EP4402666A1 - Procédé de prédiction d'une condition météo de surface d'un segment routier - Google Patents

Procédé de prédiction d'une condition météo de surface d'un segment routier

Info

Publication number
EP4402666A1
EP4402666A1 EP22769592.1A EP22769592A EP4402666A1 EP 4402666 A1 EP4402666 A1 EP 4402666A1 EP 22769592 A EP22769592 A EP 22769592A EP 4402666 A1 EP4402666 A1 EP 4402666A1
Authority
EP
European Patent Office
Prior art keywords
segment
road segment
models
weather
prediction
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
EP22769592.1A
Other languages
German (de)
English (en)
Inventor
Jonathan BONNET
Fabien Daniel
Anaïs Goursolle
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.)
Aumovio Germany GmbH
Original Assignee
Continental Automotive Technologies GmbH
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 Continental Automotive Technologies GmbH filed Critical Continental Automotive Technologies GmbH
Publication of EP4402666A1 publication Critical patent/EP4402666A1/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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • 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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096758—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where no selection takes place on the transmitted or the received information
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector

Definitions

  • the invention belongs to the field of intelligent transport, and relates more particularly to a method and a device for predicting a weather condition on the surface of a road segment.
  • Surface conditions on a particular segment of a road network can be estimated to some extent by a server from local weather forecasts and observations. Such forecasts are generally available for periods of 15 minutes with a granularity of the order of kilometers from weather forecast providers.
  • each road segment should be taken into account to reliably estimate a surface condition.
  • RWIS Road Weather Information System in English
  • data may be available to establish correlations between a weather forecast or observation for a particular location and the observed surface conditions.
  • maintaining an exhaustive mapping of the condition of the pavement on the whole of a road network would require a very large number of fixed stations or contributor vehicles equipped with suitable sensors and the continuous processing of a gigantic amount of information.
  • a method for predicting a surface weather condition of a particular road segment of a geographical area comprising the following steps:
  • the geographical area is partitioned into a plurality of weather cells
  • the geographical area is subdivided into regions composed of weather cells sharing similar climatic characteristics
  • At least one prediction model is trained using variables from weather observations associated with surface conditions observed in the region considered,
  • Each road segment of the network is associated with at least two particular prediction models, at least one of the models being chosen from among the trained models, and
  • At least the at least two particular models associated with the segment considered are selected.
  • the selected models are inferred from meteorological data obtained for the geographic location of the road segment to obtain a plurality of predictions for the segment, and
  • the plurality of predictions obtained are combined to obtain a consolidated surface condition for the segment.
  • the association of at least two distinct prediction models with a particular road segment makes it possible to take into account the local specificities of the road segment.
  • the predictions made on this segment are further improved.
  • the method thus makes it possible to obtain a reliable estimate of the surface weather conditions at any point of a road network without it being necessary to have exhaustive field observations.
  • the prediction of a surface condition for a particular road segment is triggered by the reception, originating from a vehicle, of a message comprising at least one geographical location making it possible to identify the road segment , the method further comprising a step of transmitting the consolidated surface condition to the vehicle.
  • the method allows a vehicle traveling on a road network to obtain "on demand" a surface condition for a determined road segment, for example for a segment on which it is traveling or on which it is likely to travel in near future.
  • a surface condition for a determined road segment for example for a segment on which it is traveling or on which it is likely to travel in near future.
  • the prediction of a surface condition for a particular road segment is triggered by obtaining at least one new weather datum for the segment, the method further comprising a step of storing the prediction consolidated in association with said road segment.
  • a predicted consolidated surface condition for a road segment is always immediately available for a plurality of vehicles.
  • Such an arrangement is particularly advantageous for road segments with heavy traffic on which many vehicles are likely to demand a surface condition.
  • the predictions made by the models associated with the road segment are combined according to a conservative approach according to which a level of risk is associated with a surface condition capable of being predicted, the consolidated prediction being defined by the prediction associated with the highest risk.
  • the prediction retained is the one that ensures maximum safety. For example, if three models associated with a road segment respectively predict “dry”, “dry” and “ice” conditions, the prediction retained will be “ice”; this surface condition presents the highest risk.
  • the configuration of the vehicle can then be adapted in such a way as to prevent the highest risk.
  • the predictions made by the models associated with the road segment are combined according to a majority approach according to which the consolidated prediction is defined by the class mainly predicted by the models associated with the road segment.
  • the consolidated prediction is defined by an average of the probabilities predicted by the models associated with the road segment.
  • the at least two models selected for a road segment are selected according to at least one climatic similarity criterion.
  • a segment comprised in a homogeneous climatic region as determined during the subdivision step is associated with at least two models trained from observations made on this region.
  • the at least two models selected for a road segment are selected so as to minimize the difference between a consolidated surface condition and an observed surface condition.
  • a combination of models is thus obtained which is particularly suited to the road segment considered, or to the type of segment (country road, motorway, etc.).
  • a device for predicting a surface weather condition of a particular road segment of a geographical area comprising a processor and a memory in which are recorded program instructions adapted to put implements the following steps, when executed by the processor:
  • the geographical area is partitioned into a plurality of weather cells
  • the geographical area is subdivided into regions composed of weather cells sharing similar climatic characteristics
  • At least one prediction model is trained from variables resulting from weather observations associated with surface conditions observed in the region considered,
  • Each road segment of the network is associated with at least two particular prediction models, at least one of the models being chosen from among the trained models, and
  • At least the at least two particular models associated with the segment considered are selected,
  • the selected models are inferred from meteorological data obtained for the geographic location of the road segment to obtain a plurality of predictions for the segment, and
  • the plurality of predictions obtained are combined to obtain a consolidated surface condition for the segment.
  • the invention also relates to a server comprising a prediction device as described previously.
  • the invention also relates to an information medium comprising computer program instructions configured to implement the steps of a prediction method as described previously, when the instructions are executed by a processor.
  • the information medium can be a non-transitory information medium such as a hard disk, a flash memory, or an optical disk for example.
  • the information carrier can be any entity or device capable of storing instructions.
  • the medium may comprise a storage means, such as a ROM, RAM, PROM, EPROM, a CD ROM or even a magnetic recording means, for example a hard disk.
  • the information medium can be a transmissible medium such as an electrical or optical signal, which can be conveyed via an electrical or optical cable, by radio or by other means.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • FIG. 1 represents an environment suitable for implementing the prediction method according to a particular embodiment.
  • FIG. 2 is a flowchart on which are represented the main steps of a method of prediction according to a particular embodiment.
  • Figure 3a represents a map of Germany partitioned into a plurality of weather cells.
  • FIG. 3b represents a map of Germany on which symbols have represented the climatic characteristics of each weather cell represented in FIG. 3a.
  • FIG. 1 shows a server 100 of a telecommunications network 101.
  • the server 100 comprises a processor, a memory and a communication interface allowing it to exchange messages with a vehicle 102 via a network of cellular access 103 interconnected with the communication network 101 and with a server 104 of a weather data provider.
  • the memory of the server 100 includes computer program instructions suitable for implementing the steps of a prediction method according to a particular embodiment. On initialization, the computer program instructions are for example loaded into a RAM memory (Random Access Memory in English) before being executed by the processor of the server 100.
  • the processor of the server 100 implements the steps of the prediction method according to the instructions of the computer program loaded in the memory.
  • the server 104 is suitable for transmitting to the server 101 weather forecasts and observations relating to a particular geographical area.
  • the server 104 periodically transmits weather data to the server 100, for example every 15 minutes, with a geographical granularity of approximately 1° of longitude and latitude.
  • a geographical granularity of approximately 1° of longitude and latitude.
  • different geographical or temporal granularities can be envisaged without modifying the invention.
  • the server 104 can transmit weather data with a granularity of the order of 100 km2, 25 km2, or even lkm2.
  • the vehicle 102 includes a wireless communication interface allowing it to connect to the cellular access network 103 to exchange messages with “Cloud” type online services.
  • the communication interface of the vehicle 102 allows him to consult the server 100 in order to obtain in particular a surface weather condition of the road segment on which he is traveling and/or on which he will be traveling in the near future, for example a degree of humidity and/or height of a film of water on the roadway, whether or not there is ice or snow.
  • the communication interface is for example a 2G, 3G, 4G, 5G interface, or else a WiFi or Wimax interface.
  • the communication interface of the server 100 also allows it to exchange messages with ground stations 105 distributed over the territory considered and adapted to transmit observations on the state of the roadway at various locations of a road network.
  • FIG. 2 is a flowchart on which are represented the main steps of the method according to a particular embodiment.
  • the server 100 partitions a territory considered into a plurality of cells for which weather forecasts and/or observations are available from the server 104.
  • FIG. Germany which has been partitioned into cells whose granularity corresponds to the granularity offered by the weather forecast server 104, that is to say in this example into cells of approximately 25 km on each side.
  • the server 100 obtains a history of observations and/or weather forecasts for each of the cells defined in step 200. These histories have for example a frequency of one day over the last 5 years. .
  • the server 100 selects for each of the cells, characteristic data, such as for example, in a non-exhaustive manner, minimum, maximum and average temperatures, a daily average of the wind speed measured at 10 meters above sea level. altitude, atmospheric pressure, amount of precipitation, or potential evapotranspiration. These data are normalized and used to carry out an unsupervised classification in order to determine climatically homogeneous geographical regions, for example mountainous regions, coastal regions of the central plains, etc.
  • the server 100 can implement an algorithm unsupervised classification such as K-means or DBScan.
  • FIG. 3b There is represented in FIG. 3b a map of Germany on which has been indicated by circles comprising distinct patterns different climatic characteristics identified for each of the cells defined in step 200.
  • the unsupervised classification step reveals 8 distinct regions, such that within a particular region relatively homogeneous climatic conditions are observed.
  • the server 100 obtains observations relating to surface conditions of at least one road segment for each of the geographical regions determined at step 201. These observations are for example obtained from ground stations such as station 105 of FIG. 1. Such stations are suitable for observing the state of the roadway, such as surface temperature, the presence of ice or snow, the dryness or humidity of the surface, and/or the height of a film of water on the surface of the road. Such stations can use different types of sensors to provide these observations, such as optical or thermal cameras, temperature probes, or anemometers, and transmit the data thus captured to a server such as the server 100. The data transmitted comprises in in addition to the type of surface or road segment and the location and/or an identifier of the station. These stations being expensive and unevenly distributed on the road network, the fact of having defined regions whose climatic conditions are homogeneous makes it possible to transpose with a certain confidence observations made by a ground station at other locations in the same region.
  • the server 100 causes at least one prediction model from observations collected from a ground station such as station 105 and weather forecasts and/or observations for the weather cell in which the station is located. More precisely, the server associates in a characteristic vector on the one hand variables resulting from weather forecasts and/or observations, such as atmospheric pressure, frequency, type and quantity of precipitation, temperature, a UV index, a rate sunshine or cloud cover thickness, and on the other hand target variables from observations made on the ground by a station in the same weather cell.
  • Such training makes it possible to establish correlations between weather observations or forecasts in a particular weather cell and the surface conditions of a road segment in this weather cell. It is thus possible to train a plurality of prediction models from any ground truth observed on a road segment of a particular climatic region and weather forecasts and/or observations for the weather cell in which the road segment is located.
  • a global prediction model is trained for at least one climatic region identified in step 201 from meteorological data obtained and ground observations obtained for the entire climatic region considered.
  • a generic model is thus obtained which can be applied at any point in a particular climatic region.
  • the server 100 associates a particular road segment with at least two prediction models selected from the models trained at step 202.
  • the association is for example stored in a database 106 of the server 100.
  • the models selected are models trained from observations on the ground obtained on road segments comparable to the road segment in question, that is to say segments which share at least one characteristic with the segment considered. These characteristics include, for example, the type of track, the type and state of wear of the coating, the immediate environment (forest, city, etc.), the topology and/or the climatic region as determined at step 201.
  • the server can also select one or more generic models, applicable at any point of a territory regardless of a particular climatic zone.
  • Such a model is for example trained from meteorological data and ground observations obtained without consideration of a particular climatic region.
  • the server could in this way associate a seaside highway for which it does not have ground observations with a model trained on a highway in the same climatic region, a generic model and a model trained on a small seaside road.
  • the models associated with said segment are selected so as to minimize the difference between an observed surface condition and a surface condition determined by a combination of the predictions made by the selected models.
  • Step 203 of associating at least two models trained in step 202 with a road segment is repeated for all the road segments of a road network.
  • the server 100 receives a request from the vehicle 102 traveling on the road network.
  • the request includes at least one identifier of the road segment on which the vehicle is traveling, or geographic positioning data allowing the server to determine during a step 205, thanks to a digital map of the road network, the road segment on which the vehicle, for example a longitude and a latitude of the vehicle or of another location for which the vehicle wishes to know a surface weather condition.
  • the request is for example a message conforming to a V2I (Vehicle To Infrastructure) communication protocol and transmitted to the server 100 via the cellular access network 103 and the communication network 101.
  • V2I Vehicle To Infrastructure
  • step 206 the server 100 makes a request to the database 106 to obtain the models associated in step 203 with the segment identified in step 205.
  • the server interrogates the server 104 to obtain weather forecasts and/or observations concerning the weather cell in which the identified segment is located and applies this weather data to the prediction models associated with the segment. For this, the server extracts from the weather data the variables used to train the models, for example, atmospheric pressure, frequency, type and amount of precipitation, temperature, UV index, sunshine rate or cloud cover thickness.
  • the server 100 thus obtains a plurality of surface weather conditions predicted from the models associated with the segment.
  • step 208 the predictions thus obtained are combined to obtain a consolidated prediction of the surface weather conditions of the road segment.
  • the predictions made by the models associated with the road segment are combined according to a conservative approach according to which a level of risk is associated with a surface condition capable of being predicted, the consolidated prediction being defined by the prediction associated with the highest risk.
  • the prediction model is a classification model in which each class corresponds to a particular surface condition, for example "dry", icy", "snow" or "rain”.
  • the consolidated prediction will correspond to the prediction associated with the highest risk for the vehicle, i.e. i.e. "icing".
  • the predictions made by the models associated with the road segment are combined according to a majority approach according to which the consolidated prediction is defined by the class mainly predicted by the models associated with the road segment.
  • the prediction model is a classification model in which each class corresponds to a particular surface condition, for example “dry”, “ice”, “snow” or “rain”.
  • the consolidated prediction will correspond to the class mostly predicted by the selection of models associated with the segment, i.e. i.e. "dry”.
  • the consolidated prediction is the prediction corresponding to the greatest risk.
  • the consolidated prediction is defined by an average of the probabilities predicted by the models associated with the road segment.
  • the prediction models are adapted to predict a probability of occurrence for different classes. The server 100 then calculates an average probability from the probabilities of occurrences predicted by the selected models.
  • the server transmits to the vehicle 102 the surface condition consolidated during a step 209 in response to the request received during step 204.
  • the models selected for a particular segment are inferred as soon as the inference is made possible by obtaining new weather data and the consolidated prediction is stored in association with the corresponding segment in the database 106.
  • the server always has, for a particular segment, the latest surface conditions that can be predicted for the segment.
  • Such an arrangement is advantageous when a large number of vehicles are circulating on the segment because it avoids inferring the models several times with identical data, and allows a vehicle to obtain a prediction with improved responsiveness.
  • the models associated with a particular segment "on demand" that is to say upon receipt of a request from a vehicle, the calculation time is optimized for the segments uncrowded.

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Environmental Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

L'invention concerne un procédé de prédiction d'une condition météo de surface d'un segment routier particulier comprenant des étapes de partitionnement (200) de la zone géographique en une pluralité de cellules météo, de subdivision (201) de la zone géographique en régions composées de cellules météo partageant des caractéristiques climatiques similaires, et pour chaque région définie, d'entrainement (202) d'au moins un modèle de prédiction à partir de variables issues d'observations météo associées à des conditions de surface observées dans la région considérée, et d'association (203) à chaque segment routier du réseau au moins deux modèles de prédiction particuliers, le procédé comportant en outre, lorsqu'une commande de prédiction d'une condition de surface est déclenchée pour un segment routier particulier, des étapes de sélection d'au moins les au moins deux modèles particuliers associés au segment considéré, d'inférence des modèles sélectionnés à partir de données météorologiques obtenues pour la localisation géographique du segment routier pour obtenir une pluralité de prédictions pour le segment, et de combinaison de la pluralité de prédictions obtenues pour obtenir une condition de surface consolidée pour le segment.

Description

DESCRIPTION
Titre : Procédé de prédiction d'une condition météo de surface d'un segment routier
Domaine technique
L'invention appartient au domaine des transports intelligents, et concerne plus particulièrement un procédé et un dispositif pour prédire une condition météo à la surface d'un segment routier.
Art antérieur
On assiste aujourd'hui à un fort développement des systèmes avancés d'assistance à la conduite et des véhicules autonomes. Pour que ces véhicules puissent circuler en toute sécurité, ils doivent notamment disposer d'une parfaite connaissance des conditions de surface de la chaussée sur laquelle ils circulent. En particulier, les conditions météo de surface, comme la hauteur d'eau, la température ou la présence de gel, ont une influence directe sur comportement et la sécurité des véhicules, notamment sur les distances de freinage.
Les conditions de surface sur un segment particulier d'un réseau routier peuvent être estimées dans une certaine mesure par un serveur à partir de prévisions et d'observations météo locales. De telles prévisions sont généralement disponibles pour des périodes de 15 minutes avec une granularité de l'ordre du kilomètre auprès de fournisseurs de prévisions météo.
Toutefois, pour des observations météo identiques, les conditions de surface observées se révèlent parfois très différentes d'un segment routier à un autre.
Ainsi, le contexte spécifique de chaque segment routier devrait être pris en compte pour estimer avec fiabilité une condition de surface. A cet effet, il a été envisagé de collecter des informations sur l'état de la chaussée à partir de stations fixes (RWIS pour Road Weather Information System en anglais) disposées sur certains segments d'un réseau routier ou d'une flotte de véhicules contributeurs. De cette façon, on peut disposer de données permettant d'établir des corrélations entre une prévision ou une observation météo pour un emplacement particulier et les conditions de surface observées. Toutefois, maintenir une cartographie exhaustive de l'état de la chaussée sur l'ensemble d'un réseau routier nécessiterait un très grand nombre de stations fixes ou de véhicules contributeurs équipés de capteurs adaptés et de traiter en continue une quantité d'information gigantesque.
Il existe donc un besoin pour une technique permettant d'obtenir des conditions de surface fiables en tout point d'un réseau routier qui ne présente pas les inconvénients précités.
Résumé de l'invention
A cet effet, il est proposé un procédé de prédiction d'une condition météo de surface d'un segment routier particulier d'une zone géographique, le procédé comprenant les étapes suivantes :
On partitionne la zone géographique en une pluralité de cellules météo,
On subdivise la zone géographique en régions composées de cellules météo partageant des caractéristiques climatiques similaires,
Pour chaque région définie, on entraine au moins un modèle de prédiction à partir de variables issues d'observations météo associées à des conditions de surface observées dans la région considérée,
On associe à chaque segment routier du réseau au moins deux modèles de prédiction particuliers, au moins un des modèles étant choisi parmi les modèles entraînés, et
Lorsqu'une commande de prédiction d'une condition de surface est déclenchée pour un segment routier particulier :
On sélectionne au moins les au moins deux modèles particuliers associés au segment considéré,
On infère les modèles sélectionnés à partir de données météorologiques obtenues pour la localisation géographique du segment routier pour obtenir une pluralité de prédictions pour le segment, et
On combine la pluralité de prédictions obtenues pour obtenir une condition de surface consolidée pour le segment.
De cette façon, il est possible de prédire une condition météo de surface pour un segment routier à partir d'un nombre limité de modèles de prédiction entraînés à cet effet. La subdivision de la zone géographique en régions de caractéristiques climatiques homogènes permet l'application d'un modèle de prédiction entraîné dans une région particulière à d'autres emplacement de la même région en conservant une bonne fiabilité de prédiction.
De plus, l'association d'au moins deux modèles de prédiction distincts à un segment routier particulier permet de prendre en compte les spécificités locales du segment routier. On améliore encore les prédictions réalisées sur ce segment.
Le procédé permet ainsi d'obtenir une estimation fiable des conditions météo de surface en tout point d'un réseau routier sans qu'il soit nécessaire de disposer d'observation terrain exhaustives.
Selon un mode particulier de réalisation, la prédiction d'une condition de surface pour un segment routier particulier est déclenchée par la réception, en provenance d'un véhicule, d'un message comprenant au moins une localisation géographique permettant d'identifier le segment routier, le procédé comprenant en outre une étape de transmission au véhicule de la condition de surface consolidée.
Ainsi, le procédé permet à un véhicule en circulation sur un réseau routier d'obtenir « à la demande » une condition de surface pour un segment routier déterminé, par exemple pour un segment sur lequel il circule ou sur lequel il est susceptible de circuler dans un futur proche. Une telle disposition permet d'inférer les modèles uniquement lorsque cela est nécessaire. On limite ainsi le temps de calcul pour les segments peu fréquentés.
Selon un mode de réalisation particulier, la prédiction d'une condition de surface pour un segment routier particulier est déclenchée par l'obtention d'au moins une nouvelle donnée météo pour le segment, le procédé comprenant en outre une étape de mémorisation de la prédiction consolidée en association avec ledit segment routier.
De cette façon, une condition de surface consolidée prédite pour un segment routier est toujours immédiatement disponible pour une pluralité de véhicules. Une telle disposition est particulièrement avantageuse pour les segments routiers à fort trafic sur lesquels de nombreux véhicules sont susceptibles de demander une condition de surface. Selon une réalisation particulière, les prédictions réalisées par les modèles associés au segment routier sont combinées selon une approche conservatrice selon laquelle un niveau de risque est associé à une condition de surface susceptible d'être prédite, la prédiction consolidée étant définie par la prédiction associée au plus haut risque.
Ainsi, lorsque plusieurs modèles associés à un segment routier particulier prédisent des conditions de surface différentes, la prédiction retenue est celle qui assure une sécurité maximale. Par exemple, si trois modèles associés à un segment routier prédisent respectivement des conditions « sec », « sec », et « verglas », la prédiction retenue sera « verglas » cette condition de surface présente le plus haut risque. Le paramétrage du véhicule peut alors être adapté de manière à prévenir le risque le plus élevé.
Selon un mode particulier de réalisation, les prédictions réalisées par les modèles associés au segment routier sont combinées selon une approche majoritaire selon laquelle la prédiction consolidée est définie par la classe majoritairement prédite par les modèles associés au segment routier.
Une telle approche permet de déterminer la condition de surface la plus probable lorsque les modèles divergent.
Dans un mode de réalisation particulier, la prédiction consolidée est définie par une moyenne des probabilités prédites par les modèles associés au segment routier.
Il est ainsi proposé de fusionner les probabilités d'événements pour déterminer une probabilité globale. Une telle disposition permet d'obtenir la prédiction la plus probable lorsque les modèles divergent.
Dans une réalisation particulière, les au moins deux modèles sélectionnés pour un segment routier sont sélectionnés selon au moins un critère de similarité climatique. De cette façon, un segment compris dans une région climatique homogène telle que déterminée lors de l'étape de subdivision est associé à au moins deux modèles entraînés à partir d'observations réalisées sur cette région.
Dans une réalisation particulière, les au moins deux modèles sélectionnés pour un segment routier sont sélectionnés de manière à minimiser l'écart entre une condition de surface consolidée et une condition de surface observée.
On obtient ainsi une combinaison de modèles particulièrement adaptée au segment routier considéré, ou au type de segment (route de campagne, autoroute, etc...).
Selon un autre aspect, il est proposé un dispositif de prédiction d'une condition météo de surface d'un segment routier particulier d'une zone géographique, le dispositif comprenant un processeur et une mémoire dans laquelle sont enregistrées des instructions de programme adaptées pour mettre en œuvre les étapes suivantes, lorsqu'elles sont exécutées par le processeur :
On partitionne la zone géographique en une pluralité de cellules météo,
On subdivise la zone géographique en régions composées de cellules météo partageant des caractéristiques climatiques similaires,
Pour chaque région définie, on entraîne au moins un modèle de prédiction à partir de variables issues d'observations météo associées à des conditions de surface observées dans la région considérée,
On associe à chaque segment routier du réseau au moins deux modèles de prédiction particuliers, au moins un des modèles étant choisi parmi les modèles entraînés, et
Lorsqu'une commande de prédiction d'une condition de surface est déclenchée pour un segment routier particulier :
On sélectionne au moins les au moins deux modèles particuliers associés au segment considéré, On infère les modèles sélectionnés à partir de données météorologiques obtenues pour la localisation géographique du segment routier pour obtenir une pluralité de prédictions pour le segment, et
On combine la pluralité de prédictions obtenues pour obtenir une condition de surface consolidée pour le segment.
L'invention concerne aussi un serveur comprenant un dispositif de prédiction tel que décrit précédemment.
L'invention concerne aussi un support d'information comportant des instructions de programme d'ordinateur configurées pour mettre en œuvre les étapes d'un procédé de prédiction tel que décrit précédemment, lorsque les instructions sont exécutées par un processeur.
Le support d'information peut être un support d'information non transitoire tel qu'un disque dur, une mémoire flash, ou un disque optique par exemple.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker des instructions. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, RAM, PROM, EPROM, un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Les différents modes ou caractéristiques de réalisation précités peuvent être ajoutés indépendamment ou en combinaison les uns avec les autres, aux étapes du procédé de prédiction. Les serveurs, dispositifs et supports d'information présentent au moins des avantages analogues à ceux conférés par le procédé auquel ils se rapportent. Brève description des dessins
D'autres caractéristiques et avantages de l'invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :
[Fig. 1] La figure 1 représente un environnement adapté pour mettre en œuvre le procédé de prédiction selon un mode particulier de réalisation.
[Fig. 2] La figure 2 est un ordinogramme sur lequel sont représentées les principales étapes d'un procédé de prédiction selon un mode de réalisation particulier.
[Fig. 3a] La figure 3a représente une cartographie de l'Allemagne partitionnée en une pluralité de cellules météo.
[Fig. 3b] La figure 3b représente une cartographie de l'Allemagne sur laquelle on a représenté par des symboles, des caractéristiques climatiques de chaque cellule météo représentées sur la figure 3a.
Description détaillée
La figure 1 montre un serveur 100 d'un réseau de télécommunications 101. Le serveur 100 comprend un processeur, une mémoire et une interface de communication lui permettant d'échanger des messages avec un véhicule 102 par l'intermédiaire d'un réseau d'accès cellulaire 103 interconnecté avec le réseau de communication 101 et avec un serveur 104 d'un fournisseur de données météo. La mémoire du serveur 100 comprend des instructions de programme d'ordinateur adaptées pour mettre en œuvre les étapes d'un procédé de prédiction selon un mode particulier de réalisation. À l'initialisation, les instructions de programme d'ordinateur sont par exemple chargées dans une mémoire RAM (Random Access Memory en anglais) avant d'être exécutées par le processeur du serveur 100. Le processeur du serveur 100 met en œuvre les étapes du procédé de prédiction selon les instructions du programme d'ordinateur chargées dans la mémoire. Le serveur 104 est adapté pour transmettre au serveur 101 des prévisions et des observations météo relatives à une zone géographique particulière. Le serveur 104 transmet des périodiquement données météo au serveur 100, par exemple toutes les 15 minutes, avec une granularité géographique d'environ 1° de longitude et de latitude. Bien entendu, des granularités géographiques ou temporelles différentes peuvent être envisagées sans modifier l'invention. Par exemple, le serveur 104 peut transmettre des données météo avec une granularité de l'ordre de 100km2, 25km2, ou même d'lkm2.
Le véhicule 102 comprend une interface de communication sans fil lui permettant de se connecter au réseau d'accès cellulaire 103 pour échanger des messages avec des services en ligne de type « Cloud ». En particulier, l'interface de communication du véhicule 102 lui permet de consulter le serveur 100 afin d'obtenir notamment une condition météo de surface du segment routier sur lequel il circule et/ou sur lequel il circulera dans un futur proche, par exemple un degré d'humidité et/ou une hauteur d'un film d'eau sur la chaussée, la présence ou non de verglas ou de neige. L'interface de communication est par exemple une interface 2G, 3G, 4G, 5G, ou encore une interface WiFi ou Wimax.
L'interface de communication du serveur 100 lui permet également d'échanger des messages avec des stations au sol 105 réparties sur le territoire considéré et adaptées pour transmettre des observations sur l'état de la chaussée à divers emplacements d'un réseau routier.
Le procédé de prédiction d'une condition de surface d'un segment routier va maintenant être décrit en référence à la figure 2.
La figure 2 est un ordinogramme sur lequel sont représentées les principales étapes du procédé selon un mode particulier de réalisation.
Lors d'une première étape 200, le serveur 100 partitionne un territoire considéré en une pluralité de cellules pour lesquelles des prévisions et/ou des observations météo sont disponibles auprès du serveur 104. Sur la figure 3a, on a pris pour exemple une carte de l'Allemagne qui a été partitionnée en cellules dont la granularité correspond à la granularité offerte par le serveur de prévisions météo 104, c'est-à-dire dans cet exemple en cellules d'environ 25 km de côté. Au cours d'une étape 201, le serveur 100 obtient un historique d'observations et/ou de prévisions météo pour chacune des cellules définies à l'étape 200. Ces historiques ont par exemple une fréquence d'un jour sur les 5 dernières années. A partir des historiques ainsi collectés, le serveur 100 sélectionne pour chacune des cellules, des données caractéristiques, comme par exemple, de façon non exhaustive, des températures minimales, maximales et moyennes, une moyenne journalière de la vitesse du vent mesurée à 10 mètres d'altitude, une pression atmosphérique, une somme de précipitations, ou encore un potentiel d'évapotranspiration. Ces données sont normalisées et utilisées pour effectuer une classification non supervisée afin de déterminer des régions géographiques climatiquement homogène, par exemple des régions montagneuses, des régions côtières des plaines centrales, etc... Pour cela, le serveur 100 peut mettre en œuvre un algorithme de classification non supervisée de type K-means ou DBScan.
On a représenté sur la figure 3b une carte de l'Allemagne sur laquelle on a indiqué par des cercles comportant des motifs distincts différentes caractéristiques climatiques identifiées pour chacune des cellules définies à l'étape 200. L'étape de classification non supervisée fait apparaître 8 régions distinctes, telles qu'au sein d'une région particulière, on observe des conditions climatiques relativement homogènes.
A l'étape 202, le serveur 100 obtient des observations relatives à des conditions de surface d'au moins un segment routier pour chacune des régions géographiques déterminées à l'étape 201. Ces observations sont par exemple obtenues à partir de stations au sol comme la station 105 de la figure 1. De telle stations sont adaptées pour observer l'état de la chaussée, comme une température de surface, la présence de verglas ou de neige, la sécheresse ou l'humidité de la surface, et/ou la hauteur d'un film d'eau à la surface de la route. De telle stations peuvent utiliser différents types de capteurs pour fournir ces observations, comme des caméras optiques ou thermiques, des sondes de températures, ou des anémomètres, et transmettre les données ainsi capturées vers un serveur tel que le serveur 100. Les données transmises comprennent en outre le type de revêtement ou de segment routier et la localisation et/ou un identifiant de la station. Ces stations étant coûteuse et réparties de façon non uniforme sur le réseau routier, le fait d'avoir défini des régions dont les conditions climatiques sont homogènes permet de transposer avec une certaine confiance les observations réalisées par une station au sol à d'autres emplacements d'une même région.
Pour cela, le serveur 100 entraine au moins un modèle de prédiction à partir des observations recueillies auprès d'une station au sol comme la station 105 et des prévisions et/ou observations météo pour la cellule météo dans laquelle se situe la station. Plus précisément, le serveur associe dans un vecteur caractéristique d'une part des variables issues des prévisions et/ou observations météo, comme la pression atmosphérique, la fréquence, le type et la quantité des précipitations, la température, un index UV, un taux d'ensoleillement ou une épaisseur d'une couverture nuageuse, et d'autre part des variables cibles issues des observations réalisées au sol par une station de la même cellule météo. Un tel entrainement permet d'établir des corrélations entre des observations ou des prévisions météo dans une cellule météo particulière et les conditions de surface d'un segment routier dans cette cellule météo. On peut entrainer ainsi une pluralité de modèles de prédictions à partir de toute vérité terrain observée sur un segment routier d'une région climatique particulière et des prévisions et/ou observations météo pour la cellule météo dans laquelle le segment routier est situé.
Dans une réalisation particulière, on entraine un modèle de prédiction global pour au moins une région climatique identifiée à l'étape 201 à partir de données météo obtenues et des observations au sol obtenues pour toute la région climatique considérée. On obtient ainsi un modèle générique applicable en tout point d'une région climatique particulière.
A l'étape 203, le serveur 100 associe un segment routier particulier avec au moins deux modèles de prédiction sélectionnés parmi les modèles entraînés à l'étape 202. L'association est par exemple mémorisée dans une base de données 106 du serveur 100.
Les modèles sélectionnés sont des modèles entraînés à partir d'observations au sol obtenues sur des segments routiers comparables au segment routier en question, c'est-à-dire des segments qui partagent au moins une caractéristique avec le segment considéré. Parmi ces caractéristiques on peut envisager par exemple le type de voie, le type et l'état d'usure du revêtement, l'environnement immédiat (forêt, ville, etc.), la topologie et/ou la région climatique telle que déterminée à l'étape 201. Selon un mode particulier le serveur peut également sélectionner un ou plusieurs modèles génériques, applicables en tout point d'un territoire sans considération d'une zone climatique particulière. Un tel modèle est par exemple entraîné à partir de données météo et d'observations au sol obtenues sans considération d'une région climatique particulière.
Par exemple, le serveur pourra de cette manière associer une autoroute en bord de mer pour laquelle il ne dispose pas d'observations au sol avec un modèle entraîné sur une autoroute de la même région climatique, un modèle générique et un modèle entraîné sur une petite route de bord de mer.
Selon une réalisation particulière, lorsque le serveur 100 dispose d'observations au sol pour un segment particulier, les modèles associés audit segment sont sélectionnés de manière à minimiser l'écart entre une condition de surface observée et une condition de surface déterminée par une combinaison des prédictions réalisés par les modèles sélectionnés.
L'étape 203 d'association d'au moins deux modèles entraînés à l'étape 202 avec un segment routier est répétée pour tous les segments routiers d'un réseau routier.
Lors d'une étape 204, le serveur 100 reçoit une requête en provenance du véhicule 102 en circulation sur le réseau routier. La requête comprend au moins un identifiant du segment routier sur lequel le véhicule circule, ou bien des données de positionnement géographique permettant au serveur de déterminer lors d'une étape 205, grâce à une cartographie numérique du réseau routier, le segment routier sur lequel circule le véhicule, par exemple une longitude et une latitude du véhicule ou d'un autre emplacement pour lequel le véhicule souhaite connaître une condition météo de surface. La requête est par exemple un message conforme à un protocole de communication V2I (Vehicle To Infrastructure) et transmis au serveur 100 par l'intermédiaire du réseau d'accès cellulaire 103 et du réseau de communication 101.
A l'étape 206, le serveur 100 effectue une requête à la base de données 106 pour obtenir les modèles associés lors de l'étape 203 au segment identifié à l'étape 205.
Lors de l'étape 207, le serveur interroge le serveur 104 pour obtenir des prévisions et/ou des observations météo concernant la cellule météo dans laquelle se situe le segment identifié et applique ces données météo aux modèles de prédiction associés au segment. Pour cela, le serveur extrait des données météo les variables utilisées pour entraîner les modèles, par exemple, la pression atmosphérique, la fréquence, le type et la quantité des précipitations, la température, un index UV, un taux d'ensoleillement ou une épaisseur d'une couverture nuageuse. Le serveur 100 obtient ainsi une pluralité de conditions météo de surface prédites à partir des modèles associés au segment.
A l'étape 208, les prédictions ainsi obtenues sont combinées pour obtenir une prédiction consolidée des conditions météo de surface du segment routier.
Selon une réalisation particulière, les prédictions réalisées par les modèles associés au segment routier sont combinées selon une approche conservatrice selon laquelle un niveau de risque est associé à une condition de surface susceptible d'être prédite, la prédiction consolidée étant définie par la prédiction associée au plus haut risque. Dans ce cas, le modèle de prédiction est un modèle de classification dans lequel chaque classe correspond à une condition de surface particulière, par exemple « sec », verglas », « neige » ou « pluie ». Dans une telle approche, si trois modèles associés à un segment particulier prédisent respectivement des conditions « sec », « sec » et « verglas », la prédiction consolidée correspondra à la prédiction associée au risque le plus élevé pour le véhicule, c'est-à-dire « verglas ».
Selon un mode particulier de réalisation, les prédictions réalisées par les modèles associés au segment routier sont combinées selon une approche majoritaire selon laquelle la prédiction consolidée est définie par la classe majoritairement prédite par les modèles associés au segment routier. Dans ce cas, le modèle de prédiction est un modèle de classification dans lequel chaque classe correspond à une condition de surface particulière, par exemple « sec », « verglas », « neige » ou « pluie ». Dans une telle approche, si trois modèles associés à un segment particulier prédisent respectivement des conditions « sec », « sec » et « verglas », la prédiction consolidée correspondra à la classe majoritairement prédite par la sélection de modèles associée au segment, c'est-à-dire « sec ». Dans une réalisation particulière, lorsqu'aucune classe majoritaire ne se dégage, par exemple en cas d'égalité, la prédiction consolidée est la prédiction correspondant au risque le plus important. Par exemple, si pour un segment auxquels deux modèles sont associés, le premier modèle prédit « verglas » et le deuxième modèle prédit « sec », la prédiction consolidée sera « verglas » car une telle condition de surface est liée à un risque plus important pour les véhicules en circulation. Selon un mode de réalisation particulier, la prédiction consolidée est définie par une moyenne des probabilités prédites par les modèles associés au segment routier. Dans un tel mode de réalisation, les modèles de prédiction sont adaptés pour prédire une probabilité d'occurrence pour différentes classes. Le serveur 100 calcule alors une probabilité moyenne à partir des probabilités d'occurrences prédites par les modèles sélectionnés.
Enfin, le serveur transmet au véhicule 102 la condition de surface consolidée lors d'une étape 209 en réponse à la requête reçue lors de l'étape 204.
Selon une réalisation particulière, les modèles sélectionnés pour un segment particulier sont inférés dès que l'inférence est rendue possible par l'obtention de nouvelles données météo et la prédiction consolidée est mémorisée en association avec le segment correspondant dans la base de données 106. Ainsi, le serveur dispose toujours, pour un segment particulier, des dernières conditions de surface pouvant être prédites pour le segment. Une telle disposition est avantageuse lorsqu'un grand nombre de véhicules circulent sur le segment car on évite d'inférer plusieurs fois les modèles avec des données identiques, et permet à un véhicule d'obtenir une prédiction avec une réactivité améliorée. A l'inverse, en inférant les modèles associés à un segment particulier « à la demande », c'est-à-dire à la réception d'une requête en provenance d'un véhicule, on optimise le temps de calcul pour les segments peu fréquentés.

Claims

REVENDICATIONS
1. Procédé de prédiction d'une condition météo de surface d'un segment routier particulier d'une zone géographique, le procédé comprenant les étapes suivantes :
On partitionne (200) la zone géographique en une pluralité de cellules météo,
On subdivise (201) la zone géographique en régions composées de cellules météo partageant des caractéristiques climatiques similaires,
Pour chaque région définie, on entraine (202) au moins un modèle de prédiction à partir de variables issues d'observations météo associées à des conditions de surface observées dans la région considérée,
On associe (203) à chaque segment routier du réseau au moins deux modèles de prédiction particuliers, dont un modèle entraîné pour la région à laquelle appartient le segment en question et un modèle générique, entraîné à partir d'observations obtenues pour un segment comparable de la zone géographique, sans considération d'une région climatique particulière, et
Lorsqu'une commande de prédiction d'une condition de surface est déclenchée pour un segment routier particulier :
On sélectionne (206) au moins les au moins deux modèles particuliers associés au segment considéré,
On infère (207) les modèles sélectionnés à partir de données météorologiques obtenues pour la localisation géographique du segment routier pour obtenir une pluralité de prédictions pour le segment, et
On combine (208) la pluralité de prédictions obtenues pour obtenir une condition de surface consolidée pour le segment.
2. Procédé selon la revendication 1 dans lequel la commande de prédiction d'une condition de surface pour un segment routier particulier est déclenchée par la réception (204), en provenance d'un véhicule, d'un message comprenant au moins une localisation géographique permettant d'identifier (205) un segment routier, le procédé comprenant en outre une étape de transmission au véhicule de la condition de surface consolidée. Procédé selon la revendication 1 dans lequel la commande de prédiction d'une condition de surface pour un segment routier particulier est déclenchée par l'obtention d'au moins une nouvelle donnée météo pour le segment, le procédé comprenant en outre une étape de mémorisation de la prédiction consolidée en association avec ledit segment routier. Procédé selon l'une quelconque des revendications précédentes dans lequel les prédictions réalisées par les modèles sélectionnés pour le segment routier sont combinées selon une approche conservatrice selon laquelle un niveau de risque est associé à une condition de surface susceptible d'être prédite, la prédiction consolidée étant définie par la prédiction associée au plus haut risque. Procédé selon l'une quelconque des revendications 1 à 3 dans lequel les prédictions réalisées par les modèles sélectionnés pour le segment routier sont combinées selon une approche majoritaire selon laquelle la prédiction consolidée est définie par la classe majoritairement prédite par les modèles associés au segment routier. Procédé selon l'une quelconque des revendications 1 à 3 dans lequel la prédiction consolidée est définie par une moyenne des probabilités prédites par les modèles sélectionnés pour le segment routier. Procédé selon l'une quelconque des revendications précédentes dans lequel les au moins deux modèles associés à un segment routier sont sélectionnés selon au moins un critère de similarité climatique. Procédé selon l'une quelconque des revendications précédentes dans lequel les au moins deux modèles associés à un segment routier sont sélectionnés de manière à minimiser l'écart entre une condition de surface consolidée et une condition de surface observée. Dispositif de prédiction d'une condition météo de surface d'un segment routier particulier d'une zone géographique, le dispositif comprenant un processeur et une mémoire dans laquelle sont enregistrées des instructions de programme adaptées pour mettre en œuvre les étapes suivantes, lorsqu'elles sont exécutées par le processeur :
On partitionne (200) la zone géographique en une pluralité de cellules météo,
On subdivise (201) la zone géographique en régions composées de cellules météo partageant des caractéristiques climatiques similaires,
Pour chaque région définie, on entraine (202) au moins un modèle de prédiction à partir de variables issues d'observations météo associées à des conditions de surface observées dans la région considérée,
On associe (203) à chaque segment routier du réseau au moins deux modèles de prédiction particuliers, dont un modèle entraîné pour la région à laquelle appartient le segment en question et un modèle générique, entraîné à partir d'observations obtenues pour un segment comparable de la zone géographique, sans considération d'une région climatique particulière,
Lorsqu'une commande de prédiction d'une condition de surface est déclenchée pour un segment routier particulier :
On sélectionne (206) au moins les au moins deux modèles particuliers associés au segment considéré,
On infère (207) les modèles sélectionnés à partir de données météorologiques obtenues pour la localisation géographique du segment routier pour obtenir une pluralité de prédictions pour le segment, et
On combine (208) la pluralité de prédictions obtenues pour obtenir une condition de surface consolidée pour le segment.
10. Serveur comprenant un dispositif selon la revendication 9.
EP22769592.1A 2021-09-13 2022-08-25 Procédé de prédiction d'une condition météo de surface d'un segment routier Pending EP4402666A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2109571A FR3127065B1 (fr) 2021-09-13 2021-09-13 Procédé de prédiction d’une condition météo de surface d’un segment routier
PCT/EP2022/073656 WO2023036621A1 (fr) 2021-09-13 2022-08-25 Procédé de prédiction d'une condition météo de surface d'un segment routier

Publications (1)

Publication Number Publication Date
EP4402666A1 true EP4402666A1 (fr) 2024-07-24

Family

ID=78049441

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22769592.1A Pending EP4402666A1 (fr) 2021-09-13 2022-08-25 Procédé de prédiction d'une condition météo de surface d'un segment routier

Country Status (4)

Country Link
US (1) US20250137804A1 (fr)
EP (1) EP4402666A1 (fr)
FR (1) FR3127065B1 (fr)
WO (1) WO2023036621A1 (fr)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0802098A1 (sv) * 2008-10-06 2010-04-07 Semcon Caran Ab Osymmetriska strukturer, metod för att behandla insamlad data för att extrahera vägstatusinformation
SI2757539T1 (sl) * 2013-01-22 2020-10-30 Klimator Ab Postopek in ureditev za zbiranje in obdelavo podatkov v zvezi s stanjem na cestah
US20140222321A1 (en) * 2013-02-06 2014-08-07 Iteris, Inc. Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data
EP3206411B1 (fr) * 2016-02-11 2020-10-07 Volvo Car Corporation Agencement et procédé permettant de prédire le frottement d'une route dans un réseau routier
US10837793B2 (en) * 2018-06-12 2020-11-17 Volvo Car Corporation System and method for utilizing aggregated weather data for road surface condition and road friction estimates
FR3106112B1 (fr) * 2020-01-13 2021-12-03 Continental Automotive Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier

Also Published As

Publication number Publication date
FR3127065B1 (fr) 2023-08-04
US20250137804A1 (en) 2025-05-01
WO2023036621A1 (fr) 2023-03-16
FR3127065A1 (fr) 2023-03-17

Similar Documents

Publication Publication Date Title
FR3113328A1 (fr) Procédé et dispositif de prédiction d’une condition météorologie sur un réseau routier
WO2021144158A1 (fr) Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier
US20080242315A1 (en) Traffic data collection utilizing a cellular communication network and probe units
EP3957104A1 (fr) Procédé de prédiction d'une modification des conditions d'attachement d'un terminal à un réseau cellulaire
EP3957028B1 (fr) Procédé de prédiction d'une qualité de signal et/ou de service et dispositif associé
WO2020016150A1 (fr) Procédé de localisation d'un véhicule
EP4402666A1 (fr) Procédé de prédiction d'une condition météo de surface d'un segment routier
WO2020201243A1 (fr) Procédé de mise à jour d'une carte routière à partir d'un réseau de contributeurs
EP1664833B1 (fr) Procede pour detecter la presence ou l'absence d'un terminal mobile sur un chemin
FR3115122A1 (fr) Procédé et dispositif de pré-conditionnement de véhicules avec prédiction améliorée du risque de givrage
FR3103305A1 (fr) Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier.
FR3106686A1 (fr) Procédé et dispositif de préchargement de données cartographiques
WO2023066710A1 (fr) Procédé de prédiction d'une condition de surface d'un segment routier
WO2022078729A1 (fr) Procede de selection d'informations a transmettre a un systeme embarque d'un vehicule et dispositif associe
FR3130431A1 (fr) Procédé de prédiction d’une condition de surface d’un segment routier
US20250347522A1 (en) Navigable custom routes
FR3140507A1 (fr) Détermination d’un itinéraire en fonction de la qualité de service d’un réseau de communication
FR3155294A1 (fr) Procédé et dispositif de détermination d’un itinéraire pour un véhicule électrique équipé de cellules photovoltaïques
FR3157320A1 (fr) Procédé et dispositif de contrôle d’un système de détermination d’une position d’un véhicule sur une route
FR3158288A1 (fr) Procédé et dispositif de contrôle d’accélération d’un véhicule électrique
FR3150336A1 (fr) Procédé de supervision des capacités de conduite autonome d’un ensemble de véhicules automobiles.
FR3039342A1 (fr) Procede et dispositif pour localiser des mobiles se deplacant en suivant une trajectoire predetermine
FR3164292A1 (fr) Procédé et dispositif de traitement pour le positionnement d’un objet sur une carte numérique cible embarquée dans un véhicule
FR2910957A1 (fr) Procede de navigation pour terminaux mobiles avec serveur centralise
FR3110751A1 (fr) Procédé d’estimation du trafic automobile

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: 20240415

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)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: AUMOVIO GERMANY GMBH