WO2023066710A1 - Procédé de prédiction d'une condition de surface d'un segment routier - Google Patents

Procédé de prédiction d'une condition de surface d'un segment routier Download PDF

Info

Publication number
WO2023066710A1
WO2023066710A1 PCT/EP2022/078178 EP2022078178W WO2023066710A1 WO 2023066710 A1 WO2023066710 A1 WO 2023066710A1 EP 2022078178 W EP2022078178 W EP 2022078178W WO 2023066710 A1 WO2023066710 A1 WO 2023066710A1
Authority
WO
WIPO (PCT)
Prior art keywords
stations
station
data
weather
predictive model
Prior art date
Application number
PCT/EP2022/078178
Other languages
English (en)
Inventor
Fabien Daniel
Nicolas Benoit
Jonathan BONNET
Original Assignee
Continental Automotive Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Continental Automotive Gmbh filed Critical Continental Automotive Gmbh
Publication of WO2023066710A1 publication Critical patent/WO2023066710A1/fr

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting

Definitions

  • the invention belongs to the automotive field and particularly relates to techniques for predicting a weather condition on the surface of a road segment.
  • Advanced driver assistance systems and autonomous driving are currently experiencing strong development. To travel with maximum safety, it is particularly important that vehicles equipped with such systems know the surface conditions of the road on which they are traveling in order to adapt their speed, their safety distances, and to estimate the distances braking.
  • models have been developed to predict the state of the roadway from forecasts/and or atmospheric weather observations.
  • Such models are for example trained from weather observations and ground observations so as to establish correlations between atmospheric conditions and the state of the roadway. It is thus possible, for example, to determine the temperature or the drying time of a road surface from an atmospheric temperature, a wind speed, cloud cover and a type of traffic lane.
  • a method for predicting a surface condition of a road segment comprising the following steps:
  • the method makes it possible to improve the quality of the predictions by selecting a prediction model adapted to the environment of the road segment for which the prediction is made.
  • the stations of a first set are partitioned according to similarities in prediction errors, so that each partition includes stations that share a comparable environmental context. Indeed, if at least two models present a similar error profile on a set of stations, it can be presumed that these at least two models come from stations whose context is comparable.
  • the method thus makes it possible to train models on stations having a specific context to obtain specialized predictive models according to the context. These specific models are then labeled from a predictive model trained on a second set of stations for which context data is available. In this way, when a vehicle traveling for example near a watercourse requests a road surface condition, the model specifically trained for the “watercourse” context is used for the prediction.
  • An advantage of the prediction method is to allow the training of specialized predictive models for a particular context from data for which no context information is available. This reduces the cost of developing the training data set and improves the quality of the predictions.
  • the step of predicting a weather condition on the surface of a particular road segment comprises:
  • each request for prediction of a surface condition transmitted by a vehicle is associated with a particular environmental context allowing the selection of the most suitable model.
  • the method is such that it further comprises a step of training an MP3 predictive model to predict at least one context datum relating to the environment of a particular road weather station from: Weather observations and surface conditions from a second set of roadside weather stations, and
  • the step of associating at least one context datum with a predictive model MP2 comprising the application of the predictive model MP3 to data originating from the stations of the group for which the predictive model MP2 has been trained.
  • Training the MP3 model using data from stations for which context information is available makes it possible to find correlations between atmospheric conditions, surface conditions and a characteristic of the environment.
  • the application of these models to the data from the different groups makes it possible to label each group with one or more context data.
  • the step of partitioning into groups of stations comprises steps of:
  • the prediction errors stored in a vector associated with a station constitute a signature of a particular characteristic of the station.
  • Grouping according to a distance criterion allows the definition of groups of stations sharing the same characteristic.
  • a context datum comprises at least one value representative of a particular characteristic of the environment at a given location, the characteristic being selected from the following elements: A bridge,
  • Such elements have a particular influence on the evolution of the surface conditions of a road segment, such as the drying time or the probability of ice, and are easily identifiable from a cartography to label road segments.
  • a device for predicting a meteorological condition on the surface of a road segment comprising a processor and a memory in which are recorded program instructions configured to implement the following steps, when they are executed by the processor:
  • each station of the first set of stations o Training from the data collected for the station considered, of an MPI predictive model adapted to predict a surface condition from atmospheric weather data, o Determination of prediction errors made by the MPI predictive models trained for the other stations of the first set, when they are applied to the data from the station considered,
  • the invention relates to a server comprising a prediction device as described above.
  • the invention relates to an information medium comprising computer program instructions configured to implement the steps of a prediction method as described previously, when the instructions are executed by a processor.
  • the information medium can be a non-transitory information medium such as a hard disk, a flash memory, or an optical disk for example.
  • the information carrier can be any entity or device capable of storing instructions.
  • the medium may comprise a storage means, such as a ROM, RAM, PROM, EPROM, a CD ROM or even a magnetic recording means, for example a hard disk.
  • the information medium can be a transmissible medium such as an electrical or optical signal, which can be conveyed via an electrical or optical cable, by radio or by other means.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the different aforementioned embodiments or characteristics can be added independently or in combination with each other, to the steps of the prediction method.
  • the servers, devices and information carriers have at least similar advantages to those conferred by the process to which they relate.
  • Figure 1 shows a map of Germany on which two sets of road weather stations have been shown, and
  • FIG. 2 is a flowchart on which are represented the main steps of a method of prediction according to a particular embodiment.
  • FIG. 1 is a map of Germany on which a first set of road weather stations has been represented by black dots and a second set of stations by white dots.
  • a road weather station (or RWIS, for Road Weather Information System in English), is an automatic weather station comprising sensors and a communication unit adapted to transmit the captured data to a processing center.
  • RWIS Road Weather Information System
  • Such a station makes it possible to obtain data relating to conventional atmospheric weather conditions, but also data relating to the surface conditions of the roadway at the location where it is installed.
  • an RWIS station can use an infrared sensor located overhanging the road or a probe implanted in the roadway. These probes only make it possible to probe the road conditions very locally, that is to say at a precise point or on a restricted surface for the IR probes.
  • data from an RWIS station are very localized: for example, the shade cast by a tree can locally affect the temperature by a few degrees or a recess in the roadway can create a puddle of water and influence the measurement of a height of water.
  • the sensors of such a station make it possible to obtain information concerning the surface temperature of a roadway, the speed and direction of the wind, the visibility, the humidity of the roadway and a height of a film of water. , the presence of ice or snow, etc.
  • Figure 1 also shows a server 101 of a telecommunications network 103 through which the stations shown on the map can communicate with the server.
  • the stations represented on the map can transmit their observations and measurements to the server 101 via the communication network 103.
  • the server 101 includes a communication interface, for example an Ethernet network card enabling it to exchange messages with other devices, such as weather stations.
  • the server 101 also includes a memory and a processing unit equipped with a processor.
  • the processor of the processing unit is configured by instructions stored in the memory to implement the steps of a prediction method according to a particular embodiment.
  • the weather stations in FIG. 1 are thus distributed over different road segments and regularly transmit their observations to the processing server 101 via a network connection, for example via a cellular access network of the type 3G, 4G or 5G, or via a wired network
  • the server 101 can access a database 102 comprising records relating to the weather stations represented in FIG. 1. These records include data relating to the various weather stations as well as a history of observations made by each of the stations.
  • the database 102 includes in particular, for each station, a geographical location of the station as well as a history of time-stamped observations made by the station.
  • the database 102 further comprises, for each station of the second set of stations, context data relating to a particular characteristic of the environment of the station, for example a type of surface of the road segment monitored by the station, a type of way traffic, topographical information, such as the presence of a bridge, a building, vegetation, a drop or a watercourse, etc.
  • the stations of the second set are specific in that they are associated in the database 102 with contextual information concerning the immediate environment of a station, such as the presence of elements likely to influence the surface weather conditions of the road segment at the location of the station. Indeed, given the sensitivity of the measurements made by the RWIS probes, a precise definition of the immediate environment of the observation area is essential to properly characterize the measurement.
  • the server 101 collects a history of road surface conditions observed from a plurality of road weather stations and a history of observations and/or atmospheric weather forecasts corresponding to the areas of location of the stations, and stores this data in a database 102.
  • the server thus has, for each station and for at least a given period, time-stamped local atmospheric weather observations associated with surface conditions of the road segment monitored by the station.
  • the server also has location data for each station, for example geographic coordinates. These coordinates allow the server 101 in particular to identify, by matching with a map, the road segment on which a station is installed and to obtain, from a weather forecast supplier, atmospheric weather forecasts for the area of establishment of a station.
  • the records of the database 102 further comprise, for the second set of stations, contextual information concerning the immediate environment of a station, such as the presence and orientation of elements likely to influence the surface weather conditions of the road segment near the station.
  • the stations without associated context data in the database 102 form a first set of stations
  • the stations with which context data is associated in the database 102 form a second set of resorts. It is noted that most deployed stations do not have associated context data so that it is difficult to train models for a specific context.
  • a prediction model is trained from a history of forecasts and/or atmospheric weather observations and observations relating to the state of the roadway to predict conditions pavement surface from atmospheric observations.
  • statistical processing is applied to the data to obtain characteristic variables.
  • These processing operations are known as “feature engineering” in English. For example, one can calculate an average temperature over a particular sliding time window, an accumulation of precipitation, a representative value of a UV index, etc...
  • These variables are used to create a characteristic vector to which one can for example add the time of day and/or a date.
  • the characteristic vector also comprises target variables of the learning model resulting from observations on the ground carried out by the station considered.
  • a first predictive model MPI adapted to predict a state of the road in the vicinity of the station is obtained from observations and/or weather forecasts for the area in which the station is located.
  • a model can be trained to predict a pavement temperature from weather observations or predictions obtained for the station's location from a weather forecast provider or the resort itself.
  • MPI models can be trained to predict other characteristics of the surface, such as its degree of humidity, its "dry”, “icy”, “wet” state or even the height of a film of water. .
  • each MPI model trained in step 201 is used to predict a surface condition at the location of each other station in the first set, the first set comprising N stations. More specifically, each of the MPI models trained in step 201 is applied to the weather observations obtained at a particular instant for the other stations of the first set in order to obtain, for each of the N stations of the first set, N1 surface conditions predicted by different models. Thus, for example, for each station, a set of temperatures predicted by the MPI models trained from the data associated with the other stations is obtained.
  • the N-1 predictions made for each station of the first set are then compared during a step 203 with the surface conditions observed by the station considered in order to determine a prediction error.
  • the error made by an MPli model associated with a particular station is calculated to predict a surface condition observed by a distinct station.
  • the error can be estimated in different ways and include one or more deviation indicators, for example a mean squared error (or MSE for "Mean Squared Error" in English), a mean absolute error (or MAE for "Mean Absolute Error in English), a precision, a maximum error value, etc...
  • each of the N stations of the first set is associated with a vector comprising N * X values corresponding to the errors of predictions made for the station considered and by the other stations.
  • the vector is stored in association with the station in a memory, for example in the database 102.
  • steps 202 and 203 are repeated for a plurality of weather data relating to different weather periods and/or conditions.
  • steps 202 and 203 are repeated for a plurality of weather data relating to different weather periods and/or conditions.
  • an error profile is determined making it possible to characterize the error of a model when it is applied to meteorological data from a region different from that for which it was trained.
  • the error concerns, for example, a temperature difference between a temperature predicted by the model and the temperature actually observed, or a difference in the prediction of a surface condition such as "dry”, “wet”, snow” and a condition actually observed or a difference in water level.
  • the first set of stations is partitioned to define groups of stations (“clustering” in English) according to a criterion of similarity between the error vectors associated with the stations during step 203. To do this, calculates for example a Euclidean distance between each vector and the vectors whose distance is less than a threshold are grouped together.
  • the vectors associated with the various stations constitute a matrix of X*N columns and N rows, with N the number of stations of the first set and X the number of error indicators, in which a column i always corresponds to the prediction of the same station and the same indicator.
  • the distance is defined by:
  • a well-known unsupervised classification algorithm of the DBSCAN or kMEANS type is applied.
  • Such an arrangement makes it possible to obtain groups of MPI models having similar uncertainties for predicting a surface condition.
  • the underlying idea being that if at least two models present a similar error profile on a set of M stations, it can be assumed that these at least two stations have a comparable context. For example, two models trained from observations made by a station located in the shade of a building will present a comparable prediction error when they are applied to data from well-exposed stations.
  • a prediction model MP2 is trained for each group identified in step 204, by aggregating the data of all the stations of the group. For this, a predictive model MP2 is trained for each of the groups of stations determined from the atmospheric data and the corresponding surface conditions observed by the stations. Each MP2 model thus obtained is associated with the group of stations for which it was trained. More generic, less specialized models are thus obtained than the MPI models obtained in step 201.
  • a predictive model MP3 is trained from the data associated with the stations of the second set for which context information is available (type of surface, type of traffic lane, under a bridge, at the shadow of a building, near a river, in the forest, etc.).
  • the model is trained to predict a particular context from weather observations and surface conditions.
  • the training is carried out using characteristic vectors comprising at least variables from the atmospheric weather data observed for a station, variables from the surface conditions observed by the station, and target variables corresponding to the context data associated with the station .
  • step 207 the MP3 model trained in step 206 is used to assign a list of possible contexts to the groups of stations defined for the first set. In this way, each group of stations can be labeled with at least one representative context.
  • the specialization of the model MP2 trained from the data collected by the stations of a particular group of stations during step 205 is then known. For this, the atmospheric conditions and the surface conditions observed by the groups of stations are applied. from the first set to the predictive model MP3 trained in step 206.
  • the model MP3 being trained to determine a context from the atmospheric weather observations and the surface conditions, it is thus possible to associate a context with each group of stations of the first set.
  • a predictive model MP2 having also been associated with each group of stations during step 205, it is thus possible to associate environmental context data with each of the models MP2.
  • a digital map of the road network is used to associate context data with each road segment. For example, we use the bridges, watercourses, forests referenced on the map to associate a context with each road segment.
  • a surface condition is determined for a particular road segment by applying one of the models MP2 trained in step 205 to atmospheric weather forecasts and/or observations obtained for the road segment.
  • the applied MP2 template is selected from the context associated with the segment at step 208 and the contexts assigned to the groups at step 207. For example, when a vehicle traveling on a particular road segment wishes to obtain a surface condition, it transmits to the server 101 an appropriate request comprising its geographic coordinates. Upon receipt of such a message, the server determines, by means of the geographical coordinates, a particular road segment on which the vehicle is traveling. To identify the road segment, the server matches the received geographic coordinates with a digital representation of the road network.
  • the server 101 then consults the database 102 to obtain a context associated with the segment.
  • the server selects from among the predictive models MP2 trained in step 205 a model adapted to the context determined for the segment and applies to this model variables resulting from atmospheric weather conditions available for the geographical area in which the road segment is located to predict a surface condition. In this way, the vehicle obtains a surface condition that takes into account the specificities of the segment on which it is driving.
  • the surface conditions are regularly precalculated by the server 101 for a set of road segments. In this way, upon receipt of a request from a vehicle, the prediction is immediately available.
  • the MPI, MP2 and MP3 models come from the family of supervised models in machine learning and they are here applied to the particular case of time series.
  • supervised we mean that one of the variables of the problem corresponds to the target that we are trying to predict.
  • f the model
  • x an input vector
  • y the target variable
  • Machine learning models make it possible to obtain an approximation of the real function f which would perfectly describe the evolution of the system, by deriving an approximate function f which is obtained by minimizing the error:

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

L'invention concerne un procédé de prédiction d'une condition de surface d'un segment routier, le procédé comprenant, pour chaque station d'un ensemble de stations météo routière, l'entrainement (201) d'un modèle prédictif à partir de données issues de la station, l'application (202) de chaque modèle entraîné pour une station particulière aux données issues des autres stations de l'ensemble de stations pour déterminer (203) une erreur de prédiction, de regroupement (204) des stations selon une similarité d'erreur de prédiction, d'association (207) d'un contexte particulier à chaque groupe de station et d'entrainement (205) d'un modèle prédictif pour chaque groupe de station auquel un contexte a été associé. L'invention vise aussi un dispositif adapté pour mettre en œuvre le procédé de prédiction.

Description

DESCRIPTION
Titre : Procédé de prédiction d'une condition de surface d'un segment routier
Domaine technique
L'invention appartient au domaine de l'automobile et concerne particulièrement les techniques de prédiction d'une condition météo à la surface d'un segment routier.
Art antérieur
Les systèmes d'assistance à la conduite avancés et de conduite autonome connaissent de nos jours un fort développement. Pour circuler avec un maximum de sécurité, il est particulièrement important que les véhicules équipés de tels systèmes aient connaissance des conditions de surface de la chaussée sur laquelle ils circulent afin d'adapter leur vitesse, leurs distances de sécurité, et d'estimer les distances de freinage.
Dans ce but, on a développé des modèles permettant de prédire l'état de la chaussée à partir de prévisions/et ou d'observations météo atmosphériques. De tels modèles sont par exemple entraînés à partir d'observations météo et d'observations au sol de manière à établir des corrélations entre des conditions atmosphériques et l'état de la chaussée. On peut ainsi par exemple déterminer la température ou le temps de séchage d'un revêtement routier à partir d'une température atmosphérique, d'une vitesse de vent, d'une couverture nuageuse et d'un type de voie de circulation.
On utilise également des stations météo routières (RWIS, pour Road Weather Information System en anglais) réparties sur le réseau routier pour obtenir des observations précises sur l'état de la chaussée en différent points du réseau. Ces observations terrain permettent d'améliorer la qualité des prédictions réalisées par les modèles pour les segments routiers pourvus de telles stations.
Malheureusement ces prédictions restent imparfaites, notamment parce que tous les segments routiers ne sont pas équipés de stations, mais aussi parce que les modèles ne tiennent pas compte des spécificités locales d'un segment routier. Par exemple, la présence de bâtiments ou de végétation faisant de l'ombre sur la chaussée, la présence d'un cours d'eau à proximité ou encore la topographie sont autant de facteurs qui influencent les conditions de surface d'un segment routier. Ces informations de contexte n'étant pas toujours disponibles, il en résulte des prédictions imparfaites qui peuvent s'avérer dangereuses pour les automobilistes.
Il existe ainsi un besoin pour une technique permettant de déterminer une condition de surface d'un segment routier particulier qui soit plus fiable que les techniques actuellement proposées.
Résumé de l'invention
A cet effet, il est proposé un procédé de prédiction d'une condition de surface d'un segment routier, le procédé comprenant les étapes suivantes :
Collecte d'observations météorologiques et de conditions de surface relevées par un premier ensemble de stations météo routières,
Pour chaque station du premier ensemble de stations : o Entrainement à partir des données collectées pour la station considérée, d'un modèle prédictif MPI adapté pour prédire une condition de surface à partir de données météo atmosphériques, o Détermination d'erreurs de prédiction commises par des modèles prédictifs MPI entraînés pour les autres stations du premier ensemble, lorsqu'ils sont appliqués aux données issues de la station considérée,
Partitionnement du premier ensemble de stations en groupes de stations déterminés selon un critère de similarité dans les erreurs de prédiction déterminées, Pour chacun des groupes déterminés, entrainement d'un modèle prédictif MP2 à partir des données collectées par les stations du premier ensemble de stations pour prédire une condition de surface à partir de données atmosphériques, Association d'au moins une donnée de contexte à un modèle prédictif MP2, Prédiction d'une condition météo à la surface d'un segment routier particulier par application de données météo atmosphériques obtenues pour l'emplacement du segment à un modèle prédictif MP2 sélectionné selon une donnée de contexte associée au segment routier.
Ainsi, le procédé permet d'améliorer la qualité des prédictions en sélectionnant un modèle de prédiction adapté à l'environnement du segment routier pour lequel la prédiction est réalisée. Les stations d'un premier ensemble sont partitionnées selon des similitudes dans les erreurs de prédiction, de sorte que chaque partition comprend des stations qui partagent un contexte environnemental comparable. En effet, si au moins deux modèles présentent un profil d'erreur similaire sur un ensemble de stations, on peut présumer que ces au moins deux modèles sont issus de stations dont le contexte est comparable. Le procédé permet ainsi d'entrainer des modèles sur des stations possédant un contexte spécifique pour obtenir des modèles prédictifs spécialisés selon le contexte. Ces modèles spécifiques sont ensuite étiquetés à partir d'un modèle prédictif entraîné sur un deuxième ensemble de stations pour lesquelles une donnée de contexte est disponible. De cette façon, lorsqu'un véhicule circulant par exemple près d'un cours d'eau demande une condition de surface de la chaussée, le modèle spécifiquement entraîné pour le contexte « cours d'eau » est utilisé pour la prédiction.
Un avantage du procédé de prédiction est de permettre l'entrainement de modèles prédictifs spécialisés pour un contexte particulier à partir de données pour lesquelles aucune information de contexte n'est disponible. On réduit ainsi le coût de développement du jeu de données d'entrainement et on améliore la qualité des prédictions.
Selon un mode particulier de réalisation, l'étape de prédiction d'une condition météo à la surface d'un segment routier particulier comprend :
L'identification (208), à partir d'une cartographie numérique, d'au moins un élément de contexte susceptible d'influencer les conditions météo de surface du segment, La sélection d'un modèle prédictif MP2 selon l'élément de contexte identifié.
De cette façon, chaque demande de prédiction d'une condition de surface transmise par un véhicule est associée à un contexte environnemental particulier permettant la sélection du modèle le plus adapté.
Selon une réalisation particulière, le procédé est tel qu'il comprend en outre une étape d'entrainement d'un modèle prédictif MP3 pour prédire au moins une donnée de contexte relative à l'environnement d'une station météo routière particulière à partir : D'observations météorologiques et de conditions de surface relevées par un deuxième ensemble de stations météo routières, et
De données de contexte relatives à l'environnement de chaque station du deuxième ensemble,
L'étape d'association d'au moins une donnée de contexte à un modèle prédictif MP2 comprenant l'application du modèle prédictif MP3 à des données issues des stations du groupe pour lequel le modèle prédictif MP2 a été entraîné.
L'entrainement du modèle MP3 à partir de données issues de stations pour lesquelles on dispose d'une information de contexte permet de trouver des corrélations entre des conditions atmosphériques, des conditions de surface et une caractéristique de l'environnement. L'application de se modèles aux données issues des différents groupes permet d'étiqueter chaque groupe avec une ou plusieurs données de contexte.
Selon un mode particulier de réalisation, l'étape de partitionnement en groupes de stations comprend des étapes de :
Mémorisation d'un vecteur d'erreurs associé à une station particulière du premier ensemble, comprenant des indicateurs représentatifs des erreurs de prédictions commises par les modèles prédictifs PI entraînés pour les autres stations du premier ensemble, lorsqu'ils sont appliqués aux données issues de la station considérée, Détermination de groupes selon au moins un critère de distance calculée entre les vecteurs d'erreurs associés aux stations du premier ensemble.
Ainsi, les erreurs de prédictions mémorisées dans un vecteur associé à une station constituent une signature d'une caractéristique particulière de la station. Le regroupement selon un critère de distance permet la définition de groupes de stations partageant une même caractéristique.
Selon un mode particulier de réalisation, une donnée de contexte comprend au moins une valeur représentative d'une caractéristique particulière de l'environnement à un emplacement donné, la caractéristique étant sélectionnée parmi les éléments suivants : Un pont,
Un tunnel,
Une forêt,
Un cours d'eau,
Un bâtiment,
Un dénivelé,
Un type de revêtement de la chaussée,
Une densité de trafic.
De tels éléments ont une influence particulière sur l'évolution des conditions de surface d'un segment routier, comme le temps de séchage ou la probabilité de verglas, et sont facilement identifiables à partir d'une cartographie pour étiqueter des segments routiers.
Il est également proposé un dispositif de prédiction d'une condition météorologique à la surface d'un segment routier, le dispositif comprenant un processeur et un mémoire dans laquelle sont enregistrées des instructions de programme configurées pour mettre en œuvre les étapes suivantes, lorsqu'elles sont exécutées par le processeur :
Collecte d'observations météorologiques et de conditions de surface relevées par un premier ensemble de stations météo routières,
Pour chaque station du premier ensemble de stations : o Entrainement à partir des données collectées pour la station considérée, d'un modèle prédictif MPI adapté pour prédire une condition de surface à partir de données météo atmosphériques, o Détermination d'erreurs de prédiction commises par les modèles prédictifs MPI entraînés pour les autres stations du premier ensemble, lorsqu'ils sont appliqués aux données issues de la station considérée,
Partitionnement du premier ensemble en groupes de stations déterminés selon un critère de similarité dans les erreurs de prédiction déterminées, Pour chacun des groupes déterminés, entrainement d'un modèle prédictif MP2 à partir des données collectées par les stations du premier groupe pour prédire une condition de surface à partir de données atmosphériques,
Association d'au moins une donnée de contexte à un modèle prédictif MP2, et Prédiction d'une condition météo à la surface d'un segment routier particulier par application de données météo atmosphériques obtenues pour l'emplacement du segment à un modèle prédictif MP2 sélectionné selon une donnée de contexte associée au segment routier.
Selon un autre aspect, l'invention concerne un serveur comprenant un dispositif de prédiction tel que décrit précédemment.
Selon encore un autre aspect, l'invention concerne un support d'information comportant des instructions de programme d'ordinateur configurées pour mettre en œuvre les étapes d'un procédé de prédiction tel que décrit précédemment, lorsque les instructions sont exécutées par un processeur.
Le support d'information peut être un support d'information non transitoire tel qu'un disque dur, une mémoire flash, ou un disque optique par exemple.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker des instructions. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, RAM, PROM, EPROM, un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question. Les différents modes ou caractéristiques de réalisation précités peuvent être ajoutés indépendamment ou en combinaison les uns avec les autres, aux étapes du procédé de prédiction. Les serveurs, dispositifs et supports d'information présentent au moins des avantages analogues à ceux conférés par le procédé auquel ils se rapportent.
Brève description des figures
D'autres caractéristiques et avantages de l'invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :
[Fig. 1] La figure 1 représente une carte de l'Allemagne sur laquelle on a représenté deux ensembles de stations météo routières, et
[Fig. 2] La figure 2 est un ordinogramme sur lequel sont représentées les principales étapes d'un procédé de prédiction selon un mode de réalisation particulier.
Description d'un mode de réalisation particulier
La figure 1 est une carte de l'Allemagne sur laquelle on a représenté par des points noirs un premier ensemble de stations météo routière et par des points blancs un second ensemble de stations.
Une station météo routière (ou RWIS, pour Road Weather Information System en anglais), est une station météo automatique comprenant des capteurs et une unité de communication adaptée pour transmettre les données capturées vers un centre de traitement. Une telle station permet l'obtention de données relatives aux conditions météo atmosphériques classiques, mais aussi de données relatives aux conditions de surface de la chaussée à l'emplacement où elle est installée. Pour cela, une station RWIS peut utiliser un capteur infrarouge situé en surplomb de la route ou une sonde implantée dans la chaussée. Ces sondes ne permettent de sonder les conditions de la route que très localement, c'est-à- dire en un point précis ou sur une surface restreinte pour les sondes IR. Ainsi, contrairement aux données météo atmosphériques qui sont valables à plus ou moins grande échelle, les données d'une station RWIS sont très localisées : par exemple, l'ombre portée d'un arbre peut affecter localement la température de quelques degrés ou un renfoncement dans la chaussée peut créer une flaque d'eau et influencer la mesure d'une hauteur d'eau. Les capteurs d'une telle station permettent d'obtenir des informations concernant la température de surface d'une chaussée, la vitesse et la direction du vent, la visibilité, l'humidité de la chaussée et une hauteur d'un film d'eau, la présence de verglas ou de neige, etc...
La figure 1 montre également un serveur 101 d'un réseau de télécommunication 103 au travers duquel les stations représentées sur la carte peuvent communiquer avec le serveur. En particulier, les stations représentées sur la carte peuvent transmettre au serveur 101 leurs observations et mesures par l'intermédiaire du réseau de communication 103.
Le serveur 101 comprend une interface de communication, par exemple une carte réseau Ethernet lui permettant d'échanger des messages avec d'autres dispositifs, comme des stations météo. Le serveur 101 comprend également une mémoire et une unité de traitement dotée d'un processeur. Le processeur de l'unité de traitement est configuré par des instructions enregistrées dans la mémoire pour mettre en œuvre les étapes d'un procédé de prédiction selon un mode de réalisation particulier.
Les stations météo de la figure 1 sont ainsi réparties sur différents segments routiers et transmettent régulièrement leurs observations au serveur de traitement 101 par l'intermédiaire d'une connexion réseau, par exemple par l'intermédiaire d'un réseau d'accès cellulaire de type 3G, 4G ou 5G, ou par un réseau filaire
Le serveur 101 peut accéder à une base de données 102 comprenant des enregistrements relatifs aux stations météo représentées sur la figure 1. Ces enregistrements comprennent des données relatives aux différentes stations météo ainsi qu'un historique d'observations réalisées par chacune des stations. La base de données 102 comprend notamment, pour chaque station, une localisation géographique de la station ainsi qu'un historique d'observations horodatées effectuées par la station. La base de données 102 comprend en outre, pour chaque station du deuxième ensemble de stations, une donnée de contexte relative à une caractéristique particulière de l'environnement de la station, par exemple un type de revêtement du segment routier surveillé par la station, un type de voie de circulation, une information topographique, comme la présence d'un pont, d'un bâtiment, de végétation, d'un dénivelé ou encore d'un cours d'eau, etc... Plus généralement, les stations du deuxième ensemble sont particulières en ce qu'elles sont associées dans la base de données 102 à une information contextuelle concernant l'environnement immédiat d'une station, comme la présence d'éléments susceptibles d'influencer les conditions météo de surface du segment routier à l'emplacement de la station. En effet, compte tenu de la sensibilité des mesures réalisées par les sondes RWIS, une définition précise de l'environnement immédiat de la zone d'observation est primordiale pour bien caractériser la mesure.
Un mode particulier de réalisation du procédé de prédiction va maintenant être décrit en référence à la figure 2.
Lors d'une première étape 200, le serveur 101 collecte un historique de conditions de surface de la chaussée observées auprès d'une pluralité de stations de météo routières et un historiques d'observations et/ou de prévisions météo atmosphériques correspondant aux zones d'implantation des stations, et mémorise ces données dans une base de données 102. Le serveur dispose ainsi, pour chaque station et pour au moins une période donnée, d'observations météo atmosphériques locales horodatées associées à des conditions de surface du segment routier surveillé par la station. Le serveur dispose également pour chaque station d'une donnée de localisation, par exemple des coordonnées géographiques. Ces coordonnées permettent notamment au serveur 101 d'identifier, par mise en correspondance avec une cartographie, le segment routier sur lequel est installée une station et d'obtenir, auprès d'un fournisseur de prévisions météorologiques, des prévisions météo atmosphériques pour la zone d'implantation d'une station.
Comme on l'a vu, les enregistrements de la base de données 102 comprennent en outre, pour le deuxième ensemble de stations, une information contextuelle concernant l'environnement immédiat d'une station, comme la présence et l'orientation d'éléments susceptibles d'influencer les conditions météo de surface du segment routier à proximité de la station. Ainsi, les stations sans données de contexte associées dans la base de données 102 forment un premier ensemble de stations, et les stations auxquelles une donnée de contexte est associée dans la base de données 102 forment un deuxième ensemble de stations. On note que la plupart des stations déployées n'ont pas de données de contexte associées de sorte qu'il est difficile d'entrainer des modèles pour un contexte spécifique.
A l'étape 201, pour chaque station du premier ensemble, on entraine un modèle de prédiction à partir d'un historique de prévisions et/ou d'observations météo atmosphériques et des observations relatives à l'état de la chaussée pour prédire des conditions de surface de la chaussée à partir d'observations atmosphériques. Pour cela, on applique des traitements statistiques aux données pour obtenir des variables caractéristiques. Ces traitements sont connus sous la dénomination « feature engineering » en anglais. Par exemple, on peut calculer une température moyenne sur une fenêtre temporelle glissante particulière, un cumul de précipitations, une valeur représentative d'un index UV, etc... Ces variables sont utilisées pour créer un vecteur caractéristique auquel on peut par exemple ajouter l'heure de la journée et/ou une date. Le vecteur caractéristique comprend en outre des variables cibles du modèle d'apprentissage issues des observations au sol réalisée par la station considérée.
De cette façon, on obtient pour chaque station du premier ensemble un premier modèle prédictif MPI adapté pour prédire un état de la chaussée aux abords de la station à partir d'observations et/ou de prévisions météo pour la zone d'implantation de la station considérée. Par exemple, pour chaque station du premier ensemble, on peut entrainer un modèle pour prédire une température de la chaussée à partir d'observations ou de prédictions météo obtenues pour l'emplacement de la station auprès d'un fournisseur de prévisions météo ou de la station elle-même. Bien entendu, les modèles MPI peuvent être entraînés pour prédire d'autres caractéristiques de la surface, comme son degré d'humidité, son état « sec », « verglas », « humide » ou encore une hauteur d'un film d'eau.
Ainsi, pour chaque station i du premier ensemble de N stations, on a :
WFi + GTi => MPli
Avec WFi les données météo pour l'emplacement de la station à un instant t, GTi les conditions de surface observée par la station i à l'instant t et MPli le modèle entraîné pour la station i.
Lors d'une étape 202, on utilise chaque modèle MPI entraîné à l'étape 201 pour prédire une condition de surface à l'emplacement de chaque autre station du premier ensemble, le premier ensemble comprenant N stations. Plus précisément, chacun des modèles MPI entraînés à l'étape 201 est appliqué aux observations météo obtenues à un instant particulier pour les autres stations du premier ensemble afin d'obtenir, pour chacune des N stations du premier ensemble, N-l conditions de surface prédites par différents modèles. On obtient ainsi par exemple pour chaque station un ensemble de températures prédites par les modèles MPI entraînés à partir des données associées aux autres stations.
Les N-l prédictions réalisées pour chaque station du premier ensemble sont alors comparées lors d'une étape 203 aux conditions de surface observées par la station considérée afin de déterminer une erreur de prédiction. Autrement dit, on calcule l'erreur commise par un modèle MPli associé à une station / particulière pour prédire une condition de surface observée par une station distincte. L'erreur peut être estimée de différentes façon et comprendre un ou plusieurs indicateurs d'écarts, par exemple une erreur quadratique moyenne (ou MSE pour « Mean Squared Error » en anglais), une erreur absolue moyenne (ou MAE pour « Mean Absolute Error » en anglais), une précision, une valeur maximum d'erreur, etc... Ainsi, en considérant X indicateurs d'erreurs, chacune des N stations du premier ensemble est associée à un vecteur comprenant N * X valeurs correspondant aux erreurs de prédictions réalisées pour la station considérée et par les autres stations. Le vecteur est mémorisé en association avec la station dans un mémoire, par exemple dans la base de données 102.
Dans une réalisation particulière, les étapes 202 et 203 sont répétées pour une pluralité de données météo concernant différentes périodes et/ou conditions météorologiques. De cette façon, il est possible de calculer par exemple une erreur moyenne commise par un modèle particulier pour prédire une condition de surface à l'emplacement d'une autre station particulière. On peut également calculer une pluralité d'erreurs moyennes correspondant à différentes conditions météorologiques. Autrement dit, on détermine un profil d'erreur permettant de caractériser l'erreur d'un modèle lorsqu'il est appliqué aux données météo d'une région différente de celle pour laquelle il a été entraîné. L'erreur concerne par exemple une différence de température entre une température prédite par le modèle et la température effectivement observée, ou bien un écart dans la prédiction d'une condition de surface de type « sec », « humide », verglas », « neige » et une condition effectivement constatée ou encore une différence de hauteur d'eau. A l'étape 204 on partitionne le premier ensemble de stations pour définir des groupes de stations (« clustering » en anglais) selon un critère de similarité entre les vecteurs d'erreurs associés aux stations lors de l'étape 203. Pour cela, on calcule par exemple une distance euclidienne entre chaque vecteur et on regroupe entre eux les vecteurs dont la distance est inférieure à un seuil. Les vecteurs associés aux différentes stations constituent une matrice de X*N colonnes et N lignes, avec N le nombre de stations du premier ensemble et X le nombre d'indicateurs d'erreurs, dans laquelle une colonne i correspond toujours à la prédiction d'une même station et un même indicateur. Dans une réalisation particulière, la distance est définie par :
Figure imgf000014_0001
Avec Xi et x'i la composante i de deux vecteurs à comparer. Il est ainsi proposé de comparer les stations 2 à 2, en considérant pour chaque point de comparaison les prédictions d'un modèle dans une métrique particulière i, c'est-à-dire en comparant les indicateurs d'erreur correspondants.
On applique par exemple un algorithme de classification non supervisé bien connu de type DBSCAN ou kMEANS. Une telle disposition permet d'obtenir des groupes de modèles MPI présentant des incertitudes similaires pour prédire une condition de surface. L'idée sous- jacente étant que si au moins deux modèles présentent un profil d'erreur similaire sur un ensemble de M stations, on peut présumer que ces au moins deux stations ont un contexte comparable. Par exemple deux modèles entraînés à partir d'observations réalisées par une station située à l'ombre d'un bâtiment présenteront une erreur de prédiction comparable lorsqu'ils sont appliqués à des données issues de stations bien exposées.
Lors d'une étape 205, on entraîne un modèle de prédiction MP2 pour chaque groupe identifié à l'étape 204, en agrégeant les données de toutes les stations du groupe. Pour cela, on entraîne un modèle prédictif MP2 pour chacun des groupes de stations déterminés à partir des données atmosphériques et des conditions de surface correspondantes observées par les stations. Chaque modèle MP2 ainsi obtenu est associé au groupe de stations pour lequel il a été entraîné. On obtient ainsi des modèles plus génériques, moins spécialisés que les modèles MPI obtenus à l'étape 201. A l'étape 206, on entraine un modèle de prédictif MP3 à partir des données associées aux stations du deuxième ensemble pour lesquelles on dispose d'une information de contexte (type de revêtement, type de voie de circulation, sous un pont, à l'ombre d'un immeuble, près d'une rivière, en forêt, etc.). Plus précisément, le modèle est entraîné pour prédire un contexte particulier à partir d'observations météorologiques et de conditions de surface. L'entrainement est réalisé à partir de vecteurs caractéristiques comprenant au moins des variables issues des données météo atmosphériques observées pour une station, des variables issues des conditions de surface observées par la station, et des variables cibles correspondant aux données de contexte associées à la station.
Lors de l'étape 207, on utilise le modèle MP3 entraîné à l'étape 206 pour attribuer une liste de contextes possibles aux groupes de stations définis pour le premier ensemble. De cette façon, chaque groupe de station peut être étiqueté avec au moins un contexte représentatif. On connaît alors la spécialisation du modèle MP2 entraîné à partir des données collectées par les stations d'un groupe de station particulier lors de l'étape 205. Pour cela, on applique les conditions atmosphériques et les conditions de surface observées par les groupes de stations du premier ensemble au modèle prédictif MP3 entraîné à l'étape 206. Le modèle MP3 étant entraîné pour déterminer un contexte à partir des observations météo atmosphériques et les conditions de surface, il est ainsi possible d'associer un contexte à chaque groupe de stations du premier ensemble. Un modèle prédictif MP2 ayant été associé par ailleurs à chaque groupe de station lors de l'étape 205, on peut ainsi associer une donnée de contexte environnemental à chacun des modèles MP2.
A l'étape 208, on utilise une carte numérique du réseau routier pour associer une donnée de contexte à chaque segment routier. Par exemple, on utilise les ponts, les cours d'eau, les forêts référencés sur la carte pour associer un contexte à chaque segment routier.
Enfin, lors d'une étape 209, on détermine une condition de surface pour un segment routier particulier en appliquant un des modèles MP2 entraînés à l'étape 205 à des prévisions et/ou observations météo atmosphériques obtenues pour le segment routier. Le modèle MP2 appliqué est sélectionné à partir du contexte associé au segment à l'étape 208 et des contextes attribués aux groupes à l'étape 207. Par exemple, lorsqu'un véhicule en circulation sur un segment routier particulier souhaite obtenir une condition de surface, il transmet au serveur 101 une requête adaptée comprenant ses coordonnées géographiques. A la réception d'un tel message, le serveur détermine au moyen des coordonnées géographiques un segment routier particulier sur lequel circule le véhicule. Pour identifier le segment routier, le serveur met en correspondance les coordonnées géographiques reçues avec une représentation numérique du réseau routier. Le serveur 101 consulte alors la base de données 102 pour obtenir un contexte associé au segment. Le serveur sélectionne ensuite parmi les modèles prédictifs MP2 entraînés à l'étape 205 un modèle adapté au contexte déterminé pour le segment et applique à ce modèle des variables issues de conditions météo atmosphériques disponibles pour la zone géographique dans laquelle se situe le segment routier pour prédire une condition de surface. De cette façon, le véhicule obtient une condition de surface qui tient compte des spécificités du segment sur lequel il circule.
Selon une réalisation particulière, les conditions de surface sont régulièrement précalculées par le serveur 101 pour un ensemble de segments routiers. De cette façon, à la réception d'une requête en provenance d'un véhicule, la prédiction est immédiatement disponible.
Les modèles MPI, MP2 et MP3 sont issus de la famille des modèles supervisés en apprentissage automatique et ils sont ici appliqués au cas particulier des séries temporelles. Par supervisé, on entend que l'une des variables du problème correspond à la cible que l'on cherche à prédire. En notant f le modèle, x un vecteur d'entrée et y la variable cible, on traite ainsi un problème du type : '(%) = y. Les modèles d'apprentissage automatique permettent d'obtenir une approximation de la fonction réelle f qui décrirait parfaitement l'évolution du système, en dérivant une fonction f approchée qui est obtenue par minimisation de l'erreur :
£ = g f' — y) où g est une métrique d'erreur.
En pratique, le fait que l'on traite ici d'une série temporelle implique qu'il existe une corrélation forte entre 2 points d'observation y t- et y(t2) si les dates d'observation
Figure imgf000016_0001
et t2 sont proches. Cette corrélation forte au niveau des variables cibles sont souvent présentes au niveau des variables d'entrées x décrivant le problème. Cette dépendance entre les points par rapport au temps t peut être prise en compte de plusieurs manières lors de la modélisation. Certains modèles sont intrinsèquement construits pour traiter les séquences temporelles, tels que les réseaux de neurones récurrents (RNN, LSTM, ...) ou les modèles de type ARIMA. D'autres modèles peuvent néanmoins être utilisés dès lors que les vecteurs d'entrée x permettent de prendre en compte cette dépendance temporelle des observations. Par exemple, un pourra utiliser des modèles qui prédisent les variables cibles yt indépendamment les unes des autres mais en créant un vecteur xt associé à cette observation, dont les composantes prennent en compte l'historique récent des observations (par exemple via des statistiques sur des fenêtres temporelles ou des décalages d'observations dans le temps, ...). On peut ainsi utiliser des modèles classiques de régression ou classification en apprentissage automatique tels que des régression linéaire ou logistique, ou des modèles plus complexes tels que des modèles basés sur des arbres de décision (random forest, ou gradient boosting), ou encore des réseaux de neurones.

Claims

REVENDICATIONS Procédé de prédiction d'une condition météorologique à la surface d'un segment routier, le procédé comprenant les étapes suivantes :
Collecte (200) d'observations météorologiques et de conditions de surface relevées par un premier ensemble de N stations météo routières, Pour chaque station du premier ensemble de stations : o Entrainement (201) à partir des données collectées pour la station considérée, d'un modèle prédictif MPI adapté pour prédire une condition de surface à partir de données météo atmosphériques, o Application du modèle MPI à des données issues des N-l autres stations de l'ensemble, o Détermination de N-l erreurs de prédiction par comparaison des N-l prédictions avec des observations correspondantes issues des N-l stations, et o Association à la station d'un vecteur d'erreur comprenant les N-l erreurs déterminées,
Partitionnement (204) du premier ensemble en groupes de stations déterminés selon un critère de similarité entre les vecteurs d'erreurs associés à chaque station, Pour chacun des groupes déterminés, entrainement (205) d'un modèle prédictif MP2 à partir des données collectées par les stations appartenant au groupe considéré pour prédire une condition de surface à partir de données atmosphériques, Association (207) d'au moins une donnée de contexte à un modèle prédictif MP2, et Prédiction (209) d'une condition météo à la surface d'un segment routier particulier par application de données météo atmosphériques obtenues pour l'emplacement du segment à un modèle prédictif MP2 sélectionné selon une donnée de contexte associée au segment routier. Procédé selon la revendication 1 dans lequel l'étape de prédiction d'une condition météo à la surface d'un segment routier particulier comprend :
L'identification (208), à partir d'une cartographie numérique, d'au moins un élément de contexte susceptible d'influencer les conditions météo de surface du segment, et La sélection d'un modèle prédictif MP2 selon l'élément de contexte identifié. Procédé selon l'une quelconque des revendications précédentes tel qu'il comprend en outre une étape d'entrainement (206) d'un modèle prédictif MP3 pour prédire au moins une donnée de contexte relative à l'environnement d'une station météo routière particulière à partir :
D'observations météorologiques et de conditions de surface relevées par un deuxième ensemble de stations météo routières, et
De données de contexte relatives à l'environnement de chaque station du deuxième ensemble,
L'étape d'association (207) d'au moins une donnée de contexte à un modèle prédictif MP2 comprenant l'application du modèle prédictif MP3 à des données issues des stations du groupe pour lequel le modèle prédictif MP2 a été entraîné. Procédé selon l'une quelconque des revendications précédentes dans lequel l'étape de partitionnement en groupes de stations comprend des étapes de :
Mémorisation d'un vecteur d'erreurs associé à une station particulière du premier ensemble, comprenant des indicateurs représentatifs des erreurs de prédictions commises par les modèles prédictifs MPI entraînés pour les autres stations du premier ensemble, lorsqu'ils sont appliqués aux données issues de la station considérée, et Détermination de groupes selon au moins un critère de distance calculée entre les vecteurs d'erreurs associés aux stations du premier ensemble. Procédé selon l'une quelconque des revendications précédentes dans lequel une donnée de contexte comprend au moins une valeur représentative d'une caractéristique particulière de l'environnement à un emplacement donné, sélectionnée parmi :
Un pont, Un tunnel, Une forêt, Un cours d'eau, Un bâtiment, Un dénivelé, Un type de revêtement de la chaussée,
Une densité de trafic. Dispositif de prédiction d'une condition météorologique à la surface d'un segment routier, le dispositif comprenant un processeur et un mémoire dans laquelle sont enregistrées des instructions de programme configurées pour mettre en œuvre les étapes suivantes, lorsqu'elles sont exécutées par le processeur :
Collecte (200) d'observations météorologiques et de conditions de surface relevées par un premier ensemble de N stations météo routières,
Pour chaque station du premier ensemble de stations : o Entrainement (201) à partir des données collectées pour la station considérée, d'un modèle prédictif MPI adapté pour prédire une condition de surface à partir de données météo atmosphériques, o Application du modèle MPI à des données issues des N-l autres stations de l'ensemble, o Détermination de N-l erreurs de prédiction par comparaison des N-l prédictions avec des observations correspondantes issues des N-l stations, et o Association à la station d'un un vecteur d'erreur comprenant les N-l erreurs déterminées,
Partitionnement (204) du premier ensemble en groupes de stations déterminés selon un critère de similarité entre les vecteurs d'erreurs associés à chaque station,
Pour chacun des groupes déterminés, entrainement (205) d'un modèle prédictif MP2 à partir des données collectées par les stations appartenant au groupe pour prédire une condition de surface à partir de données atmosphériques,
Association (207) d'au moins une donnée de contexte à un modèle prédictif MP2, et Prédiction (206) d'une condition météo à la surface d'un segment routier particulier par application de données météo atmosphériques obtenues pour l'emplacement du segment à un modèle prédictif MP2 sélectionné selon une donnée de contexte associée au segment routier. Serveur comprenant un dispositif de prédiction selon la revendication 6. Support d'information comportant des instructions de programme d'ordinateur configurées pour mettre en œuvre les étapes d'un procédé de prédiction selon l'une quelconque des revendications 1 à 5 lorsque les instructions sont exécutées par un processeur.
PCT/EP2022/078178 2021-10-20 2022-10-11 Procédé de prédiction d'une condition de surface d'un segment routier WO2023066710A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2111152 2021-10-20
FR2111152A FR3128178B1 (fr) 2021-10-20 2021-10-20 Procédé de prédiction d’une condition de surface d’un segment routier

Publications (1)

Publication Number Publication Date
WO2023066710A1 true WO2023066710A1 (fr) 2023-04-27

Family

ID=80122624

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/078178 WO2023066710A1 (fr) 2021-10-20 2022-10-11 Procédé de prédiction d'une condition de surface d'un segment routier

Country Status (2)

Country Link
FR (1) FR3128178B1 (fr)
WO (1) WO2023066710A1 (fr)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021144158A1 (fr) * 2020-01-13 2021-07-22 Continental Automotive Gmbh Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier
EP3882880A1 (fr) * 2018-11-13 2021-09-22 The University of Tokyo Dispositif, système, procédé et programme d'estimation de profil de surface routière

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3882880A1 (fr) * 2018-11-13 2021-09-22 The University of Tokyo Dispositif, système, procédé et programme d'estimation de profil de surface routière
WO2021144158A1 (fr) * 2020-01-13 2021-07-22 Continental Automotive Gmbh Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier

Also Published As

Publication number Publication date
FR3128178A1 (fr) 2023-04-21
FR3128178B1 (fr) 2024-04-19

Similar Documents

Publication Publication Date Title
US10989544B2 (en) Utilizing artificial neural networks to evaluate routes based on generated route tiles
EP2079984B1 (fr) Procede de construction d'un modele numerique d'une route
US20170357862A1 (en) Methods and systems for moving traffic obstacle detection
WO2021082464A1 (fr) Procédé et dispositif de prédiction de la destination d'un véhicule
WO2021144158A1 (fr) Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier
WO2018083200A1 (fr) Procédé d`élaboration d`une carte d`autonomie de navigation pour un véhicule
EP4026110A1 (fr) Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier
FR3113328A1 (fr) Procédé et dispositif de prédiction d’une condition météorologie sur un réseau routier
JPWO2020016924A1 (ja) 交通情報生成システム
FR3122011A1 (fr) Procédé de détermination de la quantité d’émissions polluantes émises par un véhicule sur un brin d’un réseau routier
FR3097504A1 (fr) Procédé et dispositif de prédiction d’un coefficient de friction personnalisé pour un véhicule sur un segment routier
FR2956202A1 (fr) Procede pour determiner l'image de segments de trajet utilises ou connus
EP2084552A1 (fr) Procédé et dispositif de localisation par détection d'émetteurs de signaux hertziens
WO2020058234A1 (fr) Dispositif de prédiction de trajet le plus probable d'un véhicule
WO2023066710A1 (fr) Procédé de prédiction d'une condition de surface d'un segment routier
KR102528991B1 (ko) 인공지능 기반 스마트 도시 침수 예측 시스템
FR3079954A1 (fr) Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route
WO2013190233A1 (fr) Méthode d'estimation d'un temps de parcours d'un véhicule dans un réseau routier
FR3092546A1 (fr) Identification de zones roulables avec prise en compte de l’incertitude par une méthode d’apprentissage profond
Song et al. Remote estimation of free-flow speeds
FR3103305A1 (fr) Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier.
WO2017216495A1 (fr) Procédé de détermination d'une classe de conduite de référence
FR3123731A1 (fr) Procédé de prédiction d’une condition météo à la surface d’un segment particulier d’un réseau routier
FR3115874A1 (fr) Procédé et dispositif de mise à jour participative d’une cartographie
WO2023036621A1 (fr) Procédé de prédiction d'une condition météo de surface d'un segment routier

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22800275

Country of ref document: EP

Kind code of ref document: A1