EP4026110A1 - Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier - Google Patents

Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier

Info

Publication number
EP4026110A1
EP4026110A1 EP20725566.2A EP20725566A EP4026110A1 EP 4026110 A1 EP4026110 A1 EP 4026110A1 EP 20725566 A EP20725566 A EP 20725566A EP 4026110 A1 EP4026110 A1 EP 4026110A1
Authority
EP
European Patent Office
Prior art keywords
road network
speed
vehicle
road
speed profile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20725566.2A
Other languages
German (de)
English (en)
Inventor
Mohamed LARAKI
Giovanni DE NUNZIO
Laurent Thibault
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Publication of EP4026110A1 publication Critical patent/EP4026110A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Definitions

  • the present invention relates to the prediction of the speed of a vehicle on a road network.
  • Atmospheric pollution is also a major financial stake: a senatorial commission of inquiry estimates that the total cost of air pollution is between 68 and 97 billion euros per year for France, in an assessment made in July 2015, integrating both the health damage of pollution, but also its consequences on buildings, ecosystems and agriculture.
  • the transport sector is still one of the most important sources of pollutants, despite the many measures put in place by the public authorities and technological advancements in the field. All modes of transport are responsible for around 50% of global nitrogen oxide (NOx) emissions and around 10% of PM2.5 particulate emissions.
  • NOx global nitrogen oxide
  • the current air quality monitoring tools do not make it possible to isolate and estimate with precision the share of emissions in real use due to road transport as well as their spatial location.
  • the estimation of pollutant emissions is based on the use of an average method adapted to large scales, typically road segments of several kilometers so that the journey can be considered as representative of all traffic conditions, as in the COPERT methodology (standing for “COmputer Program to calculate Emissions from Road Transports”, which can be translated into a computer program for calculating emissions from road transport).
  • Polluting emissions (chemical and / or sound) are linked to the speed of movement of vehicles on the road. This is why in order to have good forecasts of polluting emissions, it is important to accurately predict the speed of vehicles on the road, taking into account the topology of the road (slope, bend, road signs, etc.) and the conditions. traffic.
  • the consumption of the vehicle is also linked to the speed of the vehicle. This is why, to accurately determine a vehicle's consumption, it is important to accurately predict the speed of vehicles on the road, taking into account the topology of the road (slope, bend, road signs, etc. ) and traffic conditions.
  • Another area in which prediction of vehicle speed is useful is the area of determining vehicle routes for navigation. Indeed, an accurate prediction of the speed of the vehicles on the road, taking into account in particular the topology of the road and the traffic conditions, allows optimized navigation, in particular in terms of travel time.
  • Another method is based on an estimate of a statistical speed corresponding to the 85% percentile using statistical models.
  • This method has the same drawbacks as the previously described method: lack of precision, no consideration of the impact of the road infrastructure, nor of the different driving styles, nor of the different behaviors linked to the signs, impossibility of predicting a speed for a road segment without traffic measurement.
  • FCD data from English "floating car data"
  • FCD data from English "floating car data”
  • This database is broken down then grouped according to macroscopic descriptors, such as the type of road. Then each road segment is identified as belonging to a group.
  • One or more speed profiles are built on this segment by combining portions of real speeds from the FCD data belonging to this group.
  • This method also lacks precision; in fact, the models used are only relevant on a large spatial scale, but can give rise to inconsistent behavior.
  • this method which can be computationally expensive, does not allow the impact of road infrastructure to be taken into account directly and in detail.
  • Another method is based on the calculation of a speed profile as a function of distance by means of mathematical functions by considering the signaling and the infrastructure on each road segment. This method is not satisfactory in terms of taking into account of different behaviors and driving styles, nor of the topology of the road. In addition, the majority of the methods based on this method cannot be used for a road segment for which there is no history.
  • the document Andrieu, C. (2013). Functional modeling of speed profiles in connection with the infrastructure and methodology of construction of an aggregated profile (Doctoral dissertation, University Paul Sabatier-Toulouse III) describes such a method.
  • the present invention aims to predict an accurate speed profile at a fine spatial scale by considering the different behaviors and styles of driving without microscopic data.
  • the invention relates to a method for predicting at least one speed profile of a vehicle for a portion of a road network, in which a vehicle speed model is constructed by means of macroscopic data from the network. road and trip data, then this model is applied to the portion of the road network considered.
  • the invention relates to a method for predicting at least one profile of the speed of a vehicle on a portion of a road network. For this process, the following steps are implemented:
  • a vehicle speed model is constructed by a machine learning method by means of macroscopic data of said road network and by means of data from journeys made on said road network, said vehicle speed model associates with at least one subdivision of said road network at least one profile vehicle speed as a function of said macroscopic data of said road network and of said data of journeys made;
  • At least one profile of the speed of said vehicle on said portion of said road network is predicted by applying said vehicle speed model to macroscopic data of each subdivision of said portion of said road network.
  • said vehicle speed model is constructed by implementing the following steps:
  • Each segment of said road network is categorized as a function of said macroscopic data of said road network
  • At least one vehicle speed profile is generated by means of said data of journeys made.
  • At least one vehicle speed profile is predicted on said portion of said road network by implementing the following steps:
  • said at least one speed profile is assigned to each segment of said portion of said road network, taking into account data from journeys made on each segment in order to specify said at least one speed profile.
  • each segment of said portion of said road network is also assigned a distribution of said at least one speed profile.
  • said road network is segmented by dividing said road network into triplets of links, each triplet of links being formed by a link formed between two nodes of said road network, its origin and its destination.
  • said category of said segment of the road network is chosen from:
  • said data of journeys made by a classification algorithm in particular the k-means algorithm, is classified.
  • At least one speed profile of the vehicle is generated by a method based on at least one neural network, in order to parameterize a function of the speed depending on the distance, preferably said function of the speed is a linear function, a parabolic function, or a combination of linear and / or parabolic functions of distance.
  • said macroscopic data of said road network are the topology and traffic conditions, preferably said macroscopic data of said road network are provided by a geographic information system.
  • said data of journeys made comprises data of speed, position and altitude measured during previous journeys, preferably by means of a geolocation system.
  • said at least one vehicle speed profile of said portion of the road network is displayed on a road map, preferably by means of a smart phone or a computer system.
  • the invention relates to a method for predicting chemical and / or sound polluting emissions on a portion of a road network, in which the following steps are implemented:
  • a microscopic model of chemical and / or sound polluting emissions is applied to said at least one speed profile in order to predict said pollutant emissions, said model relating the speed of the vehicle and said pollutant emissions.
  • the invention also relates to a method for predicting the consumption of a vehicle on a portion of a road network, in which the following steps are implemented: a) at least one speed profile of the vehicle is predicted on said portion of said road network by means of the method of predicting at least one speed profile according to one of the preceding characteristics; and b) A vehicle consumption model is applied to said at least one speed profile in order to predict said consumption of said vehicle, said model relating the speed of the vehicle and said consumption of said vehicle.
  • the invention relates to a method for determining a route to be taken by a vehicle, for which the departure and arrival of said route are identified, by implementing the following steps:
  • a route to be covered is determined to connect said departure and said arrival, by taking into account said at least one speed profile of the vehicle, preferably by minimizing the journey time.
  • Figure 1 illustrates the steps of the method according to one embodiment of the invention.
  • Figure 2 illustrates the construction of the speed model according to one embodiment of the invention.
  • Figure 3 illustrates the prediction of a speed profile according to one embodiment of the invention.
  • Figure 4 illustrates a portion of a road network.
  • Figure 5 illustrates a speed profile for an example in the case of a road with a traffic light, when the traffic light is red.
  • Figure 6 illustrates a speed profile for an example in the case of a road with a traffic light, when the traffic light is green.
  • FIG. 7 illustrates, for an example, a comparison of measured speed profiles and predicted speed profiles by means of the method according to one embodiment of the invention, in the case of a road with a traffic light, when the traffic light is red.
  • FIG. 8 illustrates, for an example, a comparison of measured speed profiles and of speed profiles predicted by means of the method according to an embodiment of the invention, in the case of a road with a traffic light, when the traffic light is green.
  • FIG. 9 illustrates, for an example, a comparison of the NOx emissions measured and estimated by means of the method according to an embodiment of the invention.
  • FIG. 10 illustrates, for an example, a comparison of the NOx emissions measured and estimated by means of the method according to an embodiment of the invention.
  • the present invention relates to a method for predicting at least one speed profile of a vehicle on a portion of a road network.
  • the method makes it possible to predict the speed of a vehicle traveling on a portion of a road network, the speed can be expressed as a function of the distance from an end of the road. Since this is a prediction, it can be performed even on a portion of a road network for which no previous route is available.
  • speed profile the variation of the speed of the vehicle along a road of a road network ;. the road network being made up of all the roads for a given territory, for example for a country or for a region.
  • the speed profile is dynamic (unlike an average speed).
  • the road network portion is a part of this road network for which it is desired to determine at least one vehicle speed profile.
  • the portion of road network can consist of a set of roads between a starting point and an end, a set of roads in a city or a neighborhood, etc.
  • the vehicle is a motorized vehicle traveling within the road network, such as a motor vehicle, a two-wheeler, a heavy vehicle, a coach, a bus.
  • Step 1 can be done offline, and Step 2 can be done online. These steps are detailed in the remainder of the description.
  • FIG. 1 illustrates, schematically and in a non-limiting manner, the steps of the method of predicting at least one speed profile according to one embodiment of the invention.
  • MAC macroscopic data
  • DTR data on journeys made
  • the vehicle speed model (MOD) is constructed. Then, the vehicle speed model (MOD) allows the prediction (PRED) of at least one speed profile (v) for the portion of the road network considered (POR).
  • a vehicle speed model is constructed by a machine learning method using macroscopic data from the road network and using data from journeys made on the road network.
  • the macroscopic data of the road network make it possible to take into account information related to the road network, such as infrastructure, slope, signage, traffic etc.
  • the data of journeys made makes it possible to take into account real behavior in order to form a representative and precise vehicle speed model.
  • the vehicle speed model associates with at least one subdivision of the road network (preferably with a link of the road network) at least one vehicle speed profile as a function of the macroscopic data of the road network and of the data of journeys made.
  • any division of the road network can be a road network link.
  • the road network link is an elementary subdivision of the road network between two consecutive nodes of the road network.
  • a road network link can be a road between two consecutive intersections, between two consecutive signs, between an intersection and a sign, or part of a motorway between two consecutive exits, etc.
  • the macroscopic data of the road network can be topology (i.e., slope, turns, intersections, signage, etc.) and traffic conditions.
  • the macroscopic data of the road network can be provided by a geographic information system (GIS).
  • GIS geographic information system
  • Maps TM, Google Maps TM, OpenStreetMap TM are examples of geographic information systems. Macroscopic data is always available and from any location. Thus, they can serve as unique inputs to the vehicle speed model.
  • the data of journeys made may include data measured during previous journeys, in particular speed, position and altitude.
  • the data of journeys made can be measured by means of a geolocation system, such as a satellite positioning sensor, such as the GPS system (standing for Global Positioning System), the Galileo system, etc. .
  • the geolocation system can be on board the vehicle or deported (for example by means of a smart phone, English "smartphone").
  • the vehicle speed model can be constructed by implementing the following steps:
  • FIG. 2 illustrates, schematically and in a non-limiting manner, the steps in the construction of the vehicle speed model according to this embodiment of the invention.
  • SEG segment
  • MAC data macroscopic
  • CAT classification step
  • DTR trip data
  • CAT category of road segment
  • PRO speed profile
  • the road network is segmented using macroscopic data from the road network.
  • the road network is divided into segments based on the macroscopic data of the road network.
  • the purpose of this step is to obtain subdivisions of the road network based on data such as topology and traffic conditions.
  • the road network can be segmented by dividing the road network into link triplets, each link triplet comprising a link formed between two nodes of the road network, its origin and its destination.
  • link triplets comprising a link formed between two nodes of the road network, its origin and its destination.
  • This triplet segmentation of links makes it possible to limit this dispersion, by considering (in the following steps) only the speed data of the vehicles which come from the same origin and which have the same destination.
  • this segmentation makes it possible to obtain characteristics for each segment (each triplet of links), for example the maneuver angle, the number of triplets having the same central link (number of connections), etc.
  • Figure 4 illustrates a road including an intersection.
  • This route includes a link between nodes A and B.
  • the vehicle then has a single possible origin O and two possible destinations D1 and D2.
  • a first segment corresponding to the route of FIG. 4 may be the triplet of links (O, link AB, D1)
  • the second segment corresponding to the route of Figure 4 can be the triplet of bonds (O, bond AB, D2).
  • the central link AB is then common for two distinct segments (triplets of links).
  • the road can be segmented on the basis of the road network links, or by considering half of a link to capture the effect of a signage that may be in the middle of a segment defined by the macroscopic data of a geographic information system.
  • each segment of the road network obtained in step 1 .1 is categorized using the macroscopic data of the road network.
  • each road segment is associated with a category that groups together road segments with the same characteristics.
  • the segment is a link triplet
  • two link triplets having the same central link can be found in different categories. Indeed, they can have different characteristics.
  • the bond triplet (O, AB, D1) does not have a bend, unlike the bond triplet (O, AB, D2).
  • the categories can be formed from the following criteria: road congested or not, presence or absence of signaling (for example of a traffic light), presence or absence of an intersection, priority road or not , importance of the curvature of a bend, functional class (which characterizes the hierarchy of the road network and the level of importance of the segment, for example motorway, small street, etc.), number of lanes, etc. These criteria are obtained directly from the macroscopic data of the road network.
  • the categories of segments can be:
  • each segment can be assigned one of these six categories. Indeed, it is generally not useful to subdivide the case of the road congested, because in this case the speed is very low, and neither the signage nor the curvature of the road have a significant impact on the speed of the vehicle.
  • the data of the journeys made is classified. To do this, we associate with each segment of the road network the data of journeys made, in particular speed. Then, for each category, the data of the trips made which are similar are classified. This step makes it possible to limit the dispersions of the measured data, in particular of the speed, these dispersions being in particular induced by random phenomena (driving style, alternation of traffic lights, etc.).
  • This classification can be made from data (descriptors) such as the average speed on the segment, the speed of the 75% percentile, minimum / maximum speed, sum of positive / negative accelerations, etc.
  • the classification can be carried out by a "k-means” algorithm, because the data used is digital.
  • the number of "k” classes is a parameter of the algorithm, which is determined with an iterative method aimed at maximizing a dissimilarity metric such as "silhouette".
  • An important advantage of this method is the evaluation of the proximity of a data sample (in this case a speed profile resulting from the data of journeys made) to the center of a classification by also comparing it with the minimum average distance d 'another class. In general, a figure value greater than 0.5 indicates good classification, with very little confusion and dispersion between classes.
  • step 1 .2 For each category of road segment (step 1 .2) and for each classification obtained in the previous step, at least one speed profile is generated by means of data from previous journeys.
  • the speed profile is dynamic and that it corresponds to a variation in speed as a function of distance within the same portion of the road segment.
  • a speed profile is generated on this link which approximates the data of the journeys made on this link.
  • the aim of this step is to represent by a speed profile the typical behavior of the vehicles according to the characteristics of the road and the previous journeys made.
  • the speed profiles are representative of real behavior.
  • this step can consist in generating a function of the speed depending on the distance on the link considered.
  • the speed function can be configured with the data of the journeys made.
  • the function of the speed can be a polynomial function.
  • the speed function can be a linear function, a parabolic function, or a combination of linear and / or parabolic functions.
  • each category of segment of the road network can also be assigned a distribution of speed profiles.
  • speed profiles it is possible to predict a probability of the speed profile.
  • At least one vehicle speed profile can be generated by a neural network method, a support vector machine method (standing for “Support Vector Machine”), a method of decision tree forests (from the English "Random Forest”), or other methods of supervised learning.
  • the neural network method makes it possible to parameterize a function of the speed which depends on the distance, this function being able to be a linear function, a parabolic function, or a combination of linear and / or parabolic functions. An example of this embodiment is detailed in the remainder of the description.
  • these parameters useful for the generation of the speed profile can be the initial and final speeds of the profile on the segment considered, as well as its maximum / minimum speed and the position of the possible stopping point. Learning of these parameters can be carried out in a supervised manner (thanks to the data of the journeys made) in order to correlate them directly with macroscopic descriptors.
  • the supervised learning tool used can be a neural network, which can use the following macroscopic descriptors as input: classification (from the previous step) of membership of the speed profile to be estimated, functional class of the connections of the triplet , number of channels on the triplet links, speed limit on the triplet links, average traffic speed on the triplet links, length of the triplet links, maneuver angle at the entry and exit of the central link of the triplet, number incoming / outgoing links of the central link, etc.
  • classification from the previous step
  • functional class of the connections of the triplet a neural network
  • number of channels on the triplet links speed limit on the triplet links
  • average traffic speed on the triplet links length of the triplet links
  • maneuver angle at the entry and exit of the central link of the triplet number incoming / outgoing links of the central link, etc.
  • the method can be split into two stages with cascade neural networks:
  • the first neural network can estimate the average of the initial speed and the final speed, as well as their standard deviation, to obtain a Gaussian probability density.
  • the Gaussian probability density was chosen for the simplicity of definition with few variables and for the good representativeness of the phenomenon.
  • This first neural network can be common to all the classes determined in the previous step.
  • the following neural networks can estimate the maximum and minimum speed as well as the position of the stopping point.
  • This neural network depends on the membership class of the profile to be estimated (for example a neural network which estimates the breakpoint is used if the class foresees a profile with a breakpoint) and takes as input the estimation of the initial speed and the final speed performed by the preceding neural network.
  • the parameters estimated with deterministic, probabilistic, or other polynomial methods can be used, without loss of generality.
  • the polynomial functions used to generate the predicted speed profiles can be inspired by observing the actual profiles of the trip data of each class. They can mainly be reconstructed profiles with linear or parabolic functions.
  • the identified parameters can be “drawn” at random according to their Gaussian distribution in order to generate several representative speed profiles. These generated speed profiles can meet the constraints of maximum and minimum length and speed of the link considered for which the prediction is made.
  • FIG. 5 illustrates, schematically and in a nonlimiting manner, a function of the speed V as a function of the distance D.
  • This speed function corresponds to a road link with a traffic light in the “red” state.
  • the speed function is made up of two parabolic functions: a first decreasing until a stop point and a second increasing from the stop point.
  • FIG. 6 illustrates, schematically and in a non-limiting manner, a function of the speed V as a function of the distance D.
  • This speed function corresponds to a road link with a traffic light in the "green" state.
  • the function of the speed is formed by a decreasing linear function.
  • At least one profile of the speed of the vehicle is predicted on the portion of the road network considered. It is recalled that the speed profile is dynamic and that it corresponds to a variation in speed as a function of the distance within the portion of the road network considered. It may be a portion of the road network that has been traveled by previous trips made, a portion of the road network that has been partially covered by previous trips made, or a portion of the road network that has not been completed. not been traveled by previous journeys made (it can even be a portion of a non-existent road network, for which you want to predict the speed profile).
  • we apply the speed model of the vehicle built in step 1 to the macroscopic data of the portion of the road network considered.
  • the topological data of the portion of the road network considered is taken into account.
  • at least one speed profile is assigned to each subdivision (preferably to each link) of the portion of the road network considered.
  • a plurality of speed profiles is determined for each link of the portion of the road network considered.
  • the plurality of speed profiles can be obtained in different ways, in particular according to the embodiments implemented.
  • the plurality of speed profiles for each link can come from the fact that for each category of road segment, a plurality of speed profiles are generated (step 1 .4), each speed profile corresponding to a behavior or a driving style.
  • the plurality of speed profiles for each link may arise from the fact that each link may belong to more than one link triplet, the link triplets may belong to distinct categories.
  • the plurality of speed profiles may be from a plurality of random draws among the determined speed profile distribution.
  • the prediction of the speed profiles can implement the following steps:
  • FIG. 3 illustrates, schematically and in a non-limiting manner, the steps of this embodiment.
  • the portion of the road network (POR) is segmented (SEG).
  • SEG segmented
  • CAT categorization
  • MOD vehicle speed model
  • CAT categorization
  • each subdivision of the road network portion considered is assigned (ATT) at least one speed profile (v).
  • the portion of the road network considered is segmented.
  • the portion of the road network considered can be segmented in the same way as the segmentation implemented in step 1.1.
  • the portion of the road network considered can be segmented by link triplets, comprising an origin, a central link and a destination.
  • the segments of the road network portion considered are categorized.
  • the segments of the road network portion considered can be categorized in the same way as the categorization provided in step 1 .2.
  • the segments of the portion of the road network considered can be categorized into the following six categories:
  • each segment of the road network portion considered is assigned at least one speed profile generated by means of the vehicle speed model, as a function of the categorization of the road network portion.
  • the segment of the road network portion considered has a speed profile identical to the speed profile of the segment having the same category in the vehicle speed model.
  • a segment of the portion of the road network considered which is a road with no or little congestion with a traffic light can have at least one speed profile as shown in figure 5 when the light is red, and at least one speed profile as shown in figure 6 when the light is green.
  • the speed profile can be matched with the data of completed journeys, so as to optimize the precision of the prediction of the speed profile.
  • the method may include an optional step of displaying the speed profile for the portion of the road network considered.
  • This display can take the form of a note or a color code. If necessary, a note or a color can be associated with each link of the road network.
  • This display can be produced on board a vehicle: on the dashboard, on an autonomous portable device, such as a geolocation device (of the GPS type), a mobile telephone (of the smart phone type). It is also possible to display the speed profile on a website.
  • the predicted speed profile can be shared with the public authorities (for example road network manager) and construction companies. public. Thus, public authorities and public works companies can optimize the road infrastructure, to improve safety or polluting emissions.
  • instantaneous measurements of the speed of at least one vehicle traveling on the road network can be made, in particular by means of a geolocation system (for example: GPS, smart phone) or by fewer vehicles connected (for example: with a sensor placed on the vehicle's OBD diagnostic socket).
  • the instantaneous speed data measured in real time during the journey can then be used to enrich and possibly reset the prediction of the speed profiles, if necessary during step 2.3.
  • the predicted speed profiles are representative of the driving conditions in real time.
  • the prediction of the associated indicators is representative of driving conditions in real time.
  • the present invention also relates to a method for predicting polluting, chemical (for example NOx, particles) and / or sound emissions on a portion of a road network.
  • a method for predicting polluting emissions the following steps are implemented: a) at least one vehicle speed profile is predicted on the portion of the road network considered by means of the method for predicting at least one speed profile according to any one of the variants or combinations of variants described above; and
  • a microscopic model of pollutant, chemical and / or sound emissions is applied to the predicted speed profile in order to predict the pollutant emissions on the portion of the road network considered, the pollutant emissions model being a model which relates the speed of the vehicle with polluting emissions.
  • the method can include an optional step of displaying the polluting emissions for the portion of the road network considered.
  • the polluting emissions can be displayed on a road map.
  • This display can take the form of a note or a color code. If necessary, a note or a color can be associated with each link of the road network.
  • This display can be produced on board a vehicle: on the dashboard, on an autonomous portable device, such as a geolocation device (of the GPS type), a mobile telephone (of the smart phone type). It is also possible to display polluting emissions on a website.
  • the predicted pollutant emissions can be shared with the public authorities (eg road manager) and public works companies. Thus, public authorities and public works companies can optimize road infrastructure to improve polluting emissions.
  • the present invention relates to a method for predicting the consumption of a vehicle, on a portion of a road network.
  • this method of predicting the consumption of a vehicle the following steps are implemented: a) at least one vehicle speed profile is predicted on the portion of the road network considered by means of the prediction method of at least a speed profile according to any of the variants or combinations of variants described above; and
  • a vehicle consumption model is applied to the predicted speed profile in order to predict the vehicle consumption on the portion of the road network considered, the vehicle consumption model being a model which relates the vehicle speed to its consumption.
  • the method can include an optional step of displaying the consumption for the portion of the road network considered.
  • the consumption can be displayed on a road map.
  • This display can take the form of a note or a color code. If necessary, a note or a color can be associated with each link of the road network.
  • This display can be produced on board a vehicle: on the dashboard, on an autonomous portable device, such as a geolocation device (of the GPS type), a mobile telephone (of the smart phone type). It is also possible to display the vehicle's consumption on a website.
  • the vehicle's consumption can be shared with the public authorities (for example road network manager) and public works companies. Thus, public authorities and public works companies can optimize the road infrastructure, the location of gas stations, charging stations, etc.
  • the invention relates to a method for determining a route to be covered by a user, for which the departure and arrival are identified, by implementing the following steps: a) at least one speed profile is predicted vehicle on the portion of the road network considered by means of the method of predicting at least one speed profile according to any one of the variants or combinations of variants described above,
  • a route to be covered is determined to connect the start and the finish, taking into account the predicted speed profile.
  • Step b) can minimize conventional criteria of navigation processes: such as travel time, distance traveled, energy consumed, etc.
  • step b) can minimize the associated risk thanks to the associated probability distribution. These minimization criteria are dependent on the speed of the vehicle. Consequently, the precision obtained by the speed profile prediction method allows optimization of the determination of the path to be traveled.
  • step b we can use a shorter path algorithm.
  • the method can include an optional step of displaying the route to be traveled, optionally with the speed profile for each link of the route.
  • the trip can be displayed on a road map.
  • This display can be carried out on board a vehicle: on the dashboard, on an autonomous portable device, such as a geolocation device (GPS type), a mobile phone (smart phone type). It is also possible to display the route to be covered by the vehicle on a website. In addition, the route to be covered by the vehicle can be shared with a vehicle fleet manager.
  • the emissions associated with the actual speed profiles of the data of journeys made and calculated with a microscopic model of emissions were used as a reference, thus obtaining a reference per classify (in accordance with to the classes defined in step 1.3).
  • the emissions associated with the speed profiles generated by classification were compared to their reference.
  • the first example was performed on a segment (link) belonging to the learning road network (Paris / Lyon), but which was not used directly in the learning of neural networks to generate the vehicle speed model. (step 1.4).
  • a link with little or no congestion with a traffic light at the end of the link was chosen for the prediction of speed profiles.
  • the neural networks were used. to estimate the parameters of the speed profiles (initial speed, final speed, stopping point, maximum speed) as a function of the macroscopic data of the link considered.
  • FIG. 7 illustrates profiles of the speed V (km / h) as a function of the distance D (m), in the case of a link with a red traffic light.
  • FIG. 8 illustrates profiles of the speed V (km / h) as a function of the distance D (m), in the case of a link with a green traffic light.
  • the speed profiles illustrated correspond to the measured MES speed profiles and to the predicted speed profiles PRED by means of the method according to the invention. From a qualitative point of view, the predicted speed profiles PRED reproduce well the shape real MES profiles (acceleration level, speed, position of the stopping point) in these two situations.
  • FIG. 9 illustrates for each case, the distribution of NOx emissions in mg / km (area in gray) for the MES measured speeds, and for the PRED predicted speeds by means of the method according to the invention. On each curve, the horizontal line AVG indicates the average value of the NOx emissions.
  • the average obtained with the predicted speed values PRED are close to the average obtained with the measured MES speed values.
  • a statistical analysis of the impact of the accuracy of the speed profile prediction on emissions was also carried out.
  • the average absolute error on emissions is 10 mg / km with a percentage error of 6%.
  • the second example was carried out on a road segment (link) in Marseille not belonging to the learning road network, and therefore which was not used in the learning of neural networks.
  • a link with a traffic light at the end of the link was chosen for the prediction of speed profiles. This time the link does not belong to the data of the learning network in order to verify the ability of the invention to extrapolate and generalize information (data).
  • the neural networks were used to estimate the parameters of the profiles (speed initial, final speed, stopping point, maximum speed) according to the macroscopic data of the link.
  • FIG. 10 illustrates for each case, the distribution of the NOx emissions in mg / km (area in gray) for the measured MES speeds, and for the predicted speeds PRED by means of the method according to the invention. On each curve, the horizontal line AVG indicates the average value of the NOx emissions.
  • the average obtained with the predicted speed values PRED are close to the average obtained with the measured MES speed values.
  • a statistical analysis of the impact of the accuracy of the speed profile prediction on emissions was also carried out.
  • the absolute average error on emissions is 37.8 mg / km with a percentage error of 7.5%.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

L'invention concerne un procédé de prédiction d'au moins un profil de vitesse d'un véhicule pour une portion d'un réseau routier (POR), dans lequel on construit un modèle de vitesse de véhicule (MOD) au moyen de données macroscopiques du réseau routier (MAC) et de données de trajets réalisés (DTR), puis on applique ce modèle à la portion de réseau routier considérée (POR).

Description

PROCEDE DE PREDICTION D’AU MOINS UN PROFIL DE LA VITESSE D’UN VEHICULE SUR UN RESEAU ROUTIER
Domaine technique
La présente invention concerne la prédiction de la vitesse d’un véhicule sur un réseau routier.
Selon l’Organisation Mondiale de la Santé (OMS), environ 18000 décès par jour sont attribuables à une mauvaise qualité de l’air, ce qui fait monter l’estimation à environ 6.5 millions de décès par an. La pollution atmosphérique représente également un fort enjeu financier : une commission d'enquête sénatoriale estime que le coût total de la pollution de l’air s’établit entre 68 et 97 milliards d’euros par an pour la France, dans une évaluation, rendue en juillet 2015, intégrant à la fois les dommages sanitaires de la pollution, mais également ses conséquences sur les bâtiments, les écosystèmes et l’agriculture. Le secteur des transports représente toujours l’une des sources les plus importantes de polluants, malgré les nombreuses mesures mises en place par les pouvoirs publics et les avancements technologiques dans le domaine. Les transports, tous modes confondus, sont responsables d’environ 50% des émissions globales d’oxydes d’azote (NOx) et environ 10% des émissions de particules PM2,5. Le transport routier seul représente une part considérable de cet apport dû aux transports, avec 58% des émissions de NOx et 73% des émissions de particules PM2,5. Ces émissions sont dues principalement à trois facteurs : les émissions à l’échappement, les émissions d’abrasion, les émissions d’évaporation. Si les poids lourds sont les principaux émetteurs de polluants, ce sont les véhicules particuliers, plus représentés dans les zones urbaines fortement peuplées, qui ont l’impact le plus élevé sur l’exposition des citoyens à une mauvaise qualité de l’air.
Les mesures mises en place au niveau local pour gérer l’utilisation des transports (comme une meilleure planification des transports et les mesures pour inciter le transfert modal), ainsi que le progressif renouvellement du parc automobile, ont contribué à limiter les émissions de gaz à l’échappement du transport routier dans les villes et les agglomérations urbaines. En effet, dans le monde, l’activité liée au transport routier a augmenté d’un quart au cours de la dernière décennie, alors que les émissions de NOx ont augmenté de 5% et les émissions de particules ont diminué de 6%. Malgré ces améliorations, les niveaux de pollution dépassent encore les seuils fixés par l’OMS dans de nombreuses villes.
De même, les outils actuels de monitoring de la qualité de l’air ne permettent pas d’isoler et estimer avec précision la part d’émissions en usage réel due au transport routier ainsi que leur localisation spatiale. En effet, l’estimation d’émissions de polluants est basée sur l’utilisation d’une méthode moyenne adaptée à de larges échelles, typiquement des segments de route de plusieurs kilomètres pour que le trajet puisse être considéré comme représentatif de l’ensemble des conditions de circulation, comme dans la méthodologie COPERT (de l’anglais « COmputer Program to calculate Emissions from Road Transports », pouvant être traduit par programme informatique de calcul des émissions des transports routiers).
Par conséquent, il s’avère difficile pour les villes de prendre les bonnes décisions en matière d’aménagement de l’infrastructure routière et de législation sans avoir à disposition des outils précis d’évaluation et de projection d’impact des mesures envisagées sur les émissions polluantes du transport routier et la qualité de l’air. Ces nouveaux outils devraient idéalement permettre d’évaluer l’impact des mesures sur des échelles temporelles et spatiales très fines (de l’ordre d’une minute, et de l’ordre de dix mètres).
Les émissions polluantes (chimiques et/ou sonores) sont liées à la vitesse de déplacement des véhicules sur la route. C’est pourquoi pour avoir de bonnes prévisions des émissions polluantes, il est important de prédire précisément la vitesse des véhicules sur la route, en prenant compte de la topologie de la route (pente, virage, signalisation routière, etc.) et des conditions de trafic.
De plus, la consommation du véhicule est également liée à la vitesse du véhicule. C’est pourquoi, pour déterminer de manière précise la consommation d’un véhicule, il est important de prédire précisément la vitesse des véhicules sur la route, en prenant compte de la topologie de la route (pente, virage, signalisation routière, etc.) et des conditions de trafic.
Un autre domaine pour lequel la prédiction de la vitesse des véhicules est utile est le domaine de la détermination des trajets du véhicule pour la navigation. En effet, une prédiction précise de la vitesse des véhicules sur la route en tenant compte notamment de la topologie de la route et des conditions de trafic permet une navigation optimisée, notamment en termes de temps de trajet.
La connaissance de la vitesse des véhicules a également un impact sur la sécurité routière.
Technique antérieure
Plusieurs méthodes ont été développées pour déterminer la vitesse des véhicules. La méthode la plus répandue est la détermination d’une vitesse moyenne du véhicule. Cette méthode peut notamment se baser sur l’exploitation de mesures de trafic pour estimer une seule valeur de la vitesse moyenne par segment routier. Cette méthode ne permet pas d’obtenir une bonne précision de la vitesse, elle ne permet pas de prendre en compte l’impact de l’infrastructure routière, ni les différents styles de conduites ni les différents comportements liés aux signalisations. En outre, cette méthode nécessite des mesures de trafic récentes. Pour la majorité des méthodes d’estimation des vitesses moyennes, il n’est pas possible d’estimer une vitesse pour un segment de route sans mesure de trafic. Par exemple, la demande de brevet CN109003453 décrit une méthode d’estimation de la vitesse moyenne.
Une autre méthode se base sur une estimation d’une vitesse statistique correspondant au percentile 85% au moyen de modèles statistiques. Cette méthode présente les mêmes inconvénients que la méthode précédemment décrite : manque de précision, pas de prise en compte de l’impact de l’infrastructure routière, ni des différents styles de conduites, ni des différents comportements liés aux signalisations, impossibilité de prédire une vitesse pour un segment de route sans mesure de trafic. Par exemple, le document Lamm, Ruediger, Basil Psarianos, and Theodor Mailaender. Highway design and traffic safety engineering handbook. 1999. décrit une telle méthode.
La méthode de reconstruction d’un cycle de conduite se base sur un historique de données de trajet réalisés, appelées données FCD (de l’anglais « floating car data »). Cette base de données est décomposée puis groupée selon des descripteurs macroscopiques, tels que le type de route. Ensuite, chaque segment de route est identifié comme appartenant à un groupe. Un ou plusieurs profils de vitesse sont construits sur ce segment en combinant des portions de vitesses réelles issues des données FCD appartement à ce groupe. Cette méthode manque également de précision ; en effet, les modèles utilisés sont pertinents à grande échelle spatiale uniquement, mais peuvent donner lieu à des comportements incohérents. De plus, cette méthode, qui peut être coûteuse en temps de calcul, ne permet pas de prendre en compte, directement et de manière détaillée, l’impact de l’infrastructure routière. Par exemple, le document Effa, R. C., L. C. Larsen. 1993. Development of Real- World Driving Cycles for Estimating Facility-Specific Emissions from Light-Duty Vehicles. Presented at Air and Waste Management Assoc. Specialty Conf. Emission Inventory: Perception and Reality, Pasadena, CA décrit une telle méthode.
Une autre méthode se base sur le calcul d’un profil de vitesse en fonction de la distance au moyen de fonctions mathématiques en considérant la signalisation et l’infrastructure sur chaque segment de route. Cette méthode ne donne pas satisfaction en termes de prise en compte des différents comportements et styles de conduite, ni de la topologie de la route. De plus, la majorité des procédés basée sur cette méthode ne peut pas être utilisée pour un segment de route pour lequel il n’existe pas d’historique. Le document Andrieu, C. (2013). Modélisation fonctionnelle de profils de vitesse en lien avec l'infrastructure et méthodologie de construction d'un profil agrégé (Doctoral dissertation, Université Paul Sabatier-Toulouse III) décrit une telle méthode.
Il existe en outre une méthode de classification de profils de vitesse en se basant sur des descripteurs microscopiques liés aux profils de vitesse, un ou plusieurs profils typiques sont ensuite associés à chaque segment de route. Cette méthode manque également de précision (la reconstruction se base uniquement sur une moyenne des données historiques), ne permet pas de prendre en compte les conditions de trafic (congestion) ni la topologie de la route, et manque d’exploitabilité car elle nécessite des données microscopiques pas toujours connues. Cette méthode est notamment décrite dans le document Laureshyn, Aliaksei, Kalle Âstrom, and Karin Brundell-Freij. "From speed profile data to analysis of behaviour: classification by pattern récognition techniques." IATSS research 33.2 (2009): 88- 98.
Résumé de l’invention
La présente invention a pour but de prédire un profil de vitesse précis à l’échelle spatiale fine en considérant les différents comportements et styles de conduites sans données microscopiques. Dans ce but, l’invention concerne un procédé de prédiction d’au moins un profil de vitesse d’un véhicule pour une portion d’un réseau routier, dans lequel on construit un modèle de vitesse de véhicule au moyen de données macroscopiques du réseau routier et de données de trajets réalisés, puis on applique ce modèle à la portion de réseau routier considérée.
L’invention concerne un procédé de prédiction d’au moins un profil de la vitesse d’un véhicule sur une portion d’un réseau routier. Pour ce procédé, on met en oeuvre les étapes suivantes :
a) On construit un modèle de vitesse du véhicule par une méthode d’apprentissage automatique au moyen de données macroscopiques dudit réseau routier et au moyen de données de trajets réalisés sur ledit réseau routier, ledit modèle de vitesse de véhicule associe à au moins une subdivision dudit réseau routier au moins un profil de vitesse du véhicule en fonction desdites données macroscopiques dudit réseau routier et desdites données de trajets réalisés ; et
b) On prédit au moins un profil de la vitesse dudit véhicule sur ladite portion dudit réseau routier en appliquant ledit modèle de vitesse de véhicule à des données macroscopiques de chaque subdivision de ladite portion dudit réseau routier.
Selon un mode de réalisation, on construit ledit modèle de vitesse de véhicule en mettant en oeuvre les étapes suivantes :
i) On segmente ledit réseau routier au moyen desdites données macroscopiques dudit réseau routier ;
ii) On catégorise chaque segment dudit réseau routier en fonction desdites données macroscopiques dudit réseau routier ;
iii) Pour chaque catégorie de segment routier, on classifie lesdites données de trajets réalisés ; et
iv) Pour chaque catégorie de segment routier et pour chaque classification desdites données de trajets réalisés, on génère au moins un profil de vitesse de véhicule au moyen desdites données de trajets réalisés.
Selon une mise en oeuvre de l’invention, on prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier en mettant en oeuvre les étapes suivantes :
i) On segmente ladite portion dudit réseau routier ;
ii) On catégorise lesdits segments de ladite portion dudit réseau routier ; et iii) On attribue à chaque segment de ladite portion dudit réseau routier ledit au moins un profil de vitesse de véhicule généré au moyen dudit modèle de vitesse du véhicule.
De préférence, on attribue à chaque segment de ladite portion dudit réseau routier ledit au moins un profil de vitesse, en prenant en compte des données de trajets réalisés sur chaque segment pour préciser ledit au moins un profil de vitesse.
Avantageusement, on attribue également à chaque segment de ladite portion dudit réseau routier une distribution dudit au moins un profil de vitesse.
Selon une option de réalisation, on segmente ledit réseau routier par une division dudit réseau routier en triplets de liaisons, chaque triplet de liaisons étant formé par une liaison formée entre deux noeuds dudit réseau routier, son origine et sa destination.
Selon un aspect, ladite catégorie dudit segment du réseau routier est choisi parmi :
a) Une route congestionnée,
b) Une route pas ou peu congestionnée avec un feu de signalisation,
c) Une route pas ou peu congestionnée sans feu de signalisation et avec une intersection avec priorité, d) Une route pas ou peu congestionnée sans feu de signalisation et avec une intersection sans priorité,
e) Une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une faible courbure, et
f) Une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une courbure importante.
Selon une caractéristique, on classifie lesdites données de trajets réalisés par un algorithme de classification, notamment l’algorithme du k-means.
Conformément à un mode de réalisation, on génère au moins un profil de vitesse du véhicule par une méthode basée sur au moins un réseau de neurones, pour paramétrer une fonction de la vitesse dépendant de la distance, de préférence ladite fonction de la vitesse est une fonction linéaire, une fonction parabolique, ou une combinaison de fonctions linéaires et/ou paraboliques de la distance.
Selon une mise en oeuvre, lesdites données macroscopiques dudit réseau routier sont la topologie et les conditions de trafic, de préférence lesdites données macroscopiques dudit réseau routier sont fournies par un système d’information géographique.
Selon un aspect, lesdites données de trajets réalisés comportent des données de vitesse, de position et d’altitude mesurées lors de trajets antérieurs, de préférence au moyen d’un système de géolocalisation.
Conformément à une caractéristique, on affiche ledit au moins un profil de vitesse du véhicule de ladite portion de réseau routier sur une carte routière, de préférence au moyen d’un téléphone intelligent ou d’un système informatique.
De plus, l’invention concerne un procédé de prédiction des émissions polluantes chimiques et/ou sonores sur une portion d’un réseau routier, dans lequel on met en oeuvre les étapes suivantes :
a) On prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier au moyen du procédé de prédiction d’au moins un profil de vitesse selon l’une des caractéristiques précédentes ; et
b) On applique un modèle microscopique d’émissions polluantes chimiques et/ou sonores audit au moins un profil de vitesse pour prédire lesdites émissions polluantes, ledit modèle reliant la vitesse du véhicule et lesdites émissions polluantes.
L’invention concerne également un procédé de prédiction de la consommation d’un véhicule sur une portion d’un réseau routier, dans lequel on met en oeuvre les étapes suivantes : a) On prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier au moyen du procédé de prédiction d’au moins un profil de vitesse selon l’une des caractéristiques précédentes ; et b) On applique un modèle de consommation du véhicule audit au moins un profil de vitesse pour prédire ladite consommation dudit véhicule, ledit modèle reliant la vitesse du véhicule et ladite consommation dudit véhicule.
En outre, l’invention concerne un procédé de détermination d’un trajet à parcourir par un véhicule, pour lequel on identifie le départ et l’arrivée dudit trajet, en mettant en oeuvre les étapes suivantes :
a) On prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier au moyen du procédé de prédiction d’au moins un profil de vitesse selon l’une des caractéristiques précédentes ; et
b) On détermine un trajet à parcourir pour relier ledit départ et ladite arrivée, en prenant en compte ledit au moins un profil de vitesse du véhicule, de préférence en minimisant le temps de trajet.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
Liste des figures
La figure 1 illustre les étapes du procédé selon un mode de réalisation de l’invention.
La figure 2 illustre la construction du modèle de vitesse selon un mode de réalisation de l’invention.
La figure 3 illustre la prédiction d’un profil de vitesse selon un mode de réalisation de l’invention.
La figure 4 illustre une portion d’un réseau routier.
La figure 5 illustre un profil de vitesse pour un exemple dans le cas d’une route avec un feu de signalisation, lorsque le feu de signalisation est rouge. La figure 6 illustre un profil de vitesse pour un exemple dans le cas d’une route avec un feu de signalisation, lorsque le feu de signalisation est vert.
La figure 7 illustre, pour un exemple, une comparaison de profils de vitesse mesurés et de profils de vitesse prédits au moyen du procédé selon un mode de réalisation de l’invention, dans le cas d’une route avec un feu de signalisation, lorsque le feu de signalisation est rouge.
La figure 8 illustre, pour un exemple, une comparaison de profils de vitesse mesurés et de profils de vitesse prédits au moyen du procédé selon un mode de réalisation de l’invention, dans le cas d’une route avec un feu de signalisation, lorsque le feu de signalisation est vert.
La figure 9 illustre, pour un exemple, une comparaison des émissions de NOx mesurées et estimées au moyen du procédé selon un mode de réalisation de l’invention.
La figure 10 illustre, pour un exemple, une comparaison des émissions de NOx mesurées et estimées au moyen du procédé selon un mode de réalisation de l’invention.
Description des modes de réalisation
La présente invention concerne un procédé de prédiction d’au moins un profil de vitesse d’un véhicule sur une portion d’un réseau routier. Le procédé permet de prédire la vitesse d’un véhicule qui circulerait sur une portion d’un réseau routier, la vitesse peut être exprimée en fonction de la distance par rapport à une extrémité de la route. Etant donné qu’il s’agit d’une prédiction, celle-ci peut être réalisée même sur une portion d’un réseau routier pour lequel aucun trajet antérieur n’est disponible. On appelle profil de vitesse, la variation de la vitesse du véhicule le long d’une route d’un réseau routier ;. le réseau routier étant constitué de l’ensemble des routes pour un territoire donné, par exemple pour un pays ou pour une région. En d’autres termes, le profil de vitesse est dynamique (contrairement à une vitesse moyenne). Cette variation de la vitesse permet de prendre en compte les effets de l’accélération du véhicule, et permet par conséquent une meilleure représentativité du comportement du véhicule. La portion de réseau routier est une partie de ce réseau routier pour lequel on souhaite déterminer au moins un profil de vitesse du véhicule. La portion de réseau routier peut consister en un ensemble de routes entre un point de départ et une arrivée, en un ensemble de routes d’une ville ou d’un quartier, etc.
De préférence, le véhicule est un véhicule motorisé circulant au sein du réseau routier, tel qu’un véhicule automobile, un deux-roues, un poids lourd, un car, un bus.
Selon l’invention, on met en oeuvre les étapes suivantes :
1. Construction du modèle de vitesse du véhicule
2. Prédiction d’au moins un profil de vitesse
Ces étapes peuvent être mises en oeuvre par des moyens informatiques. L’étape 1 peut être réalisée hors ligne, et l’étape 2 peut être réalisée en ligne. Ces étapes sont détaillées dans la suite de la description.
La figure 1 illustre, schématiquement et de manière non limitative, les étapes du procédé de prédiction d’au moins un profil de vitesse selon un mode de réalisation de l’invention. Au moyen de données macroscopiques (MAC) du réseau routier, et de données de trajets réalisés (DTR), on construit le modèle de vitesse du véhicule (MOD). Ensuite, le modèle de vitesse du véhicule (MOD) permet la prédiction (PRED) d’au moins un profil de vitesse (v) pour la portion de réseau routier considérée (POR).
1. Construction du modèle de vitesse du véhicule
Lors de cette étape, on construit un modèle de vitesse du véhicule par une méthode d’apprentissage automatique (de l’anglais « machine learning ») au moyen de données macroscopiques du réseau routier et au moyen de données de trajets réalisés sur le réseau routier. Les données macroscopiques du réseau routier permettent de prendre en compte des informations liées au réseau routier, telle que l’infrastructure, la pente, la signalisation, le trafic etc. Les données de trajets réalisés permet de prendre en compte des comportements réels afin de former un modèle de vitesse du véhicule représentatif et précis. Le modèle de vitesse du véhicule associe à au moins une subdivision du réseau routier (de préférence à une liaison du réseau routier) au moins un profil de vitesse du véhicule en fonction des données macroscopiques du réseau routier et des données de trajets réalisés.
On appelle subdivision du réseau routier, tout découpage du réseau routier. De préférence, la subdivision choisie peut être une liaison du réseau routier. La liaison du réseau routier est une subdivision élémentaire du réseau routier entre deux noeuds consécutifs du réseau routier. Par exemple une liaison du réseau routier peut être une route entre deux intersections consécutives, entre deux signalisations consécutives, entre une intersection et une signalisation, ou une partie d’autoroute entre deux sorties consécutives, etc. Ainsi, on dispose d’un découpage fin du réseau routier, et d’un modèle de vitesse du véhicule qui est adapté au réseau routier sans données microscopiques. Ainsi, ce découpage permet d’obtenir une prédiction la plus représentative possible à une échelle spatiale fine.
Selon un aspect de l’invention, les données macroscopiques du réseau routier peuvent être la topologie (c’est-à-dire la pente, les virages, les intersections, la signalisation, etc.) et les conditions de trafic. De préférence, les données macroscopiques du réseau routier peuvent être fournies par un système d’information géographique (SIG). Here Maps™, Google Maps ™, OpenStreetMap ™ sont des exemples de système d’information géographique. Les données macroscopiques sont toujours disponibles et depuis n’importe quel lieu. Ainsi, elles peuvent servir comme entrées uniques du modèle de vitesse de véhicule.
Selon un aspect de l’invention, les données de trajets réalisés peuvent comporter des données mesurées lors de trajets antérieurs, notamment la vitesse, la position et l’altitude. De préférence, les données de trajets réalisés peuvent être mesurées au moyen d’un système de géolocalisation, tel qu’un capteur de positionnement par satellite, tel que le système GPS (de l’anglais Global Positioning System), le système Galileo, etc. Le système de géolocalisation peut être embarqué à bord du véhicule ou déporté (par exemple au moyen d’un téléphone intelligent, de l’anglais « smartphone »).
Selon un mode de réalisation de l’invention, on peut construire le modèle de vitesse du véhicule en mettant en oeuvre les étapes suivantes :
1.1 Segmentation du réseau routier
1.2 Catégorisation des segments du réseau routier
1.3 Classification des données de trajets réalisés
1.4 Génération d’au moins un profil de vitesse.
Ces étapes peuvent être mises en oeuvre par des moyens informatiques. Ces étapes sont détaillées dans la suite de la description.
La figure 2 illustre, schématiquement et de manière non limitative, les étapes de la construction du modèle de vitesse du véhicule selon ce mode de réalisation de l’invention. Dans un premier temps, on segmente (SEG) le réseau routier au moyen des données macroscopiques (MAC). Par la suite, on catégorise (CAT) les segments du réseau routier obtenus à l’étape précédente. L’étape suivante est une étape de classification (CLA) des données de trajets réalisés (DTR) pour chaque catégorie (CAT) de segment routier. Enfin, on génère au moins un profil de vitesse (PRO) pour chaque segment du réseau routier et pour chaque classification des données de trajets réalisés.
1 .1 Segmentation du réseau routier
Lors de cette étape, on segmente le réseau routier au moyen des données macroscopiques du réseau routier. En d’autres termes, on découpe le réseau routier en segments à partir des données macroscopiques du réseau routier. Le but de cette étape est d’obtenir des subdivisions du réseau routier en fonction de données telles que la topologie et les conditions de trafic.
Conformément à une mise en oeuvre de l’invention, on peut segmenter le réseau routier par un découpage du réseau routier en triplets de liaisons, chaque triplet de liaisons comportant une liaison formée entre deux noeuds du réseau routier, son origine et sa destination. Il existe une importante dispersion des vitesses enregistrées dans les données des trajets réalisés en fonction du style de conduite, de l’état de la signalisation, des manoeuvres et des origines et destination de chaque véhicule. Cette segmentation en triplet de liaisons permet de limiter cette dispersion, en considérant (dans les étapes suivantes) uniquement les données de vitesses des véhicules qui proviennent de la même origine et qui ont la même destination. De plus, cette segmentation permet d’obtenir des caractéristiques pour chaque segment (chaque triplet de liaisons), par exemple l’angle de manoeuvre, le nombre de triplets ayant la même liaison centrale (nombre de connexions), etc.
La figure 4 illustre une route comprenant une intersection. Cette route comprend une liaison comprise entre les noeuds A et B. Le véhicule a alors une seule origine O possible et deux destinations possibles D1 et D2. Ainsi, selon la mise en oeuvre de l’invention décrite ci- dessus, un premier segment correspondant à la route de la figure 4 peut être le triplet de liaisons (O, liaison AB, D1 ), et le deuxième segment correspondant à la route de la figure 4 peut être le triplet de liaisons (O, liaison AB, D2). La liaison centrale AB est alors commune pour deux segments (triplets de liaisons) distincts.
Alternativement, on peut segmenter la route sur la base des liaisons du réseau routier, ou en considérant la moitié d’une liaison pour capter l’effet d’une signalisation qui peut être au milieu d’un segment défini par les données macroscopiques d’un système d’information géographique. 1.2 Catégorisation des segments du réseau routier
Lors de cette étape, on catégorise chaque segment du réseau routier obtenu à l’étape 1 .1 au moyen des données macroscopiques du réseau routier. En d’autres termes, à chaque segment routier, on associe une catégorie qui regroupe les segments routiers ayant les mêmes caractéristiques.
Pour le mode de réalisation dans lequel le segment est un triplet de liaisons, on peut noter que deux triplets de liaisons ayant la même liaison centrale peuvent se retrouver dans des catégories différentes. En effet, ils peuvent avoir des caractéristiques différentes. Pour l’exemple de la figure 4, le triplet de liaisons (O, AB, D1 ) ne possède pas de virage, au contraire du triplet de liaisons (O, AB, D2).
Selon un mode de réalisation, les catégories peuvent être formées à partir des critères suivants : route congestionnée ou non, présence ou absence de signalisation (par exemple d’un feu de signalisation), présence ou absence d’une intersection, route prioritaire ou non, importance de la courbure d’un virage, classe fonctionnelle (qui caractérise la hiérarchie du réseau routier et le niveau d’important du segment, par exemple autoroute, petite rue, etc.), nombre de voies, etc. Ces critères sont obtenus directement des données macroscopiques du réseau routier.
De manière avantageuse, pour limiter le nombre de catégories et pour conserver une bonne représentativité du réseau routier, les catégories de segments peuvent être :
- une route congestionnée,
- une route pas ou peu congestionnée avec un feu de signalisation,
- une route pas ou peu congestionnée sans feu de signalisation et avec une intersection avec priorité,
- une route pas ou peu congestionnée sans feu de signalisation et avec une intersection sans priorité,
- une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une faible courbure, et
- une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une forte courbure.
En d’autres termes, pour cette réalisation, à chaque segment on peut attribuer une de ces six catégories. En effet, il n’est généralement pas utile de subdiviser le cas de la route congestionnée, car dans ce cas, la vitesse est très faible, et ni la signalisation ni la courbure de la route n’ont un impact significatif sur la vitesse du véhicule.
1.3 Classification des données de trajets réalisés
Lors de cette étape, pour chaque catégorie de segment du réseau routier, on classifie les données des trajets réalisés. Pour cela, on associe à chaque segment du réseau routier les données de trajets réalisés, en particulier la vitesse. Puis, on classifie pour chaque catégorie les données des trajets réalisés qui se ressemblent. Cette étape permet de limiter les dispersions des données mesurées, en particulier de la vitesse, ces dispersions étant notamment induites par des phénomènes aléatoires (style de conduite, alternance des feux de signalisation, etc.).
Cette classification peut être réalisée à partir de données (descripteurs) telles que la vitesse moyenne sur le segment, la vitesse du 75% percentile, vitesse minimale/maximale, somme des accélérations positive/négative, etc.
Selon une caractéristique de l’invention, on peut réaliser la classification par un algorithme du « k-means », car les données utilisées sont numériques. Le nombre de classes « k » (ou classes de profils de vitesse similaires) est un paramètre de l’algorithme, qui est déterminé avec une méthode itérative visant à maximiser une métrique de dissimilitude comme la « silhouette ». Un avantage important de cette méthode est l’évaluation de la proximité d’un échantillon de données (dans ce cas un profil de vitesse issue des données de trajets réalisés) au centre d’une classification en le comparant aussi avec la distance moyenne minimale d’une autre classe. En général, une valeur de silhouette supérieure à 0,5 indique une bonne classification, avec très peu de confusion et dispersion entre les classes.
A ce stade, selon la répartition des données de trajets réalisés dans les différentes classes, il est possible d’estimer une proportion de données entre classes et associer cela à une probabilité qu’un profil de vitesse d’une classification se vérifie (par exemple, on peut déterminer la probabilité de s’arrêter à un feu rouge).
1.4 Génération d’au moins un profil de vitesse.
Lors de cette étape, pour chaque catégorie de segment routier (étape 1 .2) et pour chaque classification obtenue à l’étape précédente, on génère au moins un profil de vitesse au moyen des données des trajets antérieurs. On rappelle que le profil de vitesse est dynamique et qu’il correspond à une variation de la vitesse en fonction de la distance au sein d’une même portion de segment routier. En effet, on apprend à générer et/ou à regrouper les données qui appartiennent à la même catégorie et classe pour ressortir des tendances et des comportements de vitesse. Ainsi pour chaque liaison qui a été parcourue au moins une fois, on génère un profil de vitesse sur cette liaison qui approxime les données des trajets réalisés sur cette liaison. Le but de cette étape est de représenter par un profil de vitesse le comportement typique des véhicules en fonction des caractéristiques de la route et des trajets antérieurs réalisés. Ainsi, les profils de vitesse sont représentatifs de comportements réels. Ces profils de vitesse générés forment le modèle de vitesse du véhicule.
Pour le mode de réalisation pour lequel le segment est formé d’un triplet de liaisons, lorsque la liaison centrale appartient à deux triplets de liaisons, alors au moins deux profils de vitesse sont générés pour cette liaison centrale.
Avantageusement, cette étape peut consister à générer une fonction de la vitesse dépendante de la distance sur la liaison considérée. Pour cela, on peut paramétrer la fonction de la vitesse avec les données des trajets réalisés. Avantageusement, la fonction de la vitesse peut être une fonction polynomiale. De préférence (par simplification), la fonction de la vitesse peut être une fonction linéaire, une fonction parabolique, ou une combinaison de fonctions linéaires et/ou paraboliques.
Selon un mode de réalisation de l’invention, lors de cette étape on peut également attribuer à chaque catégorie de segment du réseau routier une distribution des profils de vitesse. Ainsi, il est possible de prédire une probabilité du profil de vitesse.
Conformément à un mode de réalisation de l’invention, on peut générer au moins un profil de vitesse du véhicule par une méthode de réseau de neurones, une méthode de machines à vecteur de support (de l’anglais « Support Vector Machine »), une méthode de forêts d’arbres décisionnels (de l’anglais « Random Forest »), ou d’autres méthodes d’apprentissage supervisé. La méthode réseau de neurones permet de paramétrer une fonction de la vitesse qui dépend de la distance, cette fonction pouvant être une fonction linéaire, une fonction parabolique, ou une combinaison de fonctions linéaires et/ou paraboliques. Un exemple de ce mode de réalisation est détaillé dans la suite de la description.
Afin de correctement estimer et reconstruire un profil de vitesse typique, il est utile d’en estimer certain paramètres. En particulier, ces paramètres utiles pour la génération de profil de vitesse peuvent être les vitesses initiale et finale du profil sur le segment considéré, ainsi que sa vitesse maximale/minimale et la position de l’éventuel point d’arrêt. L’apprentissage de ces paramètres peut être réalisé de façon supervisée (grâce aux données de trajets réalisés) afin de les corréler directement à des descripteurs macroscopiques. L’outil d’apprentissage supervisé utilisé peut être un réseau de neurones, qui peut utiliser en entrée les descripteurs macroscopiques suivants : classification (issue de l’étape précédente) d’appartenance du profil de vitesse à estimer, classe fonctionnelle des liaisons du triplet, nombre de voies sur les liaisons du triplet, limitation de vitesse sur les liaisons du triplet, vitesse moyenne du trafic sur les liaisons du triplet, longueur des liaisons du triplet, angle de manoeuvre en entrée et sortie de la liaison centrale du triplet, nombre de liaisons entrants/sortants de la liaison centrale, etc. Afin d’améliorer la performance de l’apprentissage et de l’estimation des paramètres du profil de vitesse, la méthode peut être séparée en deux temps avec des réseaux de neurones en cascade :
• le premier réseau de neurones peut estimer la moyenne de la vitesse initiale et de la vitesse finale, ainsi que leur écart type, pour obtenir une densité de probabilité gaussienne. La densité de probabilité gaussienne a été choisie pour la simplicité de définition avec peu de variables et pour la bonne représentativité du phénomène. Ce premier réseau de neurones peut être commun à toutes les classes déterminées à l’étape précédente.
• Les réseaux de neurones qui suivent peuvent estimer la vitesse maximale et minimale ainsi que la position du point d’arrêt. Ce réseau de neurones dépend de la classe d’appartenance du profil à estimer (par exemple un réseau de neurones qui estime le point d’arrêt est utilisé si la classe prévoit un profil avec un point d’arrêt) et prend en entrée l’estimation de la vitesse initiale et de la vitesse finale effectuée par le réseau de neurones précédent.
En ce qui concerne la génération de profils de vitesse typiques, il est possible d’utiliser les paramètres estimés avec des méthodes polynomiales déterministes, probabilistes, ou autres. Dans cette réalisation de l’invention, la méthode polynomiale peut être utilisée, sans perte de généralité. Les fonctions polynomiales utilisées pour générer les profils de vitesse prédits peuvent être inspirées de l’observation des profils réels des données de trajets réalisés de chaque classe. Il peut s’agir essentiellement de profils reconstruits avec des fonctions linéaires ou paraboliques. Les paramètres identifiés peuvent être « tirés » de façon aléatoire selon leur distribution gaussienne afin de générer plusieurs profils de vitesse représentatifs. Ces profils de vitesse générés peuvent respecter les contraintes de longueur et vitesse maximale et minimale de la liaison considérée pour laquelle la prédiction est faite.
La figure 5 illustre, schématiquement et de manière non limitative, une fonction de la vitesse V en fonction de la distance D. Cette fonction de vitesse correspond à une liaison routière avec un feu de signalisation à l’état « rouge ». La fonction de la vitesse est formée de deux fonctions paraboliques : une première décroissante jusqu’à un point d’arrêt et une seconde croissante depuis le point d’arrêt.
La figure 6 illustre, schématiquement et de manière non limitative, une fonction de la vitesse V en fonction de la distance D. Cette fonction de vitesse correspond à une liaison routière avec un feu de signalisation à l’état « vert ». La fonction de la vitesse est formée d’une fonction linéaire décroissante.
2. Prédiction d’au moins un profil de vitesse
Lors de cette étape, on prédit au moins un profil de la vitesse du véhicule sur la portion du réseau routier considéré. On rappelle que le profil de vitesse est dynamique et qu’il correspond à une variation de la vitesse en fonction de la distance au sein de la portion de réseau routier considéré. Il peut s’agir d’une portion du réseau routier qui a été parcourue par les trajets antérieurs réalisés, d’une portion du réseau routier qui a été partiellement parcourue par les trajets antérieurs réalisées, ou une portion du réseau routier qui n’a pas été parcourue par les trajets antérieurs réalisés (il peut même s’agir d’une portion d’un réseau routier non existante, pour laquelle on souhaite prédire le profil de vitesse). Pour cette étape, on applique le modèle de vitesse du véhicule construit à l’étape 1 aux données macroscopiques de la portion de réseau routier considérée. Ainsi, on prend en compte les données topologiques de la portion de réseau routier considérée. Pratiquement, on attribue au moins un profil de vitesse à chaque subdivision (de préférence à chaque liaison) de la portion de réseau routier considérée.
De manière avantageuse, on détermine une pluralité de profils de vitesse pour chaque liaison de la portion du réseau routier considérée. Ainsi, il est possible de déterminer plusieurs comportements et plusieurs styles de conduites pour chaque liaison de la portion du réseau routier. La pluralité de profils de vitesse peut être obtenue de différentes manières, notamment en fonction des modes de réalisation mis en oeuvre. La pluralité de profils de vitesse pour chaque liaison peut provenir du fait que pour chaque catégorie de segment routier on génère (étape 1 .4) une pluralité de profils vitesses, chaque profil de vitesse correspondant à un comportement ou un style de conduite. De plus, la pluralité de profils de vitesse pour chaque liaison peut provenir du fait que chaque liaison peut appartenir à plusieurs triplets de liaison, les triplets de liaison pouvant appartenir à des catégories distinctes. En outre, la pluralité de profils de vitesse peut provenir d’une pluralité de tirages aléatoires parmi la distribution des profils de vitesse déterminée. Selon un mode de réalisation de l’invention, la prédiction des profils de vitesse peut mettre en oeuvre les étapes suivantes :
2.1 Segmentation de la portion de réseau routier
2.2 Catégorisation de la portion de réseau routier 2.3 Attribution d’au moins un profil de vitesse
Ces étapes peuvent être mises en oeuvre par des moyens informatiques. Ces étapes sont détaillées dans la suite de la description.
La figure 3 illustre, schématiquement et de manière non limitative, les étapes de ce mode de réalisation. La portion de réseau routier (POR) est segmentée (SEG). Ensuite, on réalise une catégorisation (CAT) des segments obtenus à l’étape précédente. Enfin, au moyen du modèle de vitesse du véhicule (MOD) et de la catégorisation (CAT), on attribue (ATT) à chaque subdivision de la portion de réseau routier considérée au moins un profil de vitesse (v).
2.1 Segmentation de la portion de réseau routier
Lors de cette étape, on segmente la portion de réseau routier considérée. De préférence, on peut segmenter la portion de réseau routier considérée de la même manière que la segmentation mise en oeuvre à l’étape 1.1. Ainsi, préférentiellement, on peut segmenter la portion de réseau routier considérée par des triplets de liaisons, comportant une origine, une liaison centrale et une destination.
2.2 Catégorisation de la portion de réseau routier
Lors de cette étape, on catégorise les segments de la portion de réseau routier considérée. De préférence, on peut catégoriser les segments de la portion de réseau routier considérée de la même manière que la catégorisation prévue à l’étape 1 .2. Ainsi, préférentiellement, on peut catégoriser les segments de la portion de réseau routier considérée dans les six catégories suivantes :
- une route congestionnée,
- une route pas ou peu congestionnée avec un feu de signalisation, - une route pas ou peu congestionnée sans feu de signalisation et avec une intersection avec priorité,
- une route pas ou peu congestionnée sans feu de signalisation et avec une intersection sans priorité,
- une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une faible courbure, et
- une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une forte courbure.
2.3 Attribution d’au moins un profil de vitesse
Lors de cette étape, on attribue à chaque segment de la portion de réseau routier considérée au moins un profil de vitesse généré au moyen du modèle de vitesse du véhicule, en fonction de la catégorisation de la portion de réseau routier. En d’autres termes, le segment de la portion de réseau routier considérée a un profil de vitesse identique au profil de vitesse du segment ayant la même catégorie dans le modèle de vitesse de véhicule.
Par exemple, un segment de la portion du réseau routier considérée qui est une route pas ou peu congestionnée avec un feu de signalisation peut avoir au moins un profil de vitesse tel qu’illustré en figure 5 lorsque le feu est rouge, et au moins un profil de vitesse tel qu’illustré en figure 6 lorsque le feu est vert.
Lorsque la portion de réseau routier comporte au moins un segment pour lequel des données de trajets réalisés sont disponibles, on peut caler le profil de vitesse avec les données de trajets réalisés, de manière à optimiser la précision de la prédiction du profil de vitesse.
Le procédé peut comporter une étape facultative d’affichage du profil de vitesse pour la portion de réseau routier considérée. Lors de cette étape facultative, on peut afficher le profil de vitesse sur une carte routière. Cet affichage peut prendre la forme d’une note ou d’un code couleur. Le cas échéant, une note ou une couleur peut être associée à chaque liaison du réseau routier. Cet affichage peut être réalisé à bord d’un véhicule : sur le tableau de bord, sur un dispositif portatif autonome, tel qu'un appareil de géolocalisation (de type GPS), un téléphone portable (de type téléphone intelligent). Il est également possible d'afficher le profil de vitesse sur un site internet. De plus, le profil de vitesse prédit peut être partagé avec les pouvoirs publics (par exemple gestionnaire de la voirie) et les entreprises de travaux publics. Ainsi, les pouvoirs publics et les entreprises de travaux publics peuvent optimiser l’infrastructure routière, pour en améliorer la sécurité ou les émissions polluantes.
Conformément à une mise en oeuvre de l’invention, on peut réaliser des mesures instantanées de la vitesse d’au moins un véhicule circulant sur le réseau routier, notamment au moyen de système de géolocalisation (par exemple : GPS, téléphone intelligent) ou au moins de véhicules connectés (par exemple : avec un capteur placé sur la prise de diagnostic OBD du véhicule). Les données de vitesse instantanée mesurées en temps réel pendant le trajet peuvent alors être utilisés pour enrichir et recaler éventuellement la prédiction des profils de vitesse, le cas échéant lors de l’étape 2.3. Ainsi, les profils de vitesse prédits sont représentatifs des conditions de conduite en temps réel. Et par conséquent la prédiction des indicateurs associés (consommation, émissions, bruit, sécurité, etc.) est représentative des conditions de conduite en temps réel.
La présente invention concerne également un procédé de prédiction des émissions polluantes, chimiques (par exemple les NOx, les particules) et/ou sonores, sur une portion d’un réseau routier. Pour ce procédé de prédiction des émissions polluantes, on met en oeuvre les étapes suivantes : a) on prédit au moins un profil de vitesse de véhicule sur la portion de réseau routier considérée au moyen du procédé de prédiction d’au moins un profil de vitesse selon une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et
b) on applique un modèle microscopique d’émissions polluantes, chimiques et/ou sonores, au profil de vitesse prédit pour prédire les émissions polluantes sur la portion de réseau routier considérée, le modèle d’émissions polluantes étant un modèle qui relie la vitesse du véhicule aux émissions polluantes.
Ainsi, il est possible de déterminer les émissions polluantes à l’échelle d’un quartier, d’une ville, etc., même dans le cas où aucune donnée de trajet réalisé n’est disponible pour ce quartier ou cette ville.
Ces étapes peuvent être mises en oeuvre par des moyens informatiques.
De manière avantageuse, le procédé peut comporter une étape facultative d’affichage des émissions polluantes pour la portion de réseau routier considérée. Lors de cette étape facultative, on peut afficher les émissions polluantes sur une carte routière. Cet affichage peut prendre la forme d’une note ou d’un code couleur. Le cas échéant, une note ou une couleur peut être associée à chaque liaison du réseau routier. Cet affichage peut être réalisé à bord d’un véhicule : sur le tableau de bord, sur un dispositif portatif autonome, tel qu'un appareil de géolocalisation (de type GPS), un téléphone portable (de type téléphone intelligent). Il est également possible d'afficher les émissions polluantes sur un site internet. De plus, les émissions polluantes prédites peuvent être partagées avec les pouvoirs publics (par exemple gestionnaire de la voirie) et les entreprises de travaux publics. Ainsi, les pouvoirs publics et les entreprises de travaux publics peuvent optimiser l’infrastructure routière, pour en améliorer les émissions polluantes.
De plus, la présente invention concerne un procédé de prédiction de la consommation d’un véhicule, sur une portion d’un réseau routier. Pour ce procédé de prédiction de la consommation d’un véhicule, on met en oeuvre les étapes suivantes : a) on prédit au moins un profil de vitesse de véhicule sur la portion de réseau routier considérée au moyen du procédé de prédiction d’au moins un profil de vitesse selon une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et
b) on applique un modèle de consommation du véhicule, au profil de vitesse prédit pour prédire la consommation du véhicule sur la portion de réseau routier considérée, le modèle de consommation du véhicule étant un modèle qui relie la vitesse du véhicule à sa consommation.
Ainsi, il est possible de déterminer la consommation de véhicule à l’échelle d’un quartier, d’une ville, etc., même dans le cas où aucune donnée de trajet réalisé n’est disponible pour ce quartier ou cette ville.
Ces étapes peuvent être mises en oeuvre par des moyens informatiques.
De manière avantageuse, le procédé peut comporter une étape facultative d’affichage de la consommation pour la portion de réseau routier considérée. Lors de cette étape facultative, on peut afficher la consommation sur une carte routière. Cet affichage peut prendre la forme d’une note ou d’un code couleur. Le cas échéant, une note ou une couleur peut être associée à chaque liaison du réseau routier. Cet affichage peut être réalisé à bord d’un véhicule : sur le tableau de bord, sur un dispositif portatif autonome, tel qu'un appareil de géolocalisation (de type GPS), un téléphone portable (de type téléphone intelligent). Il est également possible d'afficher la consommation du véhicule sur un site internet. De plus, la consommation du véhicule peut être partagée avec les pouvoirs publics (par exemple gestionnaire de la voirie) et les entreprises de travaux publics. Ainsi, les pouvoirs publics et les entreprises de travaux publics peuvent optimiser l’infrastructure routière, l’emplacement des stations-services, des bornes de recharge, etc.
En outre, l’invention concerne un procédé de détermination d’un trajet à parcourir par un utilisateur, pour lequel on identifie le départ et l’arrivée, en mettant en oeuvre les étapes suivantes : a) on prédit au moins un profil de vitesse de véhicule sur la portion de réseau routier considérée au moyen du procédé de prédiction d’au moins un profil de vitesse selon une quelconque des variantes ou des combinaisons de variantes décrites précédemment ,
b) On détermine un trajet à parcourir pour relier le départ et l’arrivée, en prenant en compte le profil de vitesse prédit.
L’étape b) peut minimiser des critères classiques des procédés de navigation : tels que le temps de trajet, la distance parcourue, l’énergie consommée, etc. De plus, l’étape b) peut minimiser le risque associé grâce à la distribution probabilité associée. Ces critères de minimisation sont dépendants de la vitesse du véhicule. Par conséquent, la précision obtenue par le procédé de prédiction du profil de vitesse permet une optimisation de la détermination du trajet à parcourir.
Pour l’étape b), on peut mettre en oeuvre un algorithme de plus court chemin.
Ces étapes peuvent être mise en oeuvre par des moyens informatiques.
De manière avantageuse, le procédé peut comporter une étape facultative d’affichage du trajet à parcourir, optionnellement avec le profil de vitesse pour chaque liaison du trajet. Lors de cette étape facultative, on peut afficher le trajet sur une carte routière. Cet affichage peut être réalisé à bord d’un véhicule : sur le tableau de bord, sur un dispositif portatif autonome, tel qu'un appareil de géolocalisation (de type GPS), un téléphone portable (de type téléphone intelligent). Il est également possible d'afficher le trajet à parcourir du véhicule sur un site internet. De plus, le trajet à parcourir par le véhicule peut être partagé avec un gestionnaire de flottes de véhicule.
Exemples Les caractéristiques et avantages du procédé selon l'invention apparaîtront plus clairement à la lecture des exemples comparatifs ci-après.
Afin de valider la représentativité des profils de vitesse ainsi prédits et générés par le procédé selon l’invention (selon un mode de réalisation pour lequel on met en oeuvre les étapes 1 .1 à 1.4 et 2.1 à 2.3), une validation à la fois qualitative et quantitative a été effectuée tant sur un sous-ensemble de liaisons de la base d’apprentissage (données macroscopiques du réseau routier et données de trajets réalisés sur Lyon et Paris) qu’en extrapolation sur un sous-ensemble de liaisons en dehors de la base d’apprentissage (données macroscopiques du réseau routier et données de trajets réalisés sur Marseille). L’analyse quantitative de la représentativité des profils de vitesse générés a été menée par rapport à la consommation de carburant et/ou les émissions polluantes associées aux profils de vitesse (cette analyse quantitative aurait pu également être mise en oeuvre par rapport à la consommation, au bruit ou à la sécurité). Les émissions associées aux profils de vitesse réels des données de trajets réalisés et calculées avec un modèle microscopique d’émissions (calcul basé sur la trace de vitesse acquise à 1 hz) ont été utilisées comme référence, en obtenant donc une référence par classifie (conformément aux classes définies à l’étape 1.3). Les émissions associées aux profils de vitesse générés par classification ont été comparées à leur référence.
Le premier exemple a été effectuée sur un segment (liaison) appartenant au réseau routier d’apprentissage (Paris/Lyon), mais qui n’a pas été utilisé directement dans l’apprentissage des réseaux de neurones pour générer le modèle de vitesse de véhicule (étape 1.4).
Une liaison pas ou peu congestionnée avec un feu de signalisation à la fin de la liaison a été choisie pour la prédiction des profils de vitesse. Après identification de la catégorie correspondante (liaison pas ou peu congestionnée avec un feu de signalisation - étape 1.2) et association de deux classes à cette catégorie (classe feu vert, et classe feu rouge - étape 1.3), les réseaux de neurones ont été utilisés pour estimer les paramètres des profils de vitesse (vitesse initiale, vitesse finale, point d’arrêt, vitesse maximale) en fonction des données macroscopiques de la liaison considérée.
La figure 7 illustre des profils de la vitesse V (km/h) en fonction de la distance D (m), dans le cas d’une liaison avec un feu de signalisation rouge. La figure 8 illustre des profils de la vitesse V (km/h) en fonction de la distance D (m), dans le cas d’une liaison avec un feu de signalisation vert. Les profils de vitesse illustrés correspondent aux profils de vitesse mesurés MES et aux profils de vitesse prédits PRED au moyen du procédé selon l’invention. D’un point de vue qualitatif, les profils de vitesse prédits PRED reproduisent bien la forme des profils réels MES (niveau d’accélération, vitesse, position du point d’arrêt) dans ces deux situations.
Afin d’évaluer la représentativité des profils prédits, une comparaison a été réalisée en termes d’émissions de NOx (pour un type de véhicule choisi) avec les émissions associées aux profils de vitesse réels. Les résultats de la comparaison pour le segment considéré sont montrés en Figure 9. La figure 9 illustre une comparaison pour trois cas : le cas C1 correspondant au feu rouge, le cas C2 correspondant au feu vert, et le cas C correspondant à l’ensemble des cas (C=C1 +C2). La figure 9 illustre pour chacun des cas, la distribution des émissions de NOx en mg/km (surface en gris) pour les vitesses mesurées MES, et pour les vitesses prédites PRED au moyen du procédé selon l’invention. Sur chaque courbe, le trait horizontal MOY indique la valeur moyenne des émissions de NOx. On remarque que dans les trois cas, la moyenne obtenue avec les valeurs de vitesse prédites PRED sont proches de la moyenne obtenue avec les valeurs de vitesse mesurées MES. De plus, une analyse statistique de l’impact de la précision de la prédiction des profils de vitesse sur les émissions a également été menée. Sur l’ensemble des segments routiers avec un feu de signalisation à la fin présents dans le réseau d’apprentissage (328 liaisons), l’erreur moyenne absolue sur les émissions est de 10 mg/km avec une erreur en pourcentage de 6%. Ainsi, le procédé selon l’invention permet une prédiction des profils de vitesse et des émissions polluantes de manière précise et représentative.
Le deuxième exemple a été effectué sur un segment routier (liaison) de Marseille n’appartenant pas au réseau routier d’apprentissage, et donc qui n’a pas été utilisé dans l’apprentissage des réseaux de neurones.
En analogie avec l’exemple précédent, une liaison avec un feu de signalisation à la fin de la liaison a été choisie pour la prédiction des profils de vitesse. Cette fois-ci la liaison n’appartient pas au données du réseau d’apprentissage afin de vérifier la capacité de l’invention à extrapoler et à généraliser des informations (données). Après identification de la catégorie correspondante liaison pas ou peu congestionnée avec un feu de signalisation) et association de deux classes à cette catégorie (classe feu vert, classe feu rouge), les réseaux de neurones ont été utilisés pour estimer les paramètres des profils (vitesse initiale, vitesse finale, point d’arrêt, vitesse maximale) en fonction des données macroscopiques de la liaison.
Afin d’évaluer la représentativité des profils prédits, une comparaison a été réalisée en termes d’émissions de NOx (pour un type de véhicule choisi) avec les émissions associées aux profils de vitesse réels. Les résultats de la comparaison pour le segment considéré sont montrés en Figure 10. La figure 10 illustre une comparaison pour trois cas : le cas C1 correspondant au feu rouge, le cas C2 correspondant au feu vert, et le cas C correspondant à l’ensemble des cas (C=C1 +C2). La figure 10 illustre pour chacun des cas, la distribution des émissions de NOx en mg/km (surface en gris) pour les vitesses mesurées MES, et pour les vitesses prédites PRED au moyen du procédé selon l’invention. Sur chaque courbe, le trait horizontal MOY indique la valeur moyenne des émissions de NOx. On remarque que dans les trois cas, la moyenne obtenue avec les valeurs de vitesse prédites PRED sont proches de la moyenne obtenue avec les valeurs de vitesse mesurées MES. De plus, une analyse statistique de l’impact de la précision de la prédiction des profils de vitesse sur les émissions a également été menée. Sur l’ensemble des segments routiers avec un feu de signalisation à la fin de la liaison présents dans le réseau routier de test (24 liaisons), l’erreur moyenne absolue sur les émissions est de 37.8 mg/km avec une erreur en pourcentage de 7.5%. Ainsi, le procédé selon l’invention permet une prédiction des profils de vitesse et des émissions polluantes de manière précise et représentative.

Claims

Revendications
1. Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule sur une portion d’un réseau routier (POR), caractérisé en ce qu’on met en oeuvre les étapes suivantes : a) On construit un modèle de vitesse du véhicule (MOD) par une méthode d’apprentissage automatique au moyen de données macroscopiques dudit réseau routier (MAC) et au moyen de données de trajets réalisés (DTR) sur ledit réseau routier, ledit modèle de vitesse de véhicule (MOD) associe à au moins une subdivision dudit réseau routier au moins un profil de vitesse du véhicule en fonction desdites données macroscopiques dudit réseau routier (MAC) et desdites données de trajets réalisés (DTR) ; et
b) On prédit (PRD) au moins un profil de la vitesse dudit véhicule sur ladite portion dudit réseau routier (POR) en appliquant ledit modèle de vitesse de véhicule (MOD) à des données macroscopiques (MAC) de chaque subdivision de ladite portion dudit réseau routier (POR).
2. Procédé de prédiction d’au moins un profil de la vitesse selon la revendication 1 , dans lequel on construit ledit modèle de vitesse de véhicule en mettant en oeuvre les étapes suivantes :
i) On segmente (SEG) ledit réseau routier au moyen desdites données macroscopiques dudit réseau routier (MAC) ;
ii) On catégorise (CAT) chaque segment dudit réseau routier en fonction desdites données macroscopiques dudit réseau routier (MAC) ;
iii) Pour chaque catégorie de segment routier, on classifie (CLA) lesdites données de trajets réalisés (DTR) ; et
iv) Pour chaque catégorie de segment routier et pour chaque classification desdites données de trajets réalisés, on génère au moins un profil de vitesse de véhicule (PRO) au moyen desdites données de trajets réalisés (DTR).
3. Procédé de prédiction d’au moins un profil de la vitesse selon la revendication 2, dans lequel on prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier en mettant en oeuvre les étapes suivantes :
i) On segmente (SEG) ladite portion dudit réseau routier ;
ii) On catégorise (CAT) lesdits segments de ladite portion dudit réseau routier ; et iii) On attribue (ATT) à chaque segment de ladite portion dudit réseau routier ledit au moins un profil de vitesse de véhicule généré au moyen dudit modèle de vitesse du véhicule (MOD).
4. Procédé de prédiction d’au moins un profil de la vitesse selon la revendication 3, dans lequel on attribue (ATT) à chaque segment de ladite portion dudit réseau routier ledit au moins un profil de vitesse, en prenant en compte des données de trajets réalisés sur chaque segment pour préciser ledit au moins un profil de vitesse.
5. Procédé de prédiction d’au moins un profil de la vitesse selon l’une des revendications 2 à 4, dans lequel on attribue (ATT) également à chaque segment de ladite portion dudit réseau routier une distribution dudit au moins un profil de vitesse.
6. Procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications 2 à 5, dans lequel on segmente (SEG) ledit réseau routier par une division dudit réseau routier en triplets de liaisons, chaque triplet de liaisons étant formé par une liaison formée entre deux noeuds dudit réseau routier, son origine et sa destination.
7. Procédé de prédiction d’au moins un profil de vitesse selon la revendication 6, dans lequel ladite catégorie dudit segment du réseau routier est choisi parmi :
a) Une route congestionnée,
b) Une route pas ou peu congestionnée avec un feu de signalisation,
c) Une route pas ou peu congestionnée sans feu de signalisation et avec une intersection avec priorité,
d) Une route pas ou peu congestionnée sans feu de signalisation et avec une intersection sans priorité,
e) Une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une faible courbure, et
f) Une route pas ou peu congestionnée sans feu de signalisation avec un virage ayant une courbure importante.
8. Procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications 2 à
7, dans lequel on classifie (CLA) lesdites données de trajets réalisés par un algorithme de classification, notamment l’algorithme du k-means.
9. Procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications 2 à
8, dans lequel on génère au moins un profil de vitesse du véhicule par une méthode basée sur au moins un réseau de neurones, pour paramétrer une fonction de la vitesse dépendant de la distance, de préférence ladite fonction de la vitesse est une fonction linéaire, une fonction parabolique, ou une combinaison de fonctions linéaires et/ou paraboliques de la distance.
10. Procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications précédentes, dans lequel lesdites données macroscopiques dudit réseau routier (MAC) sont la topologie et les conditions de trafic, de préférence lesdites données macroscopiques dudit réseau routier sont fournies par un système d’information géographique.
1 1. Procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications précédentes, dans lequel lesdites données de trajets réalisés (DTR) comportent des données de vitesse, de position et d’altitude mesurées lors de trajets antérieurs, de préférence au moyen d’un système de géolocalisation.
12. Procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications précédentes, dans lequel on affiche ledit au moins un profil de vitesse du véhicule de ladite portion de réseau routier sur une carte routière, de préférence au moyen d’un téléphone intelligent ou d’un système informatique.
13. Procédé de prédiction des émissions polluantes chimiques et/ou sonores sur une portion d’un réseau routier, caractérisé en ce qu’on met en oeuvre les étapes suivantes :
a) On prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier (POR) au moyen du procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications précédentes ; et
b) On applique un modèle microscopique d’émissions polluantes chimiques et/ou sonores audit au moins un profil de vitesse pour prédire lesdites émissions polluantes, ledit modèle reliant la vitesse du véhicule et lesdites émissions polluantes.
14. Procédé de prédiction de la consommation d’un véhicule sur une portion d’un réseau routier, caractérisé en ce qu’on met en oeuvre les étapes suivantes :
a) On prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier (POR) au moyen du procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications 1 à 12 ; et
b) On applique un modèle de consommation du véhicule audit au moins un profil de vitesse pour prédire ladite consommation dudit véhicule, ledit modèle reliant la vitesse du véhicule et ladite consommation dudit véhicule.
15. Procédé de détermination d’un trajet à parcourir par un véhicule, pour lequel on identifie le départ et l’arrivée dudit trajet, en mettant en oeuvre les étapes suivantes :
a) On prédit au moins un profil de vitesse du véhicule sur ladite portion dudit réseau routier (POR) au moyen du procédé de prédiction d’au moins un profil de vitesse selon l’une des revendications 1 à 12 ; et
b) On détermine un trajet à parcourir pour relier ledit départ et ladite arrivée, en prenant en compte ledit au moins un profil de vitesse du véhicule, de préférence en minimisant le temps de trajet.
EP20725566.2A 2019-05-28 2020-05-18 Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier Pending EP4026110A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1905686A FR3096822B1 (fr) 2019-05-28 2019-05-28 Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule sur un réseau routier
PCT/EP2020/063828 WO2020239503A1 (fr) 2019-05-28 2020-05-18 Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier

Publications (1)

Publication Number Publication Date
EP4026110A1 true EP4026110A1 (fr) 2022-07-13

Family

ID=68281558

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20725566.2A Pending EP4026110A1 (fr) 2019-05-28 2020-05-18 Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier

Country Status (4)

Country Link
US (1) US20220215749A1 (fr)
EP (1) EP4026110A1 (fr)
FR (1) FR3096822B1 (fr)
WO (1) WO2020239503A1 (fr)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111653088B (zh) * 2020-04-21 2022-02-01 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
FR3122011B1 (fr) 2021-04-14 2024-04-12 Ifp Energies Now Procédé de détermination de la quantité d’émissions polluantes émises par un véhicule sur un brin d’un réseau routier
CN113532449B (zh) 2021-06-21 2023-11-21 阿波罗智联(北京)科技有限公司 智能交通路网获取方法、装置、电子设备及存储介质
CN113920760B (zh) * 2021-10-18 2022-08-09 广东工业大学 一种考虑复杂微环境特征的交通信号灯配时优化方法
FR3130432B1 (fr) 2021-12-14 2024-03-08 Ifp Energies Now Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule pour un déplacement au sein d’un réseau routier
US20230196913A1 (en) * 2021-12-17 2023-06-22 Here Global B.V. Method, apparatus, and system for generating speed profile data given a road attribute using machine learning
FR3145802A1 (fr) * 2023-02-14 2024-08-16 IFP Energies Nouvelles Procédé de détermination d’au moins un attribut du trafic routier pour un réseau de transport

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8396663B2 (en) * 2009-12-15 2013-03-12 Navteq B.V. Speed profile dictionary
US9613529B2 (en) * 2014-02-03 2017-04-04 Here Global B.V. Predictive incident aggregation
CN104658297B (zh) * 2015-02-04 2017-12-22 沈阳理工大学 一种基于Sarsa学习的中心式动态路径诱导方法
CN105608889B (zh) * 2015-09-07 2018-10-26 华迪计算机集团有限公司 一种车辆停留分析方法
CN109003453B (zh) 2018-08-30 2020-05-22 中国人民解放军国防科技大学 基于支持向量机的浮动车路段平均速度短时预测方法
US11080267B2 (en) * 2018-08-31 2021-08-03 Waymo Llc Validating road intersections
FR3095399B1 (fr) * 2019-04-26 2021-04-02 Renault Sas Procédé et système d’aide au stationnement d’un véhicule automobile comprenant un module de régulation de toute discontinuité dans la distance restante à parcourir
FR3095837B1 (fr) * 2019-05-10 2021-04-30 Ifp Energies Now Procédé de détermination des émissions polluantes d’un véhicule au moyen d’un système embarqué

Also Published As

Publication number Publication date
US20220215749A1 (en) 2022-07-07
WO2020239503A1 (fr) 2020-12-03
FR3096822A1 (fr) 2020-12-04
FR3096822B1 (fr) 2022-04-22

Similar Documents

Publication Publication Date Title
EP4026110A1 (fr) Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier
Alexander et al. Assessing the impact of real-time ridesharing on urban traffic using mobile phone data
US20120277985A1 (en) Method of analyzing points of interest with probe data
US20220335822A1 (en) Method of determining the amount of pollutant emissions from a vehicle over a road network section
US20160292768A1 (en) Vehicle ratings via measured driver behavior
EP3936824A1 (fr) Procede de caracterisation d'un trajet parcouru par un utilisateur
Manvitha et al. A Predictive Analysis on CO 2 Emissions in Automobiles using Machine Learning Techniques
EP4062172B1 (fr) Procédé d'estimation de la concentration d'analytes dans l'air au voisinage d'une voie parcourue par des moyens de transport
Tafidis et al. Exploring crowdsourcing information to predict traffic-related impacts
Wibisono et al. Traffic intelligent system architecture based on social media information
TWI635447B (zh) 乘車需求量預測方法及系統
CN111539686B (zh) 基于车辆行驶记录可视化的运输管理监控方法
EP4198941A1 (fr) Procede de prediction d'au moins un profil de la vitesse d'un vehicule pour un deplacement au sein d'un reseau routier
Ptošek et al. Floating car data map-matching utilizing the Dijkstra’s algorithm
Pradeep et al. Visual Eco-Routing (VER): XGBoost Based Eco-Route Selection From Road Scenes and Vehicle Emissions
Pucher Deriving Traffic-Related CO 2 Emission Factors with High Spatiotemporal Resolution from Extended Floating Car Data
EP4261802A1 (fr) Procede de determination d'un debit de vehicules sur au moins un brin d'un reseau routier a partir de donnees de geolocalisation
Dong et al. Towards a Smart Urban Freight Plan
Tanvir et al. Equitable Access to Transit—Case Study of Transportation Network Company (TNC) Users in Chicago
Nurlayli et al. Design of fuzzy simulation for determining the duration of traffic light based on vehicle density level and carbon monoxide level
Şerban et al. Statistical analysis using machine learning algorithms in traffic control
US20240194063A1 (en) Method, System, Computer Program and Computer Readable Medium for Generating Closure Data Relating to Closure of a Stretch of Navigable Elements
Chen et al. Data-driven Multimodal Transportation Energy Consumption Prediction and Analysis Framework for Sustainable Transit and Transportation Planning
EP4375619A2 (fr) Procede de determination d'un mode de transport d'un trajet parcouru par au moins un utilisateur
Cellina et al. Sustainable mobility persuasion via smartphone apps: Exploiting external extrinsic motivational factors

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220103

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)