aux heures de pointe peuvent avoir un impact notable sur l'organisation des activités, l'économie ou encore l'écologie (Sébastien Faye, 2014). Les nouvelles technologies innovantes dites « intelligentes » peuvent bien être utilisées pour résoudre les difficultés liées à la congestion routière. Un tel système peut, par ailleurs, réagir aux variations du trafic en régulant dynamiquement les flux de véhicules (Zhou et al, 2010). Les équipements tels que les feux de circulation deviennent alors des éléments actifs dans la réduction des embouteillages et dans la gestion de la sécurité, améliorant globalement l'expérience des usagers.

1. Définitions

La Congestion est un phénomène qui survient lorsque la demande (le nombre de véhicules qui cherchent à utiliser une infrastructure donnée) est supérieure à la capacité de cette infrastructure. Si la demande excède la capacité, alors des véhicules seront ralentis à l'entrée de l'infrastructure, formant ainsi un bouchon. (Certu, 2010) Ces véhicules excédentaires seront à chaque instant plus nombreux qu'à l'instant précédent. Comme chaque véhicule occupe une certaine longueur de voie, la longueur de la file d'attente ne fera que croître en proportion du nombre de véhicules présents dans cette file d'attente (Moustapha ,2014).

2. Présentation des systèmes de gestion du trafic routier existants dans le monde.

Selon le Comité des Constructeurs Français d'automobiles (CCFA) en France aujourd'hui (2017) il y'a environ 40 millions de véhicules, si toutes ces voitures doivent se déplacer ça fait un énorme embouteillage. Une enquête menée par la chaine de télévision française BFM TV montre que 80 millions d'heures sont perdues dans les embouteillages chaque année en France.

Seulement, depuis leur publication, les conditions de circulation ont grandement évoluéì, de même que les technologies et les théories touchant aux mathématiques ou aux systèmes informatiques. Aujourd'hui, de nombreuses modélisations du trafic routier sont nées, ces modèles sont généralement classifiés en deux principales familles (HB, 2001), que nous décrivons ci-après.

Les modèles microscopiques qui décrivent les véhicules individuellement. Ensuite, les modèles macroscopiques, qui décrivent la circulation aÌ l'échelle d'un ensemble de véhicules sur une plus grande longueur de route.

Notons que deux autres classes de modélisations existent, mais sont moins courantes que les modèles microscopiques ou macroscopiques. D'une part, les modèles mésoscopiques sont une classe de modèles intermédiaire (PMN, 1997; HB, 2001). Ils permettent de modéliser les véhicules par paquets, qui sont représentés par des pelotons pouvant s'échanger des véhicules. D'autre part, les modèles sous-microscopiques sont aÌ un niveau en dessous des modèles microscopiques.

2.1 Modèles microscopiques

Les modèles microscopiques permettent de décrire le comportement individuel de chaque véhicule et conducteur sur le réseau routier, mais ils permettent en outre de réaliser des simulations numériques réalistes (BBEK, 2011). Dans ces modèles, le comportement d'un véhicule est perçu de façon individuelle par ses voisins comme un fluide qui coule dans un milieu homogène et de façon rectiligne. La physique statistique permet d'étudier le comportement de systèmes physiques comprenant un nombre élevéì de particules. Autrement dit, il est possible de décrire le système macroscopique aÌ partir des caractéristiques de ses éléments, qui sont microscopiques et appliquer les théories de la mécanique des fluides.

2.2 Modèles macroscopiques

Les modèles macroscopiques servent aÌ la théorie analytique et permettent de décrire le comportement de flux de véhicules, sans distinguer les véhicules individuellement. Ces modèles sont parmi les plus anciens et considèrent le trafic comme étant un phénomène continu (Whi, 2011 ; LW, 1955). Le constat établi est que généralement, le plus gros flux (en termes de véhicules) prend le dessus (et donc la prioritéì) sur le flux de plus faible importance. Ces modèles sont toutefois plutôt utilisés pour des études de densitéì de trafic et de capacitéì.

La théorie des files d'attente rentre dans la catégorie des modèles macroscopiques et se veut bien adaptée au cas du trafic routier (War, 1952 ; Akc, 1997 ; YAKS, 2010). Cette théorie appartient au domaine des probabilités et permet une description détaillée des files d'attente de véhicules, reparties sur un ensemble de voies. Dans le cas des intersections, une file d'attente se créée lorsque le nombre d'automobilistes dépasse un certain seuil ou lorsque, par exemple, un feu est au rouge.

3. Les systèmes de gestion des embouteillages dans le monde

En Europe, trois grandes approches complémentaires de gestion des embouteillages se sont principalement développées et sont représentatives de ce qui se fait aÌ travers le monde.

3.1 L'approche Anglaise

La première approche, d'origine Anglaise, se base sur des principes mathématiques. Le modèle TRANSYT (CL, 1987) est notamment neì de cette démarche, puis a rapidement évoluéì vers TRANSYT 7 avant de devenir le système SCOOT (RB, 1991). Aujourd'hui, cette approche est l'une des plus populaires et compte de nombreux autres systèmes de régulation.

3.2 L'approche Allemande

La deuxième approche, d'origine Allemande, se base sur des coordinations horaires pointues. Cette approche a su faire ses preuves et a essentiellement étéì mise en oeuvre par Siemens jusqu'aux années 1990, notamment dans certains pays du nord de l'Europe ouÌ le style de conduite appelait aÌ un trafic plus régulier. Cette solution a étéì par la suite abandonnée au profit de systèmes tels que SCOOT, ou de modèles temps réels comme MOTION, installeì aÌ Cologne.

3.3 L'approche Française

La troisième approche, d'origine Française, part d'un principe plus simple : "aucune machine ne remplacera jamais ce qui est l'essence même de l'homme : l'esprit et la compréhension" (Louis V. Gerstner). Les modèles mathématiques sont ici mis de côtéì au profit de l'expérience humaine.

D'une manière plus générale, ils mettent également en avant des systèmes de supervision des réseaux de transports. Citons par exemple CLAIRE-SITI (SL, 2013).

Il existe aussi des solutions logicielles pour la gestion des embouteillages. Ces solutions reposent essentiellement sur les systèmes d'information sur l'état du trafic par des usagers eux même dans un cadre communautaire.

Ces solutions mobiles ne sont pas appropriées pour notre pays, car elles imposeraient des téléphones ou des terminaux du type SMARTPHONE, or le niveau de vie au Cameroun permet difficilement à tout le monde d'avoir un smartphone, en plus, comme pour les solutions web, la qualité du signal au Cameroun laisse à désirer.

3.4 Solution intelligente du trafic

Les solutions intelligentes de gestion du trafic encore appelées système de transport intelligent (STI) sont une application des nouvelles technologies de l'information et de la communication au domaine des transports et de sa logistique. On les dit "Intelligents" parce que leur développement repose sur des fonctions généralement associées à de l'intelligence artificielle : capacités de choix, mémorisation, communication, traitement de l'information et sans comportement adaptatif. Le recours aux STI s'intègre aussi dans un contexte de développement durable : ces nouveaux systèmes concourent à la maîtrise de la mobilité en favorisant entre autres le report de la voiture vers des modes plus respectueux de l'environnement (Sébastien FAYE, 2014)

3.4.1 Modèle mathématique

Le modèle mathématique a aussi été utilisé pour modéliser le trafic routier. Il fait principalement intervenir des équations aux dérivées partielles Le modèle le plus utilisé dans ce domaine est le modèle LWR, il s'écrit sous la forme d'une loi de conservation scalaire que nous connaissons sous le terme d'équation de continuité (Costeseque Guillaume, 2018).

Avec t > 0 est la variable temporelle, x

R est la variable d'espace, (t; x) désigne la densité de véhicules au point x et au temps t.

L'approche mathématique dans toute sa rigueur semble être très fastidieuse car les phénomènes qui régissent les embouteillages sont dits non linéaires, c'est la raison pour laquelle nous avons pensé à un système à logique floue qui gère mieux la non linéarité des embouteillages.

3.4.2 La logique floue.

La logique floue sert à représenter des connaissances incertaines et imprécises afin de prendre une décision même si l'on ne peut pas estimer de façon précise les entrées/sorties du système. Les prémisses de la logique floue sont apparues avant les années 1940, avec les premières approches, par des chercheurs américains.

3.5 Les fonctions d'appartenances

Un ensemble flou est définit par sa fonction d'appartenance, qui correspondant à la notion de la fonction caractéristique en logique classique.

Supposons que nous voulions définir l'ensemble des personnes de taillemoyenne. En logique classique, nous conviendrons par exemple que les personnes de taille moyenne sont celles dont la taille est comprise entre 1.60m et 1.80m.la fonction caractéristique de l'ensemble donne « 0 » pour les tailles hors de l'intervalle [1.6m ; 1.8m] et « 1 » dans cet intervalle. L'ensemble flou des personnes de taillemoyenne sera définit par une fonction d'appartenance qui diffère d'une fonction caractéristique par le fait qu'elle peut prendre n'importe quelle valeur dans l'intervalle [0,1] à chaque taille possible correspondra un degré d'appartenance à l'ensemble des tailles moyennes compris entre 0 et 1.

X représente le vecteur des entrées, Xrescelui des commandes, ì(X) et ì(Xres) les fonctions d'appartenances correspondantes.

3.5.1 Bases de règles et définitions

On regroupe dans ce bloc, d'existence virtuelle, l'ensemble des définitions utilisées dans la commande floue (univers de discours, partitions floue, choix des opérateurs.), ainsi que la base de règles «Si...alors...» de la stratégie de commande de l'expert.

3.5.2 Interface de fuzzification

Les opérateurs utilisés dans la commande floue agissent sur des sous-ensembles flous. Par conséquent, il est nécessaire de transformer les variables non floues provenant du mode extérieur en des sous-ensembles flous. Pour se faire, on utilise un opérateur dit de fuzzification qui associe à une mesure de la variable x0 une fonction d'appartenance particulière ìx0(x).

3.5.3 Mécanismes d'inférence

À partir de la base de règles (fournie par l'expert) et du sous ensemble flou X0 correspondant à la fuzzification du vecteur de mesure x0=[x0,1,............. x0,n]TU, le mécanisme d'inférence calcule le sous-ensemble flou ì(x0) relatif à la commande du système En général, plusieurs valeurs de variables floues, convenablement défini par des fonctions d'appartenance, sont liées entre elles par des règles, afin de tirer des conclusions. On parle alors de déductions floues

3.5.4 Interface de déffuzification

Comme on l'a vu à la section précédente, les méthodes d'inférences fournissent

Une fonction d'appartenance résultante ìRES(z) pour la variable de sortie z. Il s'agit donc d'une information floue. Les actionneurs actuels, utilisées dans les boucles de commande ne s'accompagnent pas de ce genre de décision, il convient de la transformer en une grandeur de commande précise : c'est le but de l'étape de déffuzification.

Il est question dans ce travail de mettre sur pied un système de prise de décision par logique floue susceptible de gérer l'état du trafic routier auCameroun. Ainsi grâce à ce système on pourra savoir sur l'état du trafic dans la ville notamment sur les axes embouteillés et en priorité l'axe Ndokoti-FGI en passant par PK8. Pour y parvenir, nous avons fait une étude sur les causes de la congestion et leurs impacts dans la société, puis une étude générale sur les différents outils d'informations sur l'état du trafic présent sur le marché, nous nous sommes appuyés sur leurs limites pour élaborer notre cahier de charges.

Après l'analyse des données faisant office de paramètre d'entrée de notre système Flou, l'ensemble du travail a été reparti suivant quatre points à savoir : définition des Input, des Output et des variables linguistiques, Fuzzification,Base des règles floues et la Déffuzification.

À la suite des différents développements présentés précédemment, cette partie quant à elle vise en la présentation et l'évaluation des résultats obtenus. À cet effet, les résultats seront présentés suivant les données que nous avons eue après notre descente sur le lieu-dit NDOKOTI correspondant aux réalités observées pendant ces périodes-là, cela reste valable pour les courbes obtenues.

3.5.5 Démarche de construction du contrôleur flou pour la gestion des feux de circulation

La construction de notre contrôleur flou repose sur quatre étapes principales : définition des entrées, (input) une sortie (Output) et des variables linguistiques pour chaque paramètre, fuzzification,construction de la base de règles floues et déffuzification.

3.5.5 Définition des variables d'entrées/sorties et des variables linguistiques

Les paramètres significatifs retenus pour la conception de notre système intelligents de commande des feux de signalisation sont représentés dans le tableau ci-dessous :

Paramètres	Fonctions	Variables linguistiques
Entrée 1 :nv pk14	Nombre de véhicules sur la voie PK14	Faible
		Moyen
		Élevé
Entrée 2:nvPOSTE	Nombre de véhicules sur la voie POSTE	Faible
		Moyen
		Élevé
Entrée3 : nvPALAIS	Nombre de véhicules sur la voie PALAIS	Faible
		Moyen
		Élevé
Entrée 4:nvTUNNEL	Nombre de véhicules sur la voie TUNNEL	Faible
		Moyen
		Élevé
Sortie : FEU	Nombre de véhicules sur la voie prioritaire	Faible
		Moyen
		Élevé

3.5.6 Fuzzification

Elle consiste à transformer les variables réelles en ensembles flous. Ainsi, chaque variable linguistique correspond à un ensemble flou où chaque valeur réelle possède un degré d'appartenance à l'ensemble.

Le type de fonction d'appartenance utilisé est la fonction Gaussienne (Gaussmf dans Matlab).

Les autorités en charge du transport au Cameroun n'ayant pas une structure de collecte d'information de trafic, nous nous sommes déplacés pour faire une collecte d'information sur le terrain en comptant le nombre de véhicule sur unité de surface donnée. Les résultats sont contenus dans ce tableau :

Paramètres	Variables linguistiques	Valeurs réelles
Entrée1 : npk14	Faible	Entre 0 et 10 véhicules
	Moyen	Entre 8 et 25 véhicules
	Elevé	Entre 20 et 40 véhicules
Entrée2: nPOSTE	Faible	Entre 0 et 10 véhicules
	Moyen	Entre 8 et 25 véhicules
	Elevé	Entre 20 et 40 véhicules
Entrée3: nPALAIS	Faible	Entre -2 et 1 minute
	Moyen	Entre 0 et 3 minutes
	Elevé	Entre 1 et 5 minutes
Entrée4: nTUNNEL	Faible	Entre -1 et 1 minute
	Moyen	Entre 0 et 2 minute
	Elevé	Entre 1 et 3 minutes

3.5.7 Base des règles floues

La base des règles floues consiste à ressortir les cas possibles des situations incertaines pouvant se produire lors de la commande intelligente des feux. Elle est établie à partir des connaissances d'un expert et insérée dans le contrôleur flou pour raisonner face aux situations incertaines du trafic routier.Pour l'ensemble des quatre paramètres cités plus haut le nombre total de règles est donné par la formule suivante :

- Si entrée1 est faible et entrée2 est moyen alors temps de Feu est petit

Après avoir définie les variables d'entrée et de sortie, ainsi que les fonctions d'appartenance, on construit le système flou comme l'indique la figure suivante :

Comme nous l'avons dit plus haut, notre système compte 81 règles floues donc la totalité est en annexe.

Figure 3.3 : base de règles floues (en faisant varier les valeurs des entrées, on peut voir comment la sortie varie)

De toutes ces règles il en ressort la figure des variables linguistiques suivantes :

Une fois les variables linguistiques et les fonctions d'appartenance établies, on peut visualiser en sortie une surface représentant la sortie du système comme le montre la figure ci-dessous :

Arrivé à ce niveau, nous pouvons établir une relation entre la durée de feu et le nombre de voiture sur une voie, prise au hasard ; ceci donne la figure suivante :

Cette courbe ayant en abscisse le nombre de voitures, et en ordonnée le temps maximal de durée du FEU montre que la durée de temps de passage des voitures est proportionnelle au nombre de voiture présent sur la voie active, ce qui montre bien le caractère intelligent de notre système a logique floue.

3.5.8 Phase de simulation sur SIMULINK

Dans le souci de simuler le comportement du trafic routier en temps réel, nous avons utilisé SIMULINK de Matlab, ce qui nous a conduits au montage suivant :

Figure 3.7 : Schéma Bloc pour la simulation de l'évolution de la durée d'allumage fournie par le contrôleur

Figure 3.8 : Courbe d'évolution de la durée d'allumage fournie par le contrôleur

Sur cette courbe, on voit bien l'évolution de la durée d'allumage fournie par le contrôleur, il en ressort que la courbe en noir qui montre l'évolution de la circulation en période normale, sans embouteillage, et la courbe en couleur bleu-ciel montre l'évolution du temps de passage des véhicules en périodes de pointe, c'est-à-dire pendant les embouteillages.

Chaque feu est doté de son propre contrôleur Flou (ou1, out2, out3 et out4), qui envoie ses résultats à un contrôleur central intelligent qui prend enfin une décision.

Figure 3.10 : variation de la durée du feu en fonction de d'état du traffic routier

Ici, on remarque que les 4 variables d'entrée sont symbolisées par 4 couleurs différentes telles que illustrées par la légende, par ailleurs, l'évolution des courbes en dents de scie atteste de ceci que chaque voie a son propre temps de passage, après un temps équivalent a la période d'échantillonnage qui est de 0,2 , le système réévalue l'état du trafic, Ce qui montre bien que la durée d'allumage du feu dépend bel et bien du nombre de voiture sur la voie sollicitée, à titre d'illustration, la couleur JAUNE représente le temps de passage pour la voie menant au tunnel et le graphe montre bien que cette durée est plus élevé entre 1.6 et 1.8, et moins élevée entre 0.6 et 0.8 ce qui témoigne véritablement du caractère intelligent du système.

Notre système tel que construit et donnant la priorité de passage à la voie ayant le plus grand nombre de voitures semble présenter une défaillance en ceci que lorsque la fille d'attente devient très longue, les voies non prioritaires risquent de rester dans une attente très longue , pour pallier à cet inconvénient , nous y avons ajouté un TEMPORISATEUR au niveau du critère de passage dont le but consiste à changer la priorité d'une voie lorsque le temps de passage d'une voie prioritaire devient très long.Pour cela, nous avons programmé le bloc décisionnel en intégrant une fonction appelée TEMPORISATEUR dont le code apparait dans l'interface suivante :

Figure 3.11 : Temporisateur pour critère de passage au feu vert en fonction du traffic

CONCLUSION ET PERSPECTIVES.

La congestion routière est un phénomène de plus en plus courant, surtout dans les grandes villes et directement perceptible par le grand public, car elle est subie par de nombreux usagers. C'est pourquoi, depuis une cinquantaine d'années, des théoriciens du trafic cherchent à mieux comprendre et à quantifier les mécanismes à l'oeuvre. C'est dans ce contexte que la présente étude consistait au développement d'un système de gestion du trafic routier par la logique comme outils d'aide à la décision, nous avons organisé le travail en trois activités principales : (1)la recherche des variables d'entrées propres au cas local du Cameroun en général et spécifique au cas du carrefour NDOKOTI en particulier et pouvant faire office de variables significatives du trafic , (2)la fuzzification de ces variable en guise de formatage pour être exploitables par un système flou et (3) la définition des fonctions d'appartenance pour prévoir la sortie du système en terme de Defuzzification dans le but de rendre notre système exploitable.

Pour comprendre le problème d'embouteillage, il faut garder présent à l'esprit que c'est un phénomène qui survient lorsque la demande (le nombre de véhicules qui cherchent à utiliser une infrastructure donnée) est supérieure à la capacité de cette infrastructure. Si la demande excède la capacité, alors des véhicules seront ralentis à l'entrée de l'infrastructure, formant ainsi un bouchon. Ces véhicules excédentaires seront à chaque instant plus nombreux qu'à l'instant précédent. Comme chaque véhicule occupe une certaine longueur de voie, la longueur de la file d'attente ne fera que croître en proportion du nombre de véhicules présents dans cette file d'attente.

- La base de notre système de gestion des embouteillages reposant sur la logique floue n'est pas capable d'apprendre face à de nouvelles situations. Ainsi, l'ajout des réseaux de neurones pour leur capacité d'apprentissage aboutira à un système hybride du type neuro-Flou à l'aide d'algorithmes de reconnaissance de forme permettant de rendre robuste et évolutif notre face à de nouvelles données en vue d'une extension future,afin de migrer vers un système du type SOFT COMPUTING pour gérer les embouteillages dans la ville de Douala

[AKÇ, 97]RahmiAkcelik. «Lane-by-lane modelling of unequal lane use and flares at roundabouts and signalised intersections : the SIDRA solu- tion». Dans : Traffic Engineering+ Control 38.7 (1997), p. 388-99

[BBEK, 11] M. Behrisch, L. Bieker, J. Erdmann et D. Krajzewicz. «SUMO - Simulation of Urban MObility : An Overview». Dans : The Third International Conference on Advances in System Simulation (SIMUL 2011). Barcelona, Spain, oct. 2011, p. 63-68.

[BEH, 11] Behrisch M., Bieker L., Erdmann J., et Krajzewicz D. (2011); « Sumo - simulation of urban mobility :An overview ». In The Third international Conference on Advances in System Simulation (SIMUL 2011), Barcelona, Spain, pp. 63-68.

[BEN, 13] Benaicha S., Mouss H., Bencherif F. et Srairi F. (2013); « Commande Neuro-Floue d'un Système de Clinkérisation ». The international conference on electronics &oïl: from theory to applications March 05-06, 2013, Ouargla, Alegria.

[Boi, 92] F. Boillot et al. «Optimal signal control of urban traffic networks».Dans : 472. London, 1992, p. 182-186

[CER, 08], CERTU (2008).savoirs de base en sécurité routière : généralités sur les carrefours plans. CERTU.

[CER, 10] Certu, (2010) « GUIDE des aménagements routiers »homogénéisé les pratiques et les réponses aux demandes d'aménagements routiers (2010)

[Cha, 10]Chandra, Reggie and Gregory, Chris. «InSync Adaptive Traf- fic Signal Technology : Real-Time Artificial Intelligence Delivering Real-World Results». Dans : (juil. 2010).

[CHE, 05] Cheung S., Coleri S., Dundar B., Ganesh S., Tan C., et VaraiyaP. (2005). « Traffic measurement and vehicle classification with single magnetic sensor. » Transportation Research Record : Journal of the Transportation Research Board 1917(-1), 173-181.

[CHM, 58] ; Robert E Chandler, Robert Herman et Elliott W Montroll. «Traffic dynamics : studies in car following». Dans : Operations re- search 6.2 (1958), p. 165-184.

[CL, 87] B. M. Chard et C. J Lines. «Transyt - the latest developments».Dans : Traffic engineering & control 28.7-8 (1987), p. 387-390

[CSS, 00] Debashish Chowdhury, Ludger Santen et Andreas Schadschnei- der. «Statistical physics of vehicular traffic and some related system- s». Dans : Physics Reports 329.4 (2000), p. 199-329.

Didier Müller, Chapitre 10 : Intelligence artificielle et jeux, mars 2016.

[Dim, 12]CatalinDimon. «Contributions aÌ la modeìlisation et la commande des reìseaux de trafic routier». TheÌse de doct. Ecole Centrale de Lille, 2012.

[DUB, 85] DUBOIS D. et PRADE H. « Théorie des possibilités. Application à la représentation des connaissances en informatique », Paris, Masson, 1985

ESPINOZA, J., & al. (2005).Fuzzy Logic, Identification and predictive Control.British Library Cataloguing.

[GCM, 1935] BD Greenshields, Ws Channing, Hh Miller et al. «A study of traffic capacity». Dans : Highway research board proceedings. T. 1935. National Research Council (USA), Highway Research Board. 1935.

[GSE, 1946] Bruce Douglas Greenshields, Donald Schapiro et Elroy L Erick- sen.Traffic performance at urban street intersections. Rap.tech. 1946.

[GOR, 05] Gordon, R., W. Tighe, U. S. F. H. A. O. of Operations, D. E. Associates, et I. Siemens (2005). Traffic control systems handbook. US Dept. of Transportation, Federal Highway Administration

[HB, 01] Serge P Hoogendoornet Piet HL Bovy. «State-of-the-art of ve- hicular traffic flow modelling». Dans : Proceedings of the Institution of Mechanical Engineers, Part I : Journal of Systems and Control Engineering 215.4 (2001), p. 283-303.

[HMS, 94] K. Larry Head, Pitu B. Mirchandaniet Dennis Sheppard. «Hie- rarchical Framework for Real-Time Traffic Control». Dans : Trans- portation Research Record 1360, Transportation Research Board, Na- tional Research Council, Washington DC (1992).

[KER, 08]Boris Kerner. (1999) ; "Congested Traffic Flow: Observations and Theory", Transportation Research Record, Vol. 1678, pp. 160-167 (1999)

[LW, 55] Michael J Lighthill et Gerald Beresford Whitham. «On kinematic waves. II. A theory of traffic flow on long crowded roads». Dans : Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences 229.1178 (1955), p. 317-345.

[MAH, 07] Mahdaoui et H.L Mouss(2007) : « the 4th International Conference on Computer Integrated Manufacturing » CIP'2007.

[NS, 92] Kai Nagel et Michael Schreckenberg. «A cellular automaton mo- del for freeway traffic».Dans : Journal de physique I 2.12 (1992), p. 2221-2229.

[PMN, 97] ; Andreì de Palma, Fabrice Marchal et YuriiNesterov. «METRO- POLIS : Modular system for dynamic traffic simulation». Dans : Transportation Research Record : Journal of the Transportation Re- search Board 1607.1 (1997), p. 178-184.

[ROL, 12] ROLLAND-MAYC(1984),. « Les espaces géographiques flous, Thèse de Doctorat d'État », Université de Metz, 1984,

[FAY, 14] Faye S (2014),. « Contrôle et gestion du trafic routier urbain par un réseau de capteurs sans fil ». Infrastructures de transport. Telecom ParisTech, 2014.

[FAY, 12] Faye S., Chaudet C., et Demeure I. (2012). A distributed algorithm for adaptive traffic lights control.In 15th IEEE Intelligent Transportation Systems Conference (ITSC 2012), Anchorage, USA.

[RB, 74] DI Robertson et RD Bretherton. «Optimum control of an inter- section for any known sequence of vehicle arrivals». Dans :Procee- dings of the 2nd IFAC/IFIP/IFORS Symposium on Traffic Control and Transportation Systems. 1974.

[SD, 80] A.G. Sims et K.W. Dobinson. «The Sydney coordinated adaptive traffic (SCAT) system philosophy and benefits». Dans : IEEE Tran- sactions on Vehicular Technology 29.2 (mai 1980).

[SHA, 13]) Shawn wang (2013, « international journal of Data Mining, Modeling and Management », 2013 ; vol 5 n^o 8.

[SL, 13]Geìrard SCEMAMA et Patrick LAFFONT. «CLAIRE-SITI Sys- teÌme pour la supervision intelligente, intermodale, inteìgreìe des reì- seaux de transport de surface». Dans : TEC Transport environnement circulation 219 (jan. 2013)

[SS, 09] Matt Selingeret Luke Schmidt. «A review of the cost, mainte- nance and reliability of popular adaptive traffic control technologies». Dans : Adaptive Traffic Control Systems in the United States (2009).

[LL, 11]Binyang Liu et Weifang Liu. «Evaluation of traffic control methods at traffic circles». Dans : Control and Decision Conference (CCDC), 2011 Chinese. Mai 2011,

[MAT, 14] Virginie Mathivet(2014), « L'intelligence artificielle pour les développeurs : concepts et implémentations en Java » aux éditions Eyrolles.

[JYD, 04] Jyda Moustapha (2014), « Modelisation Mathématique et Simulation du Trafic routier », Université Paris-Est, 2014).

[War, 52] John Glen Wardrop. «ROAD PAPER.SOME THEORETICAL ASPECTS OF ROAD TRAFFIC RESEARCH.»Dans : ICE Procee- dings : Engineering Divisions. T. 1. 3. Thomas Telford.

[Whi, 11] Gerald Beresford Whitham. Linear and nonlinear waves. T. 42. John Wiley & Sons, 2011.

[WIE, 04] Wiering, M., J. Vreeken, J. van Veenen, et A. Koopman (2004). « Simulation and optimization of traffic in a city ». In Intelligent Vehicles Symposium, 2004

[YAKS, 10] Khalil M. Yousef, Jamal N. Al-Karaki et Ali M. Shatnawi. «In- telligent Traffic Light Flow Control System Using Wireless Sensors Networks».Dans : Journal of Information Science and Engineering 26.3 (mai 2010).

[YOU, 10] Yousef, K. M., J. N. Al-Karaki, et A. M. Shatnawi (2010). « Intelligent traffic light flow control system using wireless sensors networks ». Journal of information Science and Engineering 26(3).

[ZCZW, 10] B. Zhou, J. Cao, X. Zeng et H. Wu. «Adaptive Traffic Light Control in Wireless Sensor Network-Based Intelligent Transportation Sys- tem». Dans : Vehicular Technology Conference Fall (VTC 2010-Fall)

[ZHO, 10] Zhou, B., J. Cao, X. Zeng, et H. Wu (2010). « Adaptive traffic light control in wireless sensor network-based intelligent transportation system ». In 72nd IEEE Vehicular Technology Conference Fall (VTC 2010-Fall), Ottawa, Canada

Gestion intelligente du trafic routier avec prise de decision par logique floue: Cas du carrefour Ndokoti

ÉCOLE DOCTORALE DES SCIENCES FONDAMENTALES ET APPLIQUÉES

-----------------

Unité de Formation Doctorale des Sciences de l'Ingénieur