FR3129239A1

FR3129239A1 - Method for estimating the short-term evolution of a mobility network

Info

Publication number: FR3129239A1
Application number: FR2112090A
Authority: FR
Inventors: Ilia IAGUPOV; David MENEGAUX; Boris DEMAY
Original assignee: Phoenix Isi Ingenierie Des Systemes Dinformations; PHOENIX ISI INGENIERIE DES SYSTEMES D'INFORMATIONS
Current assignee: Phoenix Isi Ingenierie Des Systemes Dinformations; PHOENIX ISI INGENIERIE DES SYSTEMES D'INFORMATIONS
Priority date: 2021-11-16
Filing date: 2021-11-16
Publication date: 2023-05-19

Abstract

L’invention concerne un procédé d'estimation de l'évolution d’une donnée caractéristique sur un réseau de mobilité à partir de situations antérieures ; ledit procédé d'estimation comportant les étapes suivantes : - obtention d’au moins une variable explicative d’une situation observée ; - calcul d'une matrice de mensuration du profil d’évolution de ladite au moins une variable explicative de ladite situation observée ; - calcul de distances par mensuration entre ladite matrice de mensuration et un ensemble de matrices de mensuration de profils d’évolution de ladite au moins une variable explicative dans des antérieures ; et - détermination de ladite situation antérieure la plus proche pour laquelle ladite distance par mensuration est la plus faible ; chaque matrice de mensuration étant calculée sur l’ensemble des sommes de ladite variable explicative prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps. Figure pour abrégé : Fig 1 The invention relates to a method for estimating the evolution of a characteristic datum on a mobility network from previous situations; said estimation method comprising the following steps: - obtaining at least one explanatory variable of an observed situation; - calculation of a measurement matrix of the evolution profile of said at least one explanatory variable of said observed situation; - calculation of distances by measurement between said measurement matrix and a set of measurement matrices of evolution profiles of said at least one explanatory variable in priors; And - determination of said closest previous situation for which said distance by measurement is the lowest; each measurement matrix being calculated on all the sums of said explanatory variable taken one by one between the amplitudes of each value of the profile, for each time step. Figure for abstract: Fig 1

Description

Method for estimating the short-term evolution of a mobility network

L’invention concerne le domaine de la gestion d'un réseau de mobilité, tel qu'un réseau routier urbain ou un réseau autoroutier. Plus généralement, l’invention peut également être mise en œuvre pour anticiper la disponibilité de places de stationnement ou de vélos en libre-service dans un ensemble de stations d’une agglomération.The invention relates to the field of the management of a mobility network, such as an urban road network or a motorway network. More generally, the invention can also be implemented to anticipate the availability of parking spaces or self-service bicycles in a set of stations in an urban area.

L'invention vise plus particulièrement un procédé permettant d'estimer l'évolution d’une donnée caractéristique à court terme, c'est-à-dire pour une durée comprise entre quelques dizaines de minutes à quelques heures, par exemple pour prévoir l'évolution du trafic d'un réseau routier dans les deux prochaines heures.The invention relates more particularly to a method making it possible to estimate the evolution of a characteristic datum in the short term, that is to say for a period of between a few tens of minutes to a few hours, for example to predict the evolution of the traffic of a road network in the next two hours.

Art anterieurPrior art

La description qui suit présente l’art antérieur en référence à une estimation du trafic d’un réseau routier. Bien entendu, l’invention peut être mise en œuvre pour d’autres analyses d’un réseau de mobilité, tels que l’analyse de la disponibilité de places de parking, ou encore la disponibilité de trottinettes en libre-service.The following description presents the prior art with reference to estimating the traffic of a road network. Of course, the invention can be implemented for other analyzes of a mobility network, such as the analysis of the availability of parking spaces, or even the availability of self-service scooters.

Il existe plusieurs méthodes pour estimer l'évolution future du trafic sur un réseau routier en fonction de mesures antérieures.There are several methods to estimate the future evolution of traffic on a road network based on past measurements.

Une première méthode d'estimation « par simulation » met en œuvre des simulations de l'évolution du trafic en fonction de données antérieures et de données prévisionnelles.A first “simulation” estimation method implements traffic evolution simulations based on previous data and forecast data.

Par exemple, ce type de méthode par simulation est largement utilisée pour les applications de navigation, par exemple des applications de type GPS pour «global positioning system» dans la littérature anglo-saxonne.For example, this type of simulation method is widely used for navigation applications, for example applications of the GPS type for “ global positioning system ” in the Anglo-Saxon literature.

Dans ce type de méthode, les données antérieures correspondent typiquement à des données obtenues dans chaque véhicule équipé de l'application, c'est-à-dire des données de type FCD pour «floating car data» dans la littérature anglo-saxonne.In this type of method, the previous data typically correspond to data obtained in each vehicle equipped with the application, that is to say data of the FCD type for “ floating car data ” in the Anglo-Saxon literature.

Ces données antérieures sont également associées à des données prévisionnelles, par exemple les différents itinéraires renseignés dans les applications GPS et permettant d'anticiper la destination de chaque véhicule.This previous data is also associated with forecast data, for example the various routes entered in the GPS applications and making it possible to anticipate the destination of each vehicle.

À partir de la position et de la destination de l'ensemble des véhicules possédant l'application sur un réseau, il est possible d'anticiper l'évolution du réseau en simulant le comportement des différents conducteurs, par exemple en utilisant un modèle de déplacement des véhicules analogue à un modèle fluidique.From the position and destination of all the vehicles having the application on a network, it is possible to anticipate the evolution of the network by simulating the behavior of the different drivers, for example by using a movement model vehicles analogous to a fluidic model.

Une seconde méthode d'estimation « par expérience » est basée sur l'analyse de situations antérieures analogues. L’invention vise plus spécifiquement cette méthode d’estimation par expérience.A second method of estimation "by experience" is based on the analysis of similar previous situations. The invention relates more specifically to this method of estimation by experience.

Dans les méthodes d’estimation par expérience connues, un grand nombre de situations sont enregistrées et l’ensemble de ces situations enregistrées forment un historique des situations du réseau. En observant une situation courante, il est possible de rapprocher cette situation à la situation la plus proche de l’historique pour estimer l’évolution future du réseau en considérant que le réseau va probablement évoluer de manière analogue à l’évolution enregistrée après l’instant d’analyse dans la situation la plus proche de l’historique.In known estimation methods by experience, a large number of situations are recorded and all of these recorded situations form a history of network situations. By observing a current situation, it is possible to bring this situation closer to the situation closest to the history to estimate the future evolution of the network by considering that the network will probably evolve in a similar way to the evolution recorded after the moment of analysis in the situation closest to the history.

Dans ce type de méthode, il est nécessaire d’obtenir des indicateurs fiables et reproductibles de l’état du réseau. Pour ce faire, ce type de méthode utilise classiquement des données issues de boucles de comptage présentes au niveau de différents tronçons du réseau routier. Ces boucles de comptage permettent de mesurer périodiquement le débit, le taux d’occupation et/ou la vitesse des véhicules. Pour chaque jour de l’historique, il est donc possible de connaitre toutes les mesures réalisées. Par exemple, si une mesure de débit est réalisée toute les 6 minutes, chaque jour de l’historique comporte 240 mesures de débit horodatées.In this type of method, it is necessary to obtain reliable and reproducible indicators of the state of the network. To do this, this type of method conventionally uses data from counting loops present at different sections of the road network. These counting loops make it possible to periodically measure the flow, the occupancy rate and/or the speed of the vehicles. For each day of the history, it is therefore possible to know all the measurements taken. For example, if a flow measurement is taken every 6 minutes, each day in the history contains 240 time-stamped flow measurements.

Pour comparer une situation courante avec l’ensemble des situations de l’historique, il est connu de considérer les dernières mesures issues des boucles de comptage. Par exemple, si l’heure actuelle est 14h, il est possible de considérer l’ensemble des mesures entre 12h et 14h, soit 20 mesures, ou encore entre 0h et 14h, soit 140 mesures. Ces mesures sont ensuite comparées aux mesures présentant le même horodatage dans les situations de l’historique afin de détecter la situation de l’historique la plus proche de la situation courante.To compare a current situation with all the historical situations, it is known to consider the latest measurements from the counting loops. For example, if the current time is 2 p.m., it is possible to consider all the measurements between 12 p.m. and 2 p.m., i.e. 20 measurements, or between 0 a.m. and 2 p.m., i.e. 140 measurements. These measurements are then compared to measurements with the same timestamp in the historical situations in order to detect the historical situation closest to the current situation.

Plus précisément, l’équivalence est déterminée à tranche horairehfixée, telle que :More precisely, the equivalence is determined at a fixed time slot h , such that:

L’identification de l’équivalence consiste à minimiser la distance entre une situation de l’historiqueS _h et la situation observéeS _o . La sélection des situations candidates à l’équivalence nécessite que le calcul soit reproduit systématiquement entre la situation observéeS _o et chacune des situations de l’historiqueS _i , à la même tranche horaire, telles queiappartient à l’intervalle [1 ;n] avecnétant le nombre de situations de l’historique à comparer.The identification of equivalence consists in minimizing the distance between a historical situation S _h and the observed situation S _o . The selection of candidate situations for equivalence requires that the calculation be systematically reproduced between the observed situation S _o and each of the historical situations S _i , at the same time slot, such that i belongs to the interval [1; n ] with n being the number of historical situations to compare.

De l’ensemble de ces calculs résulte un ensemble de distancesDtel que :From all of these calculations results a set of distances D such that:

Par exemple, le cumul des distances sur chaque tranche horaire de la période explicative est effectué sur les valeurs centrées-réduites des mesures, afin de faire abstraction du contexte des jours comparés, ainsi que de la nature des variables explicatives du trafic utilisées dans le calcul des distances.For example, the accumulation of the distances over each time slot of the explanatory period is carried out on the centered-reduced values of the measurements, in order to disregard the context of the days compared, as well as the nature of the explanatory variables of the traffic used in the calculation. distances.

Pour une valeur du débitq _h à la tranche horairehappartenant à l’intervalle [h _o -T _e ;h _o ], avecT _e correspondant à la durée des mesures comparées, la valeur centrée-réduiteσ _qh correspondante est :For a value of the flow rate q _h at the time slot h belonging to the interval [ h _o - T _e ; h _o ], with T _e corresponding to the duration of the compared measurements, the corresponding centered-reduced value σ _qh is:

Dans cette relation,mest la moyenne arithmétique etσest l’écart-type des valeurs du débit prises dans tout l’historique, jusqu’à la dernière mesure observée. Le calcul de la distance cumulée revient géométriquement à calculer la différence d’aire entre deux courbes des valeurs centrées-réduites de la situation observée et de la situation de l’historique comparée.In this relation, m is the arithmetic mean and σ is the standard deviation of the values of the flow taken in all the history, until the last measurement observed. Calculating the cumulative distance geometrically amounts to calculating the difference in area between two curves of the centered-reduced values of the observed situation and of the compared historical situation.

L’unité de temps étant discrétisée, le calcul de la distance revient à additionner la valeur absolue des différences entre les valeurs des deux courbes.The unit of time being discretized, the calculation of the distance amounts to adding the absolute value of the differences between the values of the two curves.

Enfin, la distance cumulée est ramenée à l’unité de temps en divisant le résultat par le nombre de pas de temps de la période de calcul. La distance cumulée de débit peut donc s’écrire selon l’équation suivante :Finally, the cumulative distance is reduced to the unit of time by dividing the result by the number of time steps of the calculation period. The cumulative flow distance can therefore be written according to the following equation:

En recherchant le minimum de cette équation sur l’ensemble des situations de l’historiqueS _h , il est possible de détecter une situation proche de la situation observéeS _o . En outre, il est également possible de réaliser cette analyse en considérant plusieurs mesures distinctes issues des boucles de comptage ou même en recherchant l’évolution d’une demande au cours du temps.By searching for the minimum of this equation over all the situations in the history S _h , it is possible to detect a situation close to the observed situation S _o . In addition, it is also possible to carry out this analysis by considering several distinct measurements resulting from the counting loops or even by looking for the evolution of a demand over time.

Cependant, cette méthode de comparaison point à point n’est pas toujours efficace car elle risque de converger vers des situations de l’historique qui ne sont pas représentatives de l’évolution récente du réseau. Par exemple, en considérant une duréeT _e des mesures comparées de 12h, si une situation de l’historique est très proche de la situation observée sur les 11 premières heures, elle risque fort d’être détectée comme la situation la plus proche même si les divergences sont importantes dans la dernière heure.However, this point-to-point comparison method is not always effective because it risks converging on historical situations that are not representative of the recent evolution of the network. For example, considering a duration T _e of the compared measurements of 12h, if a situation in the history is very close to the situation observed over the first 11 hours, it is very likely to be detected as the closest situation even if the divergences are important in the last hour.

Pour remédier à ce problème, le brevet FR 2 968 110 de la présente demanderesse propose une méthode améliorée utilisant une comparaison de matrices de « mensuration ».To remedy this problem, patent FR 2 968 110 of the present applicant proposes an improved method using a comparison of “mensuration” matrices.

Au sens de l’invention, une matrice de « mensuration » est une matrice calculée pour représenter l’évolution du profil d’une variable explicative d’un réseau routier, telle que le débit, le taux d’occupation, la vitesse des véhicules et/ou la demande estimée.Within the meaning of the invention, a "mensuration" matrix is a matrix calculated to represent the evolution of the profile of an explanatory variable of a road network, such as the flow rate, the occupancy rate, the speed of vehicles and/or estimated demand.

En effet, en considérant que chaque mesure présente une valeur, par exemple une valeur de débitq _i , et un horodatageh _i , le brevet FR 2 968 110 propose de construire une matrice de mensuration construite sur l’ensemble des différences prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps.Indeed, considering that each measurement has a value, for example a flow rate value q _i , and a timestamp h _i , patent FR 2 968 110 proposes to build a measurement matrix built on all the differences taken one by one. one between the amplitudes of each value of the profile, for each time step.

Pour un exemple volontairement simpliste, un profil peut être constitué par trois valeurs (q ₁ ,h ₁ ), (q ₂ ,h ₂ ) et (q ₃ ,h ₃ ).For a deliberately simplistic example, a profile can be made up of three values ( q ₁ , h ₁ ), ( q ₂ , h ₂ ) and ( q ₃ , h ₃ ).

La matrice de mensurationMse représente de la manière suivante :The measurement matrix M is represented as follows:

Les éléments sur la diagonale de la matrice valent tous 0, si bien que la matrice équivalenteM’peut s’écrire :The elements on the diagonal of the matrix are all 0, so that the equivalent matrix M' can be written:

De plus, la matrice étant symétrique, la matrice triangulaire inférieure suffit à représenter le profil d’une courbe de trafic. Conserver les deux parties symétriques reviendrait à doubler les calculs sans altérer les comportements observés et il est donc possible d’utiliser la matrice simplifiéeM’’suivante :Moreover, the matrix being symmetric, the lower triangular matrix is sufficient to represent the profile of a traffic curve. Keeping the two parts symmetrical would amount to doubling the calculations without altering the behaviors observed and it is therefore possible to use the following simplified matrix M'' :

Plus généralement, la matrice de mensurationM _q des débits observésqvérifie les relations suivantes :More generally, the measurement matrix M _q of the observed flows q verifies the following relationships:

La matrice de mensurationM _q des débits observésqest telle que :The measurement matrix M _q of the observed flows q is such that:

En calculant la distance entre cette matrice de mensuration sur la situation observée et la matrice de mensuration calculée sur les situations de l’historique, il est possible de détecter la situation de l’historique la plus proche du profil de la situation observée. Cette distance est appelée distance par mensuration.By calculating the distance between this measurement matrix on the observed situation and the measurement matrix calculated on the historical situations, it is possible to detect the historical situation closest to the profile of the observed situation. This distance is called distance per measurement.

Plus précisément, la matrice de mensurationM _c des débits comparésq’vérifie les relations suivantes :More precisely, the measurement matrix M _c of the compared flows q' verifies the following relations:

La matrice de mensurationM _c des débits comparésq’est telle que :The measurement matrix M _c of the compared flows q' is such that:

Les différences calculées correspondent aux écarts entre les points d’une courbe pris deux à deux ; ce sont les mensurations de la courbe, qui donnent son nom à la méthode de calcul de la distance.The calculated differences correspond to the differences between the points of a curve taken two by two; these are the measurements of the curve, which give its name to the method of calculating the distance.

Cette matrice de mensurationMcpermet d’obtenir la moyenne arithmétiquem _q des écarts entre les mensurations calculées, c’est-à-dire la somme des écarts de mensuration divisé par le nombre de pas de temps de la période explicative selon l’expression suivante :This measurement matrix Mc makes it possible to obtain the arithmetic mean m _q of the differences between the calculated measurements, that is to say the sum of the measurement differences divided by the number of time steps of the explanatory period according to the expression next :

La distance par mensuration sur le débit est finalement le produit de la moyenne des écarts de mensurationm _q par l’écart de profilψ _q entre la situation observée et la situation comparée. Ce produit est réduit par l’écart-typeσ _q des valeurs du débit prises dans tout l’historique jusqu’à la dernière mesure observée.The distance by flow measurement is finally the product of the average of the measurement deviations m _q by the profile deviation ψ _q between the observed situation and the compared situation. This product is reduced by the standard deviation σ _q of the values of the flow taken throughout the history up to the last measurement observed.

La distance par mensuration sur le débit s’exprime donc :The distance by measurement on the flow is therefore expressed:

La sélection de la meilleure équivalence consiste à sélectionner la situation pour laquelle la distance par mensuration obtenue a été la plus faible. La prévision est construite à partir des mesures du jourJ _e de l’historique qui présente la situation ayant la meilleure équivalence avec la situation observée.The selection of the best equivalence consists in selecting the situation for which the distance per measurement obtained was the lowest. The forecast is constructed from the measurements of day D of the history which presents the situation having the best equivalence with the observed _situation .

Derrière la complexité de cette méthode, se trouve la matrice de mensuration construite sur l’ensemble des différences de la variable explicative prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps.Behind the complexity of this method lies the measurement matrix built on all the differences of the explanatory variable taken one by one between the amplitudes of each value of the profile, for each time step.

Cependant, bien que cette méthode soit une des plus fiables du marché, dans des cas très rares, cette méthode risque encore de converger vers des situations antérieures qui ne sont pas représentatives. Ainsi, l'estimation de l'évolution du trafic peut être faussée si la convergence vers la situation antérieure n'est pas représentative.However, although this method is one of the most reliable on the market, in very rare cases, this method still risks converging on previous situations that are not representative. Thus, the estimation of the evolution of the traffic can be distorted if the convergence towards the previous situation is not representative.

Une méthode similaire peut être mise en œuvre pour anticiper l’évolution d’autre données caractéristiques d’un réseau de mobilité, par exemple pour anticiper la disponibilité de places de stationnement ou de vélos en libre-service dans un ensemble de stations d’une agglomération.A similar method can be implemented to anticipate the evolution of other characteristic data of a mobility network, for example to anticipate the availability of parking spaces or self-service bicycles in a set of stations of a agglomeration.

Le problème technique de l'invention est donc d'améliorer la convergence du procédé d'estimation de l'évolution d’une donnée caractéristique, telle que le trafic, sur un réseau de mobilité vers une situation antérieure plus représentative.The technical problem of the invention is therefore to improve the convergence of the method for estimating the evolution of a characteristic datum, such as traffic, on a mobility network towards a more representative previous situation.

Pour répondre à ce problème technique, l’invention propose de modifier la matrice de mensuration en construisant cette matrice de mensuration sur l’ensemble des sommes de la variable explicative prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps.To respond to this technical problem, the invention proposes to modify the measurement matrix by constructing this measurement matrix on all the sums of the explanatory variable taken one by one between the amplitudes of each value of the profile, for each step of time.

En effet, l’invention est issue d’une observation selon laquelle la construction de la matrice de mensuration sur l’ensemble des différences prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps, ne prend pas en compte certaines valeurs et n’est pas assez robuste concernant les disparités d’amplitude des mesures.Indeed, the invention stems from an observation according to which the construction of the measurement matrix on all the differences taken one by one between the amplitudes of each value of the profile, for each time step, does not take into counts certain values and is not robust enough regarding the amplitude disparities of the measurements.

En ce qui concerne les valeurs non prises en compte, il est possible de reprendre l’exemple de l’état de la technique avec la matrice simplifiéeM’’suivante :With regard to the values not taken into account, it is possible to take the example of the state of the art with the following simplified matrix M'' :

En faisant la somme de tous les éléments de cette matrice simplifiéeM’’tel que réalisé dans le calcul de la distance par mensuration, le résultat de cette somme est le suivant :By making the sum of all the elements of this simplified matrix M'' as carried out in the calculation of the distance by mensuration, the result of this sum is the following:

Ainsi, dans la somme de tous ces éléments de cette matrice simplifiéeM’’, le résultat ne dépend pas de la valeur deq ₂ et le calcul de la distance par mensuration ne prend pas en considération cette valeur. En appliquant le même raisonnement sur un profil ayant plus de points, il existe davantage de valeurs du profil non prises en compte.Thus, in the sum of all these elements of this simplified matrix M'' , the result does not depend on the value of q ₂ and the calculation of the distance by measurement does not take this value into consideration. By applying the same reasoning on a profile with more points, there are more values of the profile not taken into account.

En ce qui concerne le manque de robustesse concernant les disparités d’amplitude, il a été observé que la distance par mensuration utilisée dans l’état de la technique est performante pour détecter des profils similaires, mais peu utile pour détecter les différences d’amplitude.Regarding the lack of robustness regarding amplitude disparities, it has been observed that the distance by mensuration used in the state of the art is efficient for detecting similar profiles, but not very useful for detecting amplitude differences. .

Pour un exemple très simplifié, il est possible de considérer trois profils A, B et C avec les valeurs suivantes : A=[1,1 ;2,2 ;1,3] ; B=[2,1 ; 3,2 ; 2,3] et C=[6,1 ;7,2 ;6,3]. Selon cet exemple, au premier instant d’horodatage 1, la situation du profil A a mesuré la valeur de 1 alors que la situation du profil B a mesuré la valeur de 2 et la situation du profil C a mesuré la valeur de 6. Au second instant d’horodatage 2, la situation du profil A a mesuré la valeur de 2 alors que la situation du profil B a mesuré la valeur de 3 et la situation du profil C a mesuré la valeur de 7. Au dernier instant d’horodatage 3, la situation du profil A a mesuré la valeur de 1 alors que la situation du profil B a mesuré la valeur de 2 et la situation du profil C a mesuré la valeur de 6.For a very simplified example, it is possible to consider three profiles A, B and C with the following values: A=[1,1;2,2;1,3]; B=[2,1; 3.2; 2.3] and C=[6.1;7.2;6.3]. According to this example, at the first instant of timestamp 1, the situation of profile A measured the value of 1 while the situation of profile B measured the value of 2 and the situation of profile C measured the value of 6. second timestamp instant 2, profile A situation measured the value of 2 while profile B situation measured the value of 3 and profile C situation measured the value of 7. At the last timestamp instant 3, Profile A situation measured the value of 1 while Profile B situation measured the value of 2 and Profile C situation measured the value of 6.

Les matrices de mensuration simplifiéeM’’de ces trois profils, calculées selon la méthode de l’état de la technique, sont respectivement :The simplified measurement matrices M'' of these three profiles, calculated according to the method of the state of the art, are respectively:

Autrement dit, les mensurations de ces trois profils sont identiques et cela traduit la similarité de forme tandis que les variations d’amplitude ne sont plus représentées dans ces matrices de mensuration.In other words, the measurements of these three profiles are identical and this reflects the similarity of shape while the variations in amplitude are no longer represented in these measurement matrices.

Or, dans l’analyse d’une donnée caractéristique d’un réseau de mobilité, des profils d’amplitudes différents, même avec des formes similaires, peuvent traduire de situations très différentes. Par exemple, A et B représentent un faible trafic, tandis que C représente un trafic élevé. Le risque de rapprocher une situation proche de A à la situation C est non négligeable, ce qui amènerait à un non-sens dans la prévision.However, in the analysis of data characteristic of a mobility network, different amplitude profiles, even with similar shapes, can reflect very different situations. For example, A and B represent low traffic, while C represents high traffic. The risk of bringing a situation close to A closer to situation C is not negligible, which would lead to nonsense in the forecast.

Pour résoudre ce problème technique, l’invention propose d’appliquer une opération d’addition au lieu de la soustraction dans la matrice de mensuration d’un profil. Avec cette solution technique, non seulement la caractérisation de la forme des profils n’est pas altérée, mais en plus l’amplitude des profils est prise en compte.To solve this technical problem, the invention proposes to apply an operation of addition instead of subtraction in the measurement matrix of a profile. With this technical solution, not only the characterization of the shape of the profiles is not altered, but in addition the amplitude of the profiles is taken into account.

La matrice de mensurationMd’un profil de l’état de la technique, pour l’exemple du débit, est décrite ci-après :The measurement matrix M of a state-of-the-art profile, for the flow rate example, is described below:

Cette matrice de mensurationMd’un profil est désormais calculée, selon l’invention, avec la formule ci-après pour le même exemple du débit :This measurement matrix M of a profile is now calculated, according to the invention, with the formula below for the same example of the flow:

Selon une autre représentation, la matrice de mensurationMd’un profil de l’invention peut être formulée de la manière suivante :According to another representation, the measurement matrix M of a profile of the invention can be formulated as follows:

En appliquant le même principe de simplification que pour l’état de la technique, la matrice étant symétrique, il est possible de ne conserver que la matrice triangulaire inférieure pour obtenir la matrice équivalenteM’de mensuration du profil :By applying the same principle of simplification as for the state of the art, the matrix being symmetrical, it is possible to keep only the lower triangular matrix to obtain the equivalent matrix M' of measurement of the profile:

La matrice de mensuration simplifiéeM ’’d’un profil de l’invention peut être formulée de la manière suivante :The simplified measurement matrix M '' of a profile of the invention can be formulated as follows:

Appliqué à l’exemple des trois morceaux de profils précédents, les matrices de mensuration simplifiéeM’’de ces trois profils deviennent :Applied to the example of the three sections of previous profiles, the simplified measurement matrices M'' of these three profiles become:

Ces trois matrices présentent les mêmes motifs de valeurs, mais à des amplitudes de valeurs différentes. Ainsi, le risque de rapprocher une situation proche de A à la situation C est beaucoup plus faible. Expérimentalement, une amélioration de la prévision a été constatée en utilisant cette nouvelle définition de la matrice de mensuration.These three matrices exhibit the same value patterns, but at different value amplitudes. Thus, the risk of bringing a situation close to A closer to situation C is much lower. Experimentally, an improvement in forecasting has been observed using this new definition of the measurement matrix.

Par ailleurs, il est à noter que la matrice de mensuration de l’invention, construite sur l’ensemble des sommes d’au moins une variable explicative, comporte plus de termes à calculer que la précédente matrice de mensuration, construite sur l’ensemble des différences de la variable explicative. En effet, dans l’exemple précédent, les termes de la diagonale de la matrice pouvaient précédemment être supprimés lors de la simplification. Ainsi, bien que la matrice de mensuration de l’invention soit plus performante, elle requiert un temps de calcul plus long.Furthermore, it should be noted that the mensuration matrix of the invention, built on the set of sums of at least one explanatory variable, comprises more terms to be calculated than the previous mensuration matrix, built on the set differences in the explanatory variable. Indeed, in the previous example, the terms of the diagonal of the matrix could previously be deleted during the simplification. Thus, although the measurement matrix of the invention is more efficient, it requires a longer calculation time.

En outre, la démarche naturelle d’un mathématicien pour estimer l’évolution entre plusieurs valeurs consiste classiquement à calculer la différence entre ces valeurs. Au contraire, l’invention propose de calculer une somme de ces valeurs.In addition, the natural approach of a mathematician to estimate the evolution between several values is classically to calculate the difference between these values. On the contrary, the invention proposes to calculate a sum of these values.

Pour toutes ces raisons, il était particulièrement contre-intuitif de transformer la matrice de mensuration de l’état de la technique, construite sur l’ensemble des différences de la variable explicative, par la matrice de mensuration de l’invention, construite sur l’ensemble des sommes de la variable explicative.For all these reasons, it was particularly counter-intuitive to transform the measurement matrix of the state of the art, constructed on the set of differences of the explanatory variable, by the measurement matrix of the invention, constructed on the set of sums of the explanatory variable.

Ainsi, l’invention concerne un procédé d'estimation de l'évolution d’une donnée caractéristique sur un réseau de mobilité à partir de situations antérieures, chaque situation antérieure étant associée à un ensemble de valeurs horodatées d’au moins une variable explicative ; ledit procédé d'estimation comportant les étapes suivantes :
- obtention d’au moins une variable explicative d’une situation observée ;
- calcul d'une matrice de mensuration du profil d’évolution de ladite au moins une variable explicative de ladite situation observée ;
- calcul de distances par mensuration entre ladite matrice de mensuration du profil d’évolution de ladite au moins une variable explicative de ladite situation observée et un ensemble de matrices de mensuration de profils d’évolution de ladite au moins une variable explicative dans des antérieures ; et
- détermination de ladite situation antérieure la plus proche pour laquelle ladite distance par mensuration est la plus faible ;
- estimation de l'évolution de ladite donnée caractéristique en fonction de l’évolution de ladite au moins une variable explicative de ladite situation antérieure la plus proche après l’instant d’analyse.Thus, the invention relates to a method for estimating the evolution of a characteristic datum on a mobility network from previous situations, each previous situation being associated with a set of timestamped values of at least one explanatory variable; said estimation method comprising the following steps:
- obtaining at least one explanatory variable of an observed situation;
- calculation of a measurement matrix of the evolution profile of said at least one explanatory variable of said observed situation;
- calculation of distances by measurement between said measurement matrix of the profile of evolution of said at least one explanatory variable of said observed situation and a set of matrices of measurement of profiles of evolution of said at least one explanatory variable in previous cases; And
- determination of said closest previous situation for which said distance by measurement is the lowest;
- estimation of the evolution of said characteristic datum as a function of the evolution of said at least one explanatory variable of said closest prior situation after the instant of analysis.

L’invention se caractérise en ce que chaque matrice de mensuration est calculée sur l’ensemble des sommes de ladite variable explicative prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps.The invention is characterized in that each measurement matrix is calculated on all the sums of said explanatory variable taken one by one between the amplitudes of each value of the profile, for each time step.

Tel que décrit précédemment, l’invention permet d’obtenir une convergence vers une situation antérieure en prenant en compte l’ensemble des valeurs de la situation antérieure et en considérant à la fois les variations de forme et d’amplitude.As described above, the invention makes it possible to obtain convergence towards a previous situation by taking into account all the values of the previous situation and by considering both the variations in shape and amplitude.

Ainsi, l’invention permet de converger vers une situation antérieure qui peut être plus fiable et l’estimation de l'évolution de la donnée caractéristique, telle que le trafic, est globalement plus précise.Thus, the invention makes it possible to converge on a previous situation which may be more reliable and the estimation of the evolution of the characteristic datum, such as the traffic, is globally more precise.

Selon un mode de réalisation, une étape de pré-échantillonnage des situations antérieures est mise en œuvre avant de calculer les distances par mensuration en utilisant une distance cumulative entre l’évolution de ladite au moins une variable explicative de ladite situation observée et les évolutions de ladite au moins une variable explicative dans l’ensemble des situations antérieures.According to one embodiment, a step of pre-sampling of previous situations is implemented before calculating the distances by measurement using a cumulative distance between the evolution of said at least one explanatory variable of said observed situation and the evolutions of said at least one explanatory variable in the set of prior situations.

Ce mode de réalisation permet de limiter le temps de calcul nécessaire pour calculer les distances par mensuration car l’ensemble de matrices de mensuration considéré pour les situations antérieures est plus limité que le nombre de situations antérieures existantes.This embodiment makes it possible to limit the calculation time necessary to calculate the distances by measurement because the set of measurement matrices considered for the previous situations is more limited than the number of existing previous situations.

De préférence, l'estimation de l'évolution de la donnée caractéristique est réalisée en considérant plusieurs variables explicatives distinctes, l’étape de détermination de ladite situation antérieure la plus proche étant réalisée en calculant le minimum de la somme des distances par mensuration calculées pour lesdites différentes variables explicatives.Preferably, the estimation of the evolution of the characteristic datum is carried out by considering several distinct explanatory variables, the step of determining said closest previous situation being carried out by calculating the minimum of the sum of the distances per measurement calculated for said different explanatory variables.

En considérant plusieurs variables explicatives, il est possible d’obtenir une prévision fiable, même en cas de divergence d’un capteur. Ces variables explicatives peuvent correspondre à des données mesurées par des boucles de comptages, telles que le débit, le taux d’occupation, et/ou la vitesse des véhicules. En outre, une variable explicative peut également être obtenue par détermination de la prévision de la demande.By considering several explanatory variables, it is possible to obtain a reliable forecast, even in the event of divergence of a sensor. These explanatory variables can correspond to data measured by counting loops, such as throughput, occupancy rate, and/or vehicle speed. In addition, an explanatory variable can also be obtained by determining the demand forecast.

Ainsi, selon un mode de réalisation, une des variables explicatives représente une demande nominale déterminée en fonction du type de jour de l’estimation, chaque type de jour des situations antérieures étant associé à une estimation de ladite demande nominale en fonction d’une moyenne d’une variable explicative mesurée pour chaque incrément de temps.Thus, according to one embodiment, one of the explanatory variables represents a nominal demand determined according to the type of day of the estimate, each type of day of the previous situations being associated with an estimate of said nominal demand according to an average of an explanatory variable measured for each time increment.

Ce mode de réalisation permet de prendre en considération le type de jour pour rechercher des situations antérieures avec une demande proche de la demande attendue sur le réseau.This embodiment makes it possible to take the type of day into consideration in order to search for previous situations with a demand close to the demand expected on the network.

De préférence, ladite demande nominale est recalée sur l’évolution observée de ladite variable explicative utilisée pour déterminer ladite demande nominale. Ce recalage permet de prendre en compte à la fois la tendance d’évolution du réseau pour le type de jour observé mais également l’amplitude spécifique du jour observé.Preferably, said nominal demand is readjusted on the observed evolution of said explanatory variable used to determine said nominal demand. This adjustment makes it possible to take into account both the network evolution trend for the type of day observed but also the specific amplitude of the day observed.

De préférence, le recalage est réalisé par moyenne ou par médiane entre ladite évolution observée et l’évolution attendue de ladite variable explicative utilisée pour déterminer ladite demande nominale.Preferably, the readjustment is carried out by means or by median between said observed evolution and the expected evolution of said explanatory variable used to determine said nominal demand.

Ces deux types de recalage peuvent être pertinents dans un ou plusieurs cas. De préférence, pour déterminer le recalage à réaliser, une étape de détermination du recalage à réaliser est mise en œuvre en calculant un minimum de divergence d’une distance cumulative entre un recalage par moyenne et un recalage par médiane.These two types of registration may be relevant in one or more cases. Preferably, to determine the readjustment to be carried out, a step for determining the readjustment to be carried out is implemented by calculating a minimum divergence of a cumulative distance between a readjustment by mean and a readjustment by median.

Selon un mode de réalisation, la variable explicative utilisée pour déterminer la demande nominale correspond au débit. Cette variable explicative a été identifiée comme une variable particulièrement fiable pour déterminer la demande nominale.According to one embodiment, the explanatory variable used to determine the nominal demand corresponds to the bit rate. This explanatory variable has been identified as a particularly reliable variable for determining nominal demand.

Selon un mode de réalisation, l'estimation de l'évolution de la donnée caractéristique est réalisée en considérant quatre variables explicatives : le débit, le taux d’occupation, la vitesse des véhicules et la demande nominale. L’association de ces quatre variables explicatives est particulièrement efficace pour obtenir une estimation efficace de l’évolution du trafic d’un réseau routier.According to one embodiment, the estimation of the evolution of the characteristic datum is carried out by considering four explanatory variables: the flow, the occupancy rate, the speed of the vehicles and the nominal demand. The combination of these four explanatory variables is particularly effective in obtaining an effective estimate of the evolution of traffic in a road network.

Selon un mode de réalisation, le débit, le taux d’occupation et la vitesse des véhicules sont captés par des boucles de comptage.According to one embodiment, the throughput, the occupancy rate and the speed of the vehicles are sensed by counting loops.

Description sommaire des figuresBrief description of the figures

La manière de réaliser l’invention ainsi que les avantages qui en découlent, ressortiront bien des modes de réalisation qui suivent, donnés à titre indicatif mais non limitatif, à l’appui des figures dans lesquelles :The manner of carrying out the invention as well as the advantages which result from it, will clearly emerge from the embodiments which follow, given by way of indication but not limitation, in support of the figures in which:

la illustre des représentations temporelles des variables explicatives et des prévisions obtenues selon un mode de réalisation de l’invention ; there illustrates temporal representations of the explanatory variables and of the forecasts obtained according to an embodiment of the invention;

la illustre un ordinogramme général d’un mode de réalisation de l’invention ; there illustrates a general flowchart of one embodiment of the invention;

la illustre un ordinogramme particulier de l’étape de préparation des données mesurées dans l’ordinogramme de la ; there illustrates a particular flowchart of the measured data preparation step in the flowchart of the ;

la illustre des représentations temporelles d’une première étape de lissage des données mesurées de la ; there illustrates temporal representations of a first step of smoothing the measured data of the ;

la illustre des représentations temporelles d’une seconde étape de lissage des données mesurées de la ; there illustrates temporal representations of a second step of smoothing the measured data of the ;

la illustre un ordinogramme particulier de l’étape de prévision de la demande dans l’ordinogramme de la ; there illustrates a particular flowchart of the demand forecasting step in the flowchart of the ;

la illustre un ordinogramme particulier de l’étape de recalage de la demande nominale dans l’ordinogramme de la ; there illustrates a specific flowchart of the nominal demand readjustment step in the flowchart of the ;

la illustre une étape d’étalonnage des profils de demande nominale par type de jour dans l’ordinogramme de la ; et there illustrates a step for calibrating the nominal demand profiles by type of day in the flowchart of the ; And

la illustre un ordinogramme particulier de l’étape d’identification de la situation équivalente dans l’ordinogramme de la . there illustrates a particular flowchart of the step of identifying the equivalent situation in the flowchart of the .

Manière de décrire l’inventionManner of describing the invention

La description qui suit présente l’invention en référence à un réseau de mobilité particulier : un réseau routier. Dans ce réseau routier, la donnée caractéristique dont l’évolution est recherchée correspond au trafic. En variante, l’invention peut être mise en œuvre pour anticiper la disponibilité de places de stationnement ou de vélos en libre-service dans un ensemble de stations d’une agglomération.The following description presents the invention with reference to a particular mobility network: a road network. In this road network, the characteristic datum whose evolution is sought corresponds to the traffic. As a variant, the invention can be implemented to anticipate the availability of parking spaces or self-service bicycles in a set of stations in an urban area.

Au sens de l’invention, le trafic routier désigne l’état de circulation des véhicules sur les voies d’un réseau routier. Cet état évolue en fonction de plusieurs variables, dont les principales sont le temps et l’espace. L’évolution du trafic routier alterne des phases d’équilibre et de déséquilibre.Within the meaning of the invention, road traffic designates the state of circulation of vehicles on the lanes of a road network. This state evolves according to several variables, the main ones being time and space. The evolution of road traffic alternates phases of equilibrium and imbalance.

Le réseau routier est constitué par le maillage de voiries permettant le transit des flux de véhicules. Les flux de véhicules organisent le réseau en axes structurants.The road network is made up of a network of roads allowing the transit of vehicle flows. Vehicle flows organize the network into structuring axes.

En tout point du réseau, il est possible d’identifier une capacité maximale de transit, qui peut elle-même évoluer en fonction de plusieurs variables événementielles. Plus précisément, la capacité maximale de transit d’une route est tout d’abord définie en fonction de paramètres structurels (tels que le nombre de voies, la largeur et le type de voies par exemple) et physiques (tels que la pente de la route, et sa courbure par exemple). Ensuite, des variables événementielles peuvent temporairement (accident ou véhicule garé en double file) ou durablement (travaux de longue durée par exemple) impacter la capacité maximale de transit. En considérant la capacité maximale de transit et les variables événementielles pour chaque route, il est possible de connaitre l’offre nominale de trafic sur un réseau routier.At any point in the network, it is possible to identify a maximum transit capacity, which can itself evolve according to several event variables. More precisely, the maximum transit capacity of a road is first of all defined according to structural parameters (such as the number of lanes, the width and the type of lanes for example) and physical parameters (such as the slope of the road, and its curvature for example). Then, event variables can temporarily (accident or vehicle parked in double line) or permanently (long works for example) impact the maximum transit capacity. By considering the maximum transit capacity and the event variables for each road, it is possible to know the nominal supply of traffic on a road network.

La capacité maximale de transit peut être déterminée ou estimée théoriquement par les paramètres structurels et physiques. Cependant, l’offre de trafic n’est identifiable que lorsque la dynamique du trafic atteint ces limites, c’est-à-dire qu’une augmentation de la concentration de véhicules provoque une diminution du flux de véhicules. Plus communément, l’offre est identifiée en situation de congestion. L’offre est à la fois matérialisée par les caractéristiques de construction de la voirie et de son état, conditionnée par les facteurs perturbants la conduite des usages.The maximum transit capacity can be determined or estimated theoretically by structural and physical parameters. However, the traffic supply is only identifiable when the traffic dynamics reach these limits, i.e. an increase in the concentration of vehicles causes a decrease in the flow of vehicles. More commonly, supply is identified in a situation of congestion. The offer is materialized both by the construction characteristics of the road and its condition, conditioned by the factors disturbing the conduct of uses.

L’offre est dite nominale lorsqu’elle est la plus fréquemment mesurée, à contexte fixé. L’offre nominale peut être déclinée par contexte. Il s’agit alors de l’offre nominale du contexte correspondant. Toute variation inattendue du contexte influençant l’offre invalide le caractère nominal de celle-ci.The supply is said to be nominal when it is most frequently measured, in a fixed context. The nominal offer can be broken down by context. This is then the nominal supply of the corresponding context. Any unexpected variation in the context influencing the offer invalidates the nominal nature of the latter.

Avec la méthode d'estimation « par expérience », les véhicules sont considérés d’un point de vue macroscopique. Il n’est donc pas fait de distinction de caractéristique physique ou dynamique des véhicules. De même, le comportement des usagers n’est pas différencié d’un véhicule à l’autre, il peut néanmoins évoluer dans le temps et l’espace.With the "by experience" estimation method, vehicles are considered from a macroscopic point of view. No distinction is therefore made between the physical or dynamic characteristics of the vehicles. Similarly, the behavior of users is not differentiated from one vehicle to another, it can nevertheless evolve in time and space.

L’ensemble des véhicules constitue la demande nominale de trafic. La demande de trafic est identifiable lorsque le trafic n’est pas encore atteint les limites de l’offre. La caractéristique dynamique du trafic, dans ce cas, implique qu’une augmentation du flux de véhicules provoque une augmentation de la concentration de véhicules. Plus communément, la demande est identifiée tant que le réseau n’est pas en situation de congestion. La demande dépend entièrement du comportement macroscopique des usagers. Elle est à la fois fonction de leur nombre et de leurs intentions d’itinéraire.All vehicles constitute the nominal traffic demand. Traffic demand is identifiable when the traffic has not yet reached the supply limits. The dynamic characteristic of traffic, in this case, implies that an increase in the flow of vehicles causes an increase in the concentration of vehicles. More commonly, the request is identified as long as the network is not in a situation of congestion. Demand depends entirely on the macroscopic behavior of users. It is a function of both their number and their itinerary intentions.

Les variables macroscopiques d’analyse du trafic sont préférentiellement au nombre de trois : le débit, le taux d’occupation et la vitesse moyenne. En variante, seule une seule de ces variables macroscopiques peut être utilisée pour mettre en œuvre l’invention, par exemple le débit.There are preferably three macroscopic traffic analysis variables: throughput, occupancy rate and average speed. Alternatively, only one of these macroscopic variables can be used to implement the invention, for example throughput.

Le débit correspond à la répartition des véhicules dans le temps. Le débit moyenq(t _a , t _b , x)est défini au point d’abscisse curvilignexentre les instantst _a ett _b par la relation:Throughput corresponds to the distribution of vehicles over time. The average flow q(t _a , t _b , x) is defined at the curvilinear abscissa point x between times t _a and t _b by the relationship:

Dans cette relation,n(t _a , t _b , x)désigne le nombre de véhicules passés enxentre les instantst _a ett _b .In this relationship, n(t _a , t _b , x) denotes the number of vehicles passed at x between times t _a and t _b .

Le taux d’occupation correspond à la proportion de temps durant laquelle un point de mesure est occupé. Le taux d’occupationτest lié à la concentrationρde véhicules par la relation :The occupancy rate corresponds to the proportion of time during which a measurement point is occupied. The occupancy rate τ is linked to the concentration ρ of vehicles by the relationship:

Dans cette relation,Lest la longueur moyenne des véhicules.In this relation, L is the average vehicle length.

La vitesse moyennev (t _a , t _b , x)est entendue dans sa moyenne temporelle. Il s’agit d’une moyenne arithmétique des vitesses instantanéesv _i (t _a , t _b , x)des véhicules, ce qui donne la relation :The average speed v (t _a , t _b , x) is understood in its temporal average. This is an arithmetic mean of the instantaneous speeds v _i (t _a , t _b , x) of the vehicles, which gives the relationship:

Dans cette relation,n(t _a , t _b , x)désigne toujours le nombre de véhicules passés enxentre les instantst _a ett _b .In this relationship, n(t _a , t _b , x) always designates the number of vehicles passed at x between times t _a and t _b .

Ces variables macroscopiques constituent une partie des variables explicatives permettant de rechercher la prévision. Au sens de l’invention, une prévision est une estimation de variables inobservables en fonction de variables observées. Les variables observées sont désignées par variables explicatives, les autres étant des variables expliquées. Les variables expliquées sont par définition inconnues, jusqu’au moment où elles sont effectivement mesurables.These macroscopic variables constitute part of the explanatory variables making it possible to seek the forecast. Within the meaning of the invention, a forecast is an estimate of unobservable variables based on observed variables. The observed variables are designated by explanatory variables, the others being explained variables. The explained variables are by definition unknown, until they are actually measurable.

La mesure de la divergence entre les variables expliquées et les variables réalisées correspondantes permettent d’évaluer la performance de la prévision.The measurement of the divergence between the explained variables and the corresponding realized variables makes it possible to evaluate the performance of the forecast.

Il est néanmoins nécessaire d’apporter une attention particulière aux causes des divergences, qui peuvent provenir de facteurs impossibles à anticiper. En effet, une prévision peut être réalisée à plus ou moins longue échéance. L’éloignement de cette échéance impacte directement la divergence maximale acceptable, selon le risque d’aléas pouvant survenir entre les variables explicatives et les variables expliquées.However, it is necessary to pay particular attention to the causes of the discrepancies, which may come from factors that are impossible to anticipate. Indeed, a forecast can be made for more or less long term. The distance from this deadline directly impacts the maximum acceptable divergence, depending on the risk of random events that may occur between the explanatory variables and the explained variables.

Ainsi, des prévisions à une échéance de plusieurs années, échéance à long terme, auront une divergence maximale acceptable bien plus élevée que des prévisions à une échéance d’une heure, échéance à très court terme.Thus, forecasts with a time horizon of several years, a long-term time horizon, will have a much higher maximum acceptable divergence than forecasts with a one-hour time horizon, a very short-term time horizon.

L’invention concerne plus particulièrement une méthode de prévision à très court terme, c'est-à-dire pour une durée comprise entre quelques dizaines de minutes à quelques heures, par exemple pour prévoir l'évolution d'un réseau routier dans les deux prochaines heures.The invention relates more particularly to a very short-term forecasting method, that is to say for a period of between a few tens of minutes to a few hours, for example to forecast the evolution of a road network in the two next hours.

Cette méthode se présente sous la forme d’un processus séquentiel d’opérations, qu’il est nécessaire de répéter à chaque modification du contexte, en particulier dans le temps et dans l’espace.This method takes the form of a sequential process of operations, which must be repeated each time the context changes, particularly in time and space.

La méthode permet de prévoir l’évolution d’une situation en court d’observationS _o , en un point de mesure donné, c’est-à-dire au niveau d’une boucle de comptage. Cette évolution est estimée par identification optimale de la situation passéeS _h équivalente à la situation observéeS _o .The method makes it possible to predict the evolution of a situation during observation S _o , at a given measurement point, that is to say at the level of a counting loop. This evolution is estimated by optimal identification of the past situation S _h equivalent to the observed situation S _o .

Tel qu’illustré sur la , cette identification d’équivalence est préférentiellement contrainte par l’évolution observée des trois grandeurs du trafic que sont le débitq, le taux d’occupation τ et la vitesse v, ainsi que l’évolution prévue de la demande δ. Sur cette , les traits fins illustrent les variables explicatives alors que les traits gras illustrent les variables expliquées, c’est-à-dire l’évolution attendue du débit, du taux d’occupation et de la vitesse au niveau de la boucle de compte considérée.As shown on the , this identification of equivalence is preferentially constrained by the observed evolution of the three quantities of the traffic which are the flow q , the occupancy rate τ and the speed v, as well as the expected evolution of the demand δ. On this , the fine lines illustrate the explanatory variables while the bold lines illustrate the explained variables, that is to say the expected evolution of the throughput, the occupancy rate and the speed at the level of the considered account loop.

Pour obtenir ces évolutions attendues, la illustre un organigramme général comportant :
- une première étape10de préparation des données mesurées,
- une deuxième étape20de prévision de la demande,
- une troisième étape30d’identification de la situation équivalente et
- une dernière étape40de prévision à court terme.To achieve these expected changes, the illustrates a general organization chart comprising:
- a first step 10 of preparing the measured data,
- a second step 20 of demand forecasting,
- a third step 30 of identifying the equivalent situation and
- a last step 40 of short-term forecasting.

La première étape10de préparation des données mesurées vise à traiter les données issues des situations de l’historiqueS _h et de la situation observéeS _o afin que ces mesures soient utilisables par la méthode. Cette première étape10est détaillée sur la et elle comporte une première sous-étape11de disqualification des mesures aberrantes. Dans cette première sous-étape11, les critères de disqualification sont les suivants :
- les débits négatifs ou nuls ;
- les taux d’occupation strictement négatifs ; ou
- les vitesses négatives, nulles ou supérieures à un seuil d’invalidité des vitesses mesurées, par exemple 200 km/h.The first step 10 of preparing the measured data aims to process the data resulting from the historical situations S _h and from the observed situation S _o so that these measurements can be used by the method. This first step 10 is detailed on the and it comprises a first sub-step 11 of disqualification of the aberrant measurements. In this first sub-step 11 , the disqualification criteria are as follows:
- negative or zero flows;
- strictly negative occupancy rates; Or
- negative speeds, zero or greater than an invalidity threshold of the measured speeds, for example 200 km/h.

De préférence, dans cette première sous-étape11, il suffit qu’un critère soit vérifié pour que la mesure soit disqualifiée.Preferably, in this first sub-step 11 , it suffices for one criterion to be verified for the measurement to be disqualified.

La seconde sous-étape12vise à disqualifier la dernière mesure précédant et la première mesure succédant une mesure disqualifiée par la première sous-étape11de disqualification des mesures aberrantes.The second sub-step 12 aims to disqualify the last measurement preceding and the first measurement succeeding a measurement disqualified by the first sub-step 11 of disqualification of the aberrant measurements.

La troisième sous-étape13élimine le bruit de mesure en conservant les caractéristiques du trafic. Elle consiste à extraire pour chaque horodate de fin de mesure la moyenne de chaque variable mesurée sur la durée de lissage des mesures. Le lissage du profil obtenu est illustré sur la . Tel qu’illustré sur la , la mesure lissée a pour horodate de fin de mesure celle de la mesure la plus récente prise en compte dans le lissage. Il s’agit d’un lissage hérité.The third sub-step 13 eliminates the measurement noise while preserving the characteristics of the traffic. It consists of extracting for each end-of-measurement timestamp the average of each variable measured over the duration of the smoothing of the measurements. The smoothness of the profile obtained is illustrated on the . As shown on the , the smoothed measurement has as measurement end timestamp that of the most recent measurement taken into account in the smoothing. This is legacy smoothing.

Au sens de l’invention, les données associées à une « horodate de fin de mesure » correspondent aux données enregistrées entre une mesure précédente et une mesure courante. Par exemple, si la fréquence de collecte est de 6 min (0h00, 0h06, 0h12, …), alors les données de 0h06 correspondent aux variables explicatives captées de 0h00m01s à 0h06m00s. Lorsque le lissage est réalisé sur 3 pas de temps, la mesure lissée de 0h18 correspond aux variables explicatives captées de 0h00m01s à 0h18m00s. Dans l’exemple de la , les mesures de chaque variable explicative de 0h06, 0h12 et 0h18 sont moyennées pour obtenir une mesure lissée pour 0h18.Within the meaning of the invention, the data associated with an “end of measurement timestamp” correspond to the data recorded between a previous measurement and a current measurement. For example, if the collection frequency is 6 min (0h00, 0h06, 0h12, …), then the data of 0h06 correspond to the explanatory variables collected from 0h00m01s to 0h06m00s. When the smoothing is carried out over 3 time steps, the smoothed measurement of 0h18 corresponds to the explanatory variables captured from 0h00m01s to 0h18m00s. In the example of the , the measurements of each explanatory variable of 0:06, 0:12 and 0:18 are averaged to obtain a smoothed measurement for 0:18.

Pour obtenir un profil le plus complet possible, la quatrième sous-étape14vise à combler les absences de mesure. Elle consiste en une estimation par interpolation linéaire des variables absentes à partir des variables mesurées encadrantes.To obtain the most complete profile possible, the fourth sub-step 14 aims to fill in the gaps in measurement. It consists of an estimation by linear interpolation of the absent variables from the surrounding measured variables.

A l’issue de cette quatrième sous-étape14, les mesures préparées constituent les trois premières variables explicativesq,τ,vet au moins une de ces variables peut être utilisée pour déterminer la prévision de la demande20.At the end of this fourth sub-step 14 , the measurements prepared constitute the first three explanatory variables q , τ , v and at least one of these variables can be used to determine the demand forecast 20 .

Cette étape20permet de constituer la dernière variable explicative permettant d’orienter avec précision la tendance d’évolution du trafic à très court terme : la prévision de demandeδ.This step 20 makes it possible to constitute the last explanatory variable making it possible to orient with precision the trend of evolution of the traffic in the very short term: the demand forecast δ .

Tel qu’illustré sur la , une première sous-étape21consiste à étalonner des profils de demande nominale par type de jour. Cette première sous-étape 21 permet d’élaborer pour chaque type de jour, issu de la typologie calendaire, le profil de demande nominale correspondant, tel qu’illustré sur la .As shown on the , a first sub-step 21 consists in calibrating nominal demand profiles by type of day. This first sub-step 21 makes it possible to work out for each type of day, resulting from the calendar typology, the corresponding nominal demand profile, as illustrated on the .

Plus précisément, le profil de demande est obtenu de la manière suivante, pour chaque type de jourcappartenant à l’ensemble des jours calendaires :
- calcul des moyennesmoy _q _, _h des débits sur l’ensemble de l’historique, avechappartenant à l’intervalle [0h00, 24h00[ ;
- calcul des débits pondérésp _jc,h pour chaque jourj _c ayant pour type de jourc, tels que :More precisely, the demand profile is obtained as follows, for each type of day c belonging to the set of calendar days:
- calculation of the averages avg _q _, _h of the flows over the entire history, with h belonging to the interval [0h00, 24h00[;
- calculation of the weighted flows p _jc,h for each day j _c having the type of day c , such that:

- calcul des médianes des débits pondérésp _c,h du type de jourc, tels que :- calculation of the medians of the weighted flows p _c,h of the type of day c , such that:

A l’issue de cette première sous-étape21, le profil de demande nominale est constitué, pour chaque type de jourcappartenant à l’ensemble des jours calendaires par les débits pondérésp _c,h .At the end of this first sub-step 21 , the nominal demand profile is constituted, for each type of day c belonging to the set of calendar days, by the weighted flow rates p _c,h .

La deuxième sous-étape22vise à identifier un profil de demande nominal optimal. En effet, les profils de demande nominale étant obtenus pour chaque type de jour, cette deuxième sous-étape22permet d’identifier le profil de demande nominale optimal correspondant au jour observéj _o .The second sub-step 22 aims to identify an optimal nominal demand profile. Indeed, the nominal demand profiles being obtained for each type of day, this second sub-step 22 makes it possible to identify the optimal nominal demand profile corresponding to the observed day j _o .

Cette identification se base sur une analyse partielle, jusqu’à la dernière tranche horaireh _o mesurée, du profil du jour observé. Préférentiellement, cette analyse est réalisée sur le profil de débit. En variante, d’autres variables explicativesτ,vpourraient être utilisées.This identification is based on a partial analysis, up to the last time slot h _o measured, of the profile of the day observed. Preferably, this analysis is carried out on the flow profile. Alternatively, other explanatory variables τ , v could be used.

Ainsi, le débit constitue une approximation du profil de demande de ce même jour. Le profil de débit est obtenu par calcul des débits pondérésp _j _o _,h , avechappartenant à l’intervalle [0h00, 24h00[, tels que :Thus, the throughput is an approximation of the demand profile for that same day. The flow profile is obtained by calculating the weighted flows p _j _o _,h , with h belonging to the interval [0h00, 24h00[, such that:

Le profil de demande nominale optimalγest alors identifié parmi les profils de demande nominale connu, en opposant chaque profil de demande nominal au profil de débit par la distance par mensuration, sur la portion [0h00;h _o ] des profils. Dans cette étape de prévision de la demande, le calcul de cette distance par mensuration peut être réalisé par des matrices de mensuration construites par soustraction ou par addition. De préférence, les matrices de mensuration sont construites par addition, c’est-à-dire que ces matrices sont calculées sur l’ensemble des sommes de débits prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps.The optimal nominal demand profile γ is then identified from among the known nominal demand profiles, by contrasting each nominal demand profile with the flow profile by distance by measurement, on the portion [ 0h00 ; h _o ] profiles. In this demand forecasting step, the calculation of this distance by measurement can be carried out by measurement matrices constructed by subtraction or by addition. Preferably, the measurement matrices are constructed by addition, that is to say that these matrices are calculated on all of the sums of flow rates taken one by one between the amplitudes of each value of the profile, for each time step .

A l’issue de ce calcul par mensuration, le profil nominal optimalγest le profil opposant la distance la plus faible.At the end of this calculation by measurement, the optimal nominal profile γ is the profile opposing the lowest distance.

La troisième sous-étape2 3permet d’obtenir la prévision de demande nominale à partir du profil de demande nominal optimalγobtenu à la deuxième sous-étape22. Dans cette troisième sous-étape2 3, les valeurs de la demandeδ _h pourhappartenant à un intervalle variant deh _o àh _o +T _e sont obtenues de la manière suivante :The third sub-step 23 makes it possible to obtain the nominal demand forecast from the optimal nominal demand profile γ obtained in the second sub-step 22 . In this third sub-step 2 3 , the demand values δ _h for h belonging to an interval varying from h _o to h _o + T _e are obtained in the following manner:

La durée de prévision considéréeT _e est par exemple égale à 8h.The considered forecast duration T _e is for example equal to 8 h.

La dernière sous-étape24vise à recaler la prévision de la demande nominale sur la période explicative. De préférence, le recalage consiste en une identification du recalage optimal à appliquer à la prévision de demande nominale. Par exemple, les recalages possibles sont les suivants : recalage par moyenne ; et recalage par médiane.The last sub-step 24 aims to readjust the nominal demand forecast over the explanatory period. Preferably, the readjustment consists of an identification of the optimal readjustment to be applied to the nominal demand forecast. For example, the possible readjustments are as follows: readjustment by mean; and adjustment by median.

A l’issue de l’identification du recalage optimal, la méthode valide la pertinence du recalage et applique le recalage optimal ou non. Le processus de recalage, s’appuyant sur le principe de mise à l’échelle, est détaillé à la .At the end of the identification of the optimal registration, the method validates the relevance of the registration and applies the optimal registration or not. The registration process, based on the principle of scaling, is detailed in .

Une première opération241permet d’élaborer la matrice de mensuration des débits observés. De préférence, celle-ci est réalisée par addition et vérifie les relations suivantes :A first operation 241 makes it possible to produce the measurement matrix of the observed flow rates. Preferably, this is carried out by addition and verifies the following relations:

Une deuxième opération242permet d’élaborer la matrice de mensuration de la demande nominale prévue. De préférence, celle-ci est réalisée par addition et vérifie les relations suivantes :A second operation 242 makes it possible to produce the matrix for measuring the expected nominal demand. Preferably, this is carried out by addition and verifies the following relations:

La troisième opération243vise l’élaboration de la matrice de rapport de mensuration, à partir des matrices de mensuration des débits observés et de la demande nominale prévue. Cette matrice de rapport de mensuration vérifie les relations suivantes :The third operation 243 aims at the production of the measurement report matrix, from the measurement matrices of the observed flow rates and the expected nominal demand. This mensuration report matrix verifies the following relationships:

La matrice de rapport de mensuration permet d’extraire, dans la quatrième opération244, la divergence entre l’évolution des débits observés et la demande nominale prévue. Ainsi, deux divergences sont obtenues, une par moyenne, l’autre par médiane, telles que :The measurement report matrix makes it possible to extract, in the fourth operation 244 , the discrepancy between the evolution of the observed flow rates and the expected nominal demand. Thus, two divergences are obtained, one by mean, the other by median, such that:

La cinquième opération245permet de réaliser les mises à l’échelle de la demande nominale prévue selon les divergences obtenues, par moyenne et par médiane.The fifth operation 245 makes it possible to perform the scaling of the nominal demand forecast according to the divergences obtained, by mean and by median.

Elle consiste à diviser la demande nominale prévue par la divergence. La demande nominale prévue à l’échelle ainsi obtenue est telle que :It consists of dividing the expected nominal demand by the divergence. The nominal demand forecast at the scale thus obtained is such that:

La sixième opération24 6vise à ajuster le volume de la demande nominale prévue, après sa mise à l’échelle à l’opération précédente. Il s’agit de calculer le décalageµentre les débits observés et la demande mise à l’échelle. Cette opération est réalisée à la fois pour une mise à l’échelle par moyenne et par médiane. Les décalages ainsi obtenus sont tels que :The sixth operation 246 aims to adjust the volume of the forecast nominal demand, after its scaling in the previous operation. This involves calculating the offset µ between the observed throughputs and the scaled demand. This is done for both mean and median scaling. The shifts thus obtained are such that:

Ainsi, la demande nominale prévue recalée est telle que :Thus, the adjusted forecast nominal demand is such that:

La dernière opération247permet de choisir ou non de recaler la demande nominale prévue. Dans le cas d’un choix de recalage, c’est le recalage le moins divergent, entre le recalage par moyenne et par médiane, qui est choisi.The last operation 247 makes it possible to choose whether or not to readjust the expected nominal demand. In the case of a choice of readjustment, it is the least divergent readjustment, between the readjustment by mean and by median, which is chosen.

Les distances cumulatives sont calculées entre les débits observés et, respectivement, la demande nominale prévue, la demande nominale prévue recalée par moyenne et la demande nominale prévue recalée par médiane. La distance cumulative la plus faible permet de désigner le choix de recalage à appliquer.The cumulative distances are calculated between the observed flows and, respectively, the forecast nominal demand, the forecast nominal demand readjusted by mean and the forecast nominal demand readjusted by median. The lowest cumulative distance makes it possible to designate the choice of registration to be applied.

A l’issue de cette dernière opération247, la demande nominale est recalée ou non, formant ainsi la dernière variable explicative : la prévision de demandeδ.At the end of this last operation 247 , the nominal demand is readjusted or not, thus forming the last explanatory variable: the demand forecast δ .

Une fois l’ensemble des variables explicatives obtenues et préparées, l’étape30consiste à identifier la situation équivalente dans l’ensemble des situations de l’historique.Once all of the explanatory variables have been obtained and prepared, step 30 consists in identifying the equivalent situation in all of the situations in the history.

Cette étape30est l’étape essentielle permettant à la méthode de prévision à court terme d’atteindre les performances attendues.This step 30 is the essential step enabling the short-term forecasting method to achieve the expected performance.

De préférence, l’algorithme d’identification de la situation équivalente à la situation observée repose sur une identification en deux temps permettant de concilier une très grande rapidité d’identification, même sur des historiques de plusieurs années, et une très faible divergence entre les deux situations rapprochées.Preferably, the algorithm for identifying the situation equivalent to the situation observed is based on a two-step identification making it possible to reconcile a very high speed of identification, even on histories of several years, and a very low divergence between the two close situations.

L’équivalence est déterminée à tranche horairehfixée, telle que :The equivalence is determined at a fixed time slot h , such as:

L’identification de l’équivalence consiste à minimiser la distance entre une situation de l’historique et la situation observée .The identification of equivalence consists in minimizing the distance between a historical situation and the observed situation .

Tel qu’illustré sur la , une première sous-étape31vise préférentiellement à sélectionner un échantillon de situations candidates à l’équivalence. Par exemple, ce pré-échantillonnage repose sur le calcul d’une distance dite cumulative.As shown on the , a first sub-step 31 preferably aims to select a sample of candidate situations for equivalence. For example, this pre-sampling is based on the calculation of a so-called cumulative distance.

Le calcul des distances cumulatives est effectué entre deux situations prises sur la même période explicative, c’est-à-dire sur l’ensemble des tranches horaires, telles quehappartient à l’intervalle [h _o –T _e ;h _o ] pour le débit, le taux d’occupation et la vitesse moyenne, et telles quehappartient à l’intervalle ]h _o ;h _o –T _h ] pour la demande. L’horizon de prévisionT _h est préférentiellement égal à 4h alors que la durée de prévision considéréeT _e peut encore être égale à 8h.The calculation of the cumulative distances is performed between two situations taken over the same explanatory period, ie over all the time slots, such that h belongs to the interval [ h _o – T _e ; h _o ] for the throughput, the occupancy rate and the average speed, and such that h belongs to the interval ] h _o ; h _o – T _h ] for the request. The forecast horizon T _h is preferably equal to 4 h whereas the considered forecast duration T _e can still be equal to 8 h.

Ainsi, la sélection de l’échantillon des situations candidates à l’équivalence nécessite que le calcul soit reproduit systématiquement entre la situation observéeS _o et chacune des situations de l’historiqueS _i , à la même tranche horaire, telles queiappartient à l’intervalle [1 ;n] etnle nombre de situations de l’historique à comparer.Thus, the selection of the sample of candidate situations for equivalence requires that the calculation be systematically reproduced between the observed situation S _o and each of the historical situations S _i , at the same time slot, such that i belongs to the interval [1; n ] and n the number of historical situations to compare.

La distance cumulative d est la somme des distances partielles obtenue pour chaque grandeur selon la relation :The cumulative distance d is the sum of the partial distances obtained for each quantity according to the relationship:

La suite du calcul est illustrée par le calcul de la distance cumulée du débit, les autres distances partielles étant calculées de manière tout à fait similaire.The continuation of the calculation is illustrated by the calculation of the cumulative distance of the flow, the other partial distances being calculated in a completely similar way.

De préférence, le cumul des distances sur chaque tranche horaire de la période explicative est effectué sur les valeurs centrées-réduites des mesures, afin de faire abstraction du contexte des jours comparés. L’intérêt de l’opération de centrage-réduction est double : rendre les données indépendantes de l’unité et de l’échelle, et donner aux variables une même moyenne et une dispersion similaire, rendant les variations sur les différentes grandeurs comparables.Preferably, the accumulation of the distances over each time slot of the explanatory period is carried out on the centered-reduced values of the measurements, in order to disregard the context of the days compared. The advantage of the centering-reduction operation is twofold: to make the data independent of the unit and of the scale, and to give the variables the same average and a similar dispersion, making the variations on the different magnitudes comparable.

Similairement, pour le taux d’occupation, la vitesse moyenne et la demande, la distance cumulée peut s’écrire :Similarly, for the occupancy rate, the average speed and the demand, the cumulative distance can be written:

A partir de ces distances cumulées, la seconde sous-étape32vise à sélectionner l’échantillon des meilleures équivalences, c’est-à-dire la sélection d’un sous-ensemble de l’ensemble des distancesDcalculé précédemment. Il est à noter que l’étape32de sélection de l’échantillon peut être réalisée sur l’ensemble des situations de l’historique, c’est-à-dire sans utiliser la sous-étape31de sélection des situations candidates à l’équivalence. En effet, la sous-étape31présente l’avantage de limiter le coût en calcul de l’étape32mais présente le défaut, dans de rares cas, d’écarter des équivalences pertinentes dans la recherche de la meilleure équivalence.From these cumulative distances, the second sub-step 32 aims to select the sample of the best equivalences, that is to say the selection of a subset of the set of distances D calculated previously. It should be noted that the step 32 of selecting the sample can be carried out on all the situations of the history, that is to say without using the sub-step 31 of selecting the candidate situations for the 'equivalence. Indeed, sub-step 31 has the advantage of limiting the calculation cost of step 32 but has the drawback, in rare cases, of discarding relevant equivalences in the search for the best equivalence.

Sachant qu’une faible distance signifie une meilleure équivalence, et en utilisant un seuil de pré-échantillonnage par exemple égal à 100, la sélection de l’échantillon des meilleures équivalences est obtenue comme suit :
- l’ensembleDest trié dans l’ordre croissant des distancesd _i pouriappartenant à l’intervalle [1 ; n] ; et
- les 100 premiers éléments deDsont sélectionnés de manière à constituer l’ensembleN _p de pré-échantillonnage, c’est-à-dire l’échantillon des meilleures équivalences.Knowing that a small distance means a better equivalence, and by using a pre-sampling threshold equal to 100 for example, the selection of the sample of the best equivalences is obtained as follows:
- the set D is sorted in ascending order of the distances d _i for i belonging to the interval [1; not] ; And
- the first 100 elements of D are selected so as to constitute the pre-sampling set N _p , that is to say the sample of the best equivalences.

La seconde sous-étape32vise à sélectionner dans l’échantillon des meilleures équivalences, établi précédemment, la situation offrant la meilleure équivalence par rapport à la situation observéeS ₀ . Cette seconde sous-étape32repose sur le calcul d’une distance dite de mensuration.The second sub-step 32 aims to select from the sample of best equivalences, established previously, the situation offering the best equivalence with respect to the observed situation S ₀ . This second sub-step 32 is based on the calculation of a so-called measurement distance.

Cette distance est bien plus précise que la précédente, car elle permet de prendre en compte les décalages en amplitude dans le temps et, d’un point de vue géométrique, la différenciation de forme.This distance is much more precise than the previous one, because it makes it possible to take into account the shifts in amplitude over time and, from a geometric point of view, the differentiation of shape.

Le calcul des distances par mensuration est toujours effectué entre deux situations prises sur la même période explicative, c’est-à-dire sur l’ensemble des tranches horaires, telles quehappartient à l’intervalle [h _o –T _e ;h _o ] pour le débit, le taux d’occupation et la vitesse moyenne, et telles quehappartient à l’intervalle ]h _o ;h _o –T _h ] pour la demande.The calculation of distances by measurement is always carried out between two situations taken over the same explanatory period, ie over all the time slots, such that h belongs to the interval [ h _o – T _e ; h _o ] for the throughput, the occupancy rate and the average speed, and such that h belongs to the interval ] h _o ; h _o – T _h ] for the request.

Néanmoins, l’échantillonnage final des situations candidates à l’équivalence ne nécessite plus que le calcul soit répété entre la situation observée et chaque situation de l’historique, mais uniquement entre la situation observéeS _o et les situations relevéesS’ _i , lors du pré-échantillonnage.Nevertheless, the final sampling of the candidate situations for equivalence no longer requires the calculation to be repeated between the observed situation and each situation in the history, but only between the observed situation S _o and the noted situations S' _i , when pre-sampling.

De ces calculs résulte l’ensemble de distancesD’, tel que :From these calculations results the set of distances D' , such that:

Comme dans le cas de la distance cumulative,d’est la somme des distances partielles obtenue pour chaque grandeur :As in the case of the cumulative distance, d' is the sum of the partial distances obtained for each quantity:

La suite du calcul est illustrée par le calcul de la distance par mensuration sur le débit, les autres distances partielles étant calculées de manière tout à fait similaire.The continuation of the calculation is illustrated by the calculation of the distance by measurement on the flow, the other partial distances being calculated in a completely similar way.

De par la nature du calcul des distances par mensurations, les valeurs ne sont pas centrées-réduites ; seul le résultat est réduit, c’est-à-dire divisé par l’écart-type des valeurs prises sur l’ensemble de l’historique jusqu’à la dernière mesure observée. En effet le centrage des valeurs est « annulé » par le calcul des mensurations, le calcul s’en trouve donc simplifié.Due to the nature of the calculation of distances by measurements, the values are not centered-reduced; only the result is reduced, i.e. divided by the standard deviation of the values taken over the entire history up to the last measurement observed. Indeed the centering of the values is "cancelled" by the calculation of the measurements, the calculation is therefore simplified.

L’écart de profilψest obtenu par le rapport des médianes de l’ensemble des valeurs observées et de l’ensemble des valeurs comparées ; en nommantmédiane _o la médiane observée etmédiane _c la médiane comparée, le rapport des médianes est tel que :The profile deviation ψ is obtained by the ratio of the medians of the set of observed values and of the set of compared values; by naming median _o the observed median and median _c the compared median, the ratio of the medians is such that:

L’écart doit impérativement être supérieur ou égal à un, le but étant de caractériser l’éloignement des deux situations comparées.The difference must imperatively be greater than or equal to one, the aim being to characterize the distance between the two situations compared.

Cette opération permet d’élaborer la matrice de mensurationM _o des débits observésq. Selon l’invention, celle-ci vérifie les relations suivantes :This operation makes it possible to produce the measurement matrix M _o of the observed flow rates q . According to the invention, this verifies the following relationships:

De même, la matrice de mensurationM _c des débits comparésq ’vérifie les relations suivantes :Similarly, the measurement matrix M _c of the compared flows q ' satisfies the following relations:

Cette étape permet d’obtenir la moyenne arithmétiquem _q des écarts entre les mensurations calculées à l’étape précédente, c’est-à-dire la somme des écarts de mensuration divisée par le nombre de pas de temps de la période explicative :This step makes it possible to obtain the arithmetic mean m _q of the differences between the measurements calculated in the previous step, i.e. the sum of the measurement differences divided by the number of time steps of the explanatory period:

La distance par mensuration sur le débit est finalement le produit de la moyenne des écarts de mensurationm _q par l’écart de profilψ _q entre la situation observée et la situation comparée.The distance by flow measurement is finally the product of the average of the measurement deviations m _q by the profile deviation ψ _q between the observed situation and the compared situation.

Ce produit est réduit par l’écart-typeσ _q des valeurs du débit prises dans tout l’historique jusqu’à la dernière mesure observée selon l’équation suivante :This product is reduced by the standard deviation σ _q of the flow values taken throughout the history until the last measurement observed according to the following equation:

De même, la distance par mensuration pour le taux d’occupation, la vitesse moyenne et la demande peut être calculée de la manière suivante :Similarly, the distance per measurement for the occupancy rate, the average speed and the demand can be calculated as follows:

L’étape30se termine par la sélection de la meilleure équivalence. Cette sélection consiste simplement à sélectionner la situation pour laquelle la distance par mensuration obtenue a été la plus faible. La situation de l’historiqueS _h présentant la meilleure équivalence est donc telle que :Step 30 ends with the selection of the best equivalence. This selection simply consists of selecting the situation for which the distance per measurement obtained was the lowest. The situation of the history S _h presenting the best equivalence is therefore such that:

A l’issue de l’étape30, la prévision est construite à partir des mesures du jourJ _e de l’historique qui présente la situation ayant la meilleure équivalence avec la situation observée.At the end of step 30 , the forecast is constructed from the measurements of day J _e of the history which presents the situation having the best equivalence with the observed situation.

Ainsi, dans l’étape40, la prévisionM _p est l’ensemble des mesuresM _je du jourJ _e pris sur la période de l’horizon de prévision, c’est-à-dire :Thus, in step 40 , the forecast M _p is the set of measurements M _i of day J _e taken over the period of the forecast horizon, that is to say:

La prévision permet ainsi d’estimer efficacement l'évolution du trafic sur un réseau routier. Cette prévision peut, par exemple, être utilisée pour informer un opérateur afin qu’il puisse régler la vitesse de basculement des feux de signalisation. Plus précisément, par rapport à l’état de la technique, il a été constaté une divergence plus faible de l’estimation en utilisant des matrices de mensuration calculées sur l’ensemble des sommes des variables explicatives prises une à une entre les amplitudes de chaque valeur du profil, pour chaque pas de temps.The forecast thus makes it possible to effectively estimate the evolution of traffic on a road network. This forecast can, for example, be used to inform an operator so that he can adjust the speed at which traffic lights change. More specifically, compared to the state of the art, a lower divergence of the estimate has been observed using measurement matrices calculated on all the sums of the explanatory variables taken one by one between the amplitudes of each profile value, for each time step.

De préférence, à chaque évolution du contexte, telle qu’une nouvelle mesure ou la prise en compte d’un nouveau point de mesure, l’intégralité de l’historique des situations est parcourue pour mettre à jour l’estimation précédemment calculée.Preferably, each time there is a change in the context, such as a new measurement or the taking into account of a new measurement point, the entire history of the situations is scanned to update the estimate previously calculated.

Plus généralement, l’invention peut être mise en œuvre pour anticiper l’évolution d’une donnée caractéristique d’un réseau de mobilité.More generally, the invention can be implemented to anticipate the evolution of a datum characteristic of a mobility network.

Par exemple, pour anticiper l’évolution de la disponibilité de places de stationnement d’une agglomération, les variables explicatives peuvent correspondre à des relevés fournis par les exploitants de parking indiquant, chaque minute, le nombre de places disponibles dans les parkings des exploitants.For example, to anticipate changes in the availability of parking spaces in a city, the explanatory variables can correspond to readings provided by car park operators indicating, every minute, the number of spaces available in the operators' car parks.

Pour un autre exemple, pour anticiper l’évolution de la disponibilité de vélos de libre-service, les variables explicatives peuvent correspondre à des relevés fournis par les exploitants des stations indiquant, chaque minute, le nombre de places disponibles, le nombre de vélos disponibles et, selon les stations équipées, la distinction entre vélos électriques et vélos mécaniques dans le dénombrement.For another example, to anticipate changes in the availability of self-service bicycles, the explanatory variables may correspond to statements provided by station operators indicating, each minute, the number of places available, the number of bicycles available and, depending on the stations equipped, the distinction between electric bicycles and mechanical bicycles in the count.

Dans tous les cas, comme pour le trafic routier, l’acquisition de données permet de constituer des historiques de situations comme base d’apprentissage pour le modèle. Lorsque c’est possible, une prévision de demande est réalisée pour compléter les variables explicatives et alimenter le modèle de prévision. Plus précisément, la prévision est possible lorsque la profondeur d’historique est jugée suffisante pour avoir un panel suffisamment représentatif des situations. Par exemple, pour le trafic routier, un minimum de deux ans d’historique est souvent nécessaire pour faire une prévision de demande avec une qualité satisfaisante, tandis que pour les disponibilités de vélos en libre-service, quelques semaines peuvent suffire pour avoir une prévision de demande correcte, les habitudes des usagers étant plus marquées sur ce mode.In all cases, as for road traffic, the acquisition of data makes it possible to constitute histories of situations as a learning base for the model. When possible, a demand forecast is made to complete the explanatory variables and feed the forecast model. More specifically, forecasting is possible when the depth of history is deemed sufficient to have a sufficiently representative panel of situations. For example, for road traffic, a minimum of two years of history is often necessary to make a demand forecast with satisfactory quality, while for the availability of self-service bicycles, a few weeks may be enough to have a forecast. of correct demand, the habits of users being more pronounced in this mode.

Claims

Method for estimating the evolution of a characteristic datum on a mobility network from previous situations ( S _h ), each previous situation ( S _h ) being associated with a set of timestamped values of at least one explanatory variable ( q , τ , v , δ ); at least one explanatory variable ( q , τ , v , δ ) corresponding to data measured by counting loops, such as the flow rate, the occupancy rate, and/or the speed of the vehicles on the said mobility network, the said estimation method comprising the following steps:
- obtaining at least one explanatory variable ( q , τ , v , δ ) of an observed situation ( S _o );
- calculation of a measurement matrix ( M , M′ , M′′ ) of the evolution profile of said at least one explanatory variable ( q , τ , v , δ ) of said observed situation ( S _o );
- calculation of distances by measurement ( d' ) between said measurement matrix ( M , M' , M'' ) of the evolution profile of said at least one explanatory variable ( q , τ , v , δ ) of said observed situation ( S _o ) and a set of measurement matrices ( M , M' , M'' ) of evolution profiles of said at least one explanatory variable ( q , τ , v , δ ) in priors ( S _h ); And
- Determination of said closest previous situation ( S _h ) for which said distance by measurement ( d′ ) is the lowest;
- estimation of the evolution of said characteristic datum as a function of the evolution of said at least one explanatory variable ( q , τ , v , δ ) of said previous situation ( S _h ) closest after the instant of analysis ;
characterized in that each measurement matrix is calculated on the set of sums of said explanatory variable ( q , τ , v , δ ) taken one by one between the amplitudes of each value of the profile, for each time step.

Estimation method according to claim 1, in which a step of pre-sampling of previous situations ( S _h ) is implemented before calculating the distances by measurement ( d' ) by using a cumulative distance between the evolution of said at least one explanatory variable ( q , τ , v , δ ) of said observed situation ( S _o ) and the evolutions of said at least one explanatory variable ( q , τ , v , δ ) in the set of previous situations ( S _h ).

Estimation method according to claim 1 or 2, in which the estimation of the evolution of the said characteristic datum is carried out by considering several distinct explanatory variables ( q , τ , v , δ ), the step of determining the said situation earlier ( S _h ) the closest being produced by calculating the minimum of the sum of the distances per measurement ( d' ) calculated for the said different explanatory variables ( q , τ , v , δ ).

Estimation method according to claim 3, in which one of the explanatory variables ( q , τ , v , δ ) represents a nominal demand ( δ ) determined according to the type of day of the estimate, each type of day of the previous situations ( S _h ) being associated with an estimate of said nominal demand ( δ ) as a function of an average of an explanatory variable ( q , τ , v ) measured for each time increment.

Estimation method according to claim 4, in which said nominal demand ( δ ) is readjusted on the observed evolution of said explanatory variable ( q , τ , v ) used to determine said nominal demand ( δ ).

Estimation method according to claim 5, in which the readjustment is carried out by means or by median between the said observed evolution and the expected evolution of the said explanatory variable ( q , τ , v ) used to determine the said nominal demand ( δ ).

Estimation method according to claim 6, in which a step of determining the readjustment to be carried out is implemented by calculating a minimum of divergence of a cumulative distance between a readjustment by mean and a readjustment by median.

Estimation method according to one of Claims 4 to 7, in which the said explanatory variable ( q , τ , v ) used to determine the said nominal demand ( δ ) corresponds to the flow rate ( q ).

Estimation method according to claim 8, in which the estimation of the evolution of the said characteristic datum is carried out by considering four explanatory variables: the said flow ( q ), an occupancy rate ( τ ), a speed of the vehicles ( v ) and said nominal demand ( δ ).

Estimation method according to claim 9, in which said throughput, said occupancy rate and said speed of the vehicles are sensed by counting loops.