WO2023075583A1 - Méthode pour l'analyse de l'impact de la présence d'un mécanisme de contrôle sur le comportement de la conduite - Google Patents

Méthode pour l'analyse de l'impact de la présence d'un mécanisme de contrôle sur le comportement de la conduite Download PDF

Info

Publication number
WO2023075583A1
WO2023075583A1 PCT/MA2022/050009 MA2022050009W WO2023075583A1 WO 2023075583 A1 WO2023075583 A1 WO 2023075583A1 MA 2022050009 W MA2022050009 W MA 2022050009W WO 2023075583 A1 WO2023075583 A1 WO 2023075583A1
Authority
WO
WIPO (PCT)
Prior art keywords
locations
impact
driving behavior
control mechanism
analyzing
Prior art date
Application number
PCT/MA2022/050009
Other languages
English (en)
Inventor
Amal EZZOUHRI
Zakaria CHAROUH
Mounir GHOGHO
Zouhair GUENNOUN
Original Assignee
Université Internationale de RABAT
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 Université Internationale de RABAT filed Critical Université Internationale de RABAT
Publication of WO2023075583A1 publication Critical patent/WO2023075583A1/fr

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Abstract

L'invention porte sur une méthode combinant les techniques de l'ingénierie de données et du machine learning permettant d'étudier l'effet de la présence de l'agent de police sur le comportement de conduite. L'invention consiste en l'utilisation des données issues par le crowdsourcing reportant la présence d'un mécanisme de contrôle de tout genre (radar, point de contrôle) par des techniques de web-scrapping et de filtrage de données, pour l'obtention des coordonnées GPS de ces emplacements, et d'un autre coté sur des plates-formes de navigation routière pour l'obtention des informations décrivant les types de route des points obtenues, et les vitesses moyennes correspondantes. Ainsi, et pour chaque point contrôlé, nous appliquons un mécanisme de recherche sur un emplacement adjacent (à 500 mètres) qui n'est pas contrôlé, et qui partage les mêmes caractéristiques. Ainsi nous étudions la distribution de l'écart des vitesses moyennes entre chaque paire de points.

Description

Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite
La présente invention appartient au domaine de systèmes de transport intelligents.
Il existe différentes façons d’agir sur le comportement des conducteurs et de contrôler la vitesse du trafic. Celles-ci incluent des mesures telles que l'aménagement des rues, les campagnes publicitaires et la présence d’agent de la police. Le renforcement des points de contrôle est naturellement une considération majeure dans toute tentative de contrôle de la vitesse du trafic.
L’invention porte sur un framework logiciel combinant les techniques de l’ingénierie de données et du machine learning permettant d’étudier l’effet de la présence de l’agent de police sur le comportement de conduite. L’invention consiste en l’utilisation des données issues par le crowdsourcing reportant la présence d’un mécanisme de contrôle de tout genre (radar, point de contrôle) par des techniques de web-scrapping et de filtrage de données, pour l’obtention des coordonnées GPS de ces emplacements, et d’un autre coté sur des plates-formes de navigation routière pour l’obtention des informations décrivant les types de route des points obtenues, et les vitesses moyennes correspondantes. Ainsi, et pour chaque point contrôlé, nous appliquons un mécanisme de recherche sur un emplacement adjacent (à 500 mètres) qui n’est pas contrôlé, et qui partage les mêmes caractéristiques. Ainsi nous étudions la distribution de l’écart des vitesses moyennes entre chaque paire de points.
Il existe peu de preuves de l'efficacité de ces mesures. Les quelques recherches qui ont été entreprises se sont concentrées principalement sur les routes, tandis que le problème de la mise en application dans les zones urbaines a été peu traité. Des études ont conclu qu’il était bien établi que la présence d’un symbole de présence policière (par exemple une voiture de police) réduirait la vitesse des véhicules et que cette réduction peut être maintenue pendant un certain temps après que les véhicules ont dépassé le symbole de présence.
Malheureusement, il n’existe pas un mécanisme efficace qui permet de faire une étude empirique sur l’impact de la présence d’un agent de police sur le comportement de conduite. D’une autre part, il est essentiel d’étudier l’effet de mémoire, c’est à dire vérifier si les conducteurs changent leur comportement dans des endroits où ils ont aperçu dans le passé un agent de police.
Le mécanisme le plus efficace pour remédier à cette problématique s’agit de mettre en place une couverture dense de points de contrôle, or, cette solution reste non optimale à cause du cout élevé qui est lié à cela.
Notre méthode repose sur les données crowdsourcing issues de l’application mobile « Waze », nous appliquons les techniques d’ingénierie de données, à savoir de Web-scrapping, pour extraire des informations figurant la carte. Des techniques de filtrage de données sont appliquées sur ces données pour ne choisir que les alertes relatives aux mécanismes de contrôle en enlevant toutes les autres alertes (e.g. accidents, véhicule arrêté au bord de la route, travaux). Le framework utilise la API de TomTom pour sortir toutes les informations qui décrivent un emplacement donné sur une route.
Nous utilisons ainsi un modèle de machine learning pour la prédiction d’un point adjacent et qui partage les même caractéristiques, le modèle machine learning classifie un emplacement donné, et choisi entre tous les points de la carte qui sont à un rayon de 500 mètres, l’emplacement le plus similaire (e.g. même boulevard, même type de route, même sens). Ainsi le framework continue à enregistrer les vitesse moyennes de chaque paire de point GPS toutes les 5 minutes.
Le problème résolu par la présente invention est : modéliser le comportement des conducteurs, notamment la variation de vitesse, dans des zones routières et prédire le comportement en cas de présence de point de contrôle.
Selon le mode de réalisation de la présente de l’invention, la méthode de modélisation par machine learning est constituée des étapes suivantes :
Etape 1 : identification d’un ensemble d’emplacements contrôlés sur une région prédéfinie, le contrôle est fait généralement par radar fixe de vitesse de type Doppler par exemple.
Etape 2 : identification de l’ensemble des emplacements adjacents aux ceux qui sont identifiés à l’étape 1 et qui sont non-contrôlés. Selon des critères prédéfinis tels que le boulevard, même type de route, même sens. Ceci est dans un rayon de 500 m
Etape 3 : Extraction des descripteurs des emplacements étudiés, comme : le type de route, la vitesse maximale autorisée, type de mécanisme de contrôle, distance exacte entre les points étudiés. Cette extraction est faite à partir des API d’un système de cartographie routière (TomTom par exemple).
Etape 4 : collecte des vitesses moyennes des véhicules dans les ensembles identifiés dans les étapes 1 et 2 et annotation des donnés par le temps de collecte. Ceci est assuré à travers une application d’assistance de conducteurs sur la route et de suivi du traffic (Waze par exemple).
Etape 5 : modélisation du comportement des conducteurs par machine learning.
Les figures suivantes illustre l’invention :
Fig.1
schéma de représentant le comportement de ralentissement avant passage au niveau d’un point de contrôle.
Fig.2
la figure représente le processus de traitement de l’information pour la modélisation du comportement du conducteur.
Fig.3
Comparaison des vitesses moyennes entre les emplacements contrôlés (bleu) et non-contrôlés (orange)

Claims (7)

  1. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite composé des étapes suivantes :
    • Identification d’un ensemble d’emplacements contrôlés sur une région prédéfinie
    • Identification de l’ensemble des emplacements adjacents à ceux qui sont identifiés à l’étape 1 et qui sont non-contrôlés.
    • Extraction des descripteurs des emplacements étudiés, comme : le type de route, la vitesse maximale autorisée, type de mécanisme de contrôle, distance exacte entre les points étudiés.
    • Collecte des vitesses moyennes des véhicules dans les ensembles identifiés dans les étapes 1 et 2 et annotation des donnés par le temps de collecte.
    • Modélisation du comportement des conducteurs par machine Learning.
  2. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite selon la revendication 1 caractérisé en ce que l’identification d’un ensemble d’emplacements contrôlés se fait sur la base de contrôle par radar, par mise en place de point de contrôle par agents de polices ou tout type de contrôle.
  3. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite selon la revendication 1 caractérisé en ce que les emplacements non contrôlés sont identifiés sur la base des critères de similarité prédéfinis.
  4. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite selon la revendication 1 caractérisé en ce que les données sur les emplacements identifiés exclus les alertes sur la circulation telles que les accidents les embouteillages et les travaux.
  5. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite selon la revendication 1 caractérisé en ce que le descriptif sur les emplacements identifiés sont extraits à partir d’une source API de cartographie routière.
  6. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite selon la revendication 1 caractérisé en ce que les données sur les véhicules passant par les emplacements identifiés sont collectées à partir des outils à libre accès de géolocalisation et du suivi de la circulation routière.
  7. Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement de la conduite selon la revendication 1 caractérisé en ce qu’un algorithme d’apprentissage automatique est activé afin de modéliser la variation de vitesse des conducteurs sur les emplacements non contrôlés.
PCT/MA2022/050009 2021-10-26 2022-06-22 Méthode pour l'analyse de l'impact de la présence d'un mécanisme de contrôle sur le comportement de la conduite WO2023075583A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
MA54726A MA54726A1 (fr) 2021-10-26 2021-10-26 Méthode pour l’analyse de l’impact de la présence d’un mécanisme de contrôle sur le comportement des conducteurs de véhicules
MA54726 2021-10-26

Publications (1)

Publication Number Publication Date
WO2023075583A1 true WO2023075583A1 (fr) 2023-05-04

Family

ID=83149426

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/MA2022/050009 WO2023075583A1 (fr) 2021-10-26 2022-06-22 Méthode pour l'analyse de l'impact de la présence d'un mécanisme de contrôle sur le comportement de la conduite

Country Status (2)

Country Link
MA (1) MA54726A1 (fr)
WO (1) WO2023075583A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003081559A1 (fr) * 2002-03-27 2003-10-02 Stichting Noble House Dispositif et procede d'enregistrement de donnees de deplacements d'un vehicule
EP3188150A2 (fr) * 2015-12-29 2017-07-05 Thunder Power New Energy Vehicle Development Company Limited Plate-forme d'acquisition des données de comportement de conducteur
US20190378035A1 (en) * 2018-06-11 2019-12-12 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, device and medium for classifying driving scenario data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003081559A1 (fr) * 2002-03-27 2003-10-02 Stichting Noble House Dispositif et procede d'enregistrement de donnees de deplacements d'un vehicule
EP3188150A2 (fr) * 2015-12-29 2017-07-05 Thunder Power New Energy Vehicle Development Company Limited Plate-forme d'acquisition des données de comportement de conducteur
US20190378035A1 (en) * 2018-06-11 2019-12-12 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, device and medium for classifying driving scenario data

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BAUER TIM PAUL ET AL: "A Qualitative and Quantitative Analysis of Real Time Traffic Information Providers", 2019 IEEE INTERNATIONAL CONFERENCE ON PERVASIVE COMPUTING AND COMMUNICATIONS WORKSHOPS (PERCOM WORKSHOPS), IEEE, 11 March 2019 (2019-03-11), pages 113 - 118, XP033558308, DOI: 10.1109/PERCOMW.2019.8730795 *
HOSEINZADEH NIMA ET AL: "Quality of location-based crowdsourced speed data on surface streets: A case study of Waze and Bluetooth speed data in Sevierville, TN", COMPUTERS ENVIRONMENT AND URBAN SYSTEMS, NEW YORK, NY, US, vol. 83, 15 July 2020 (2020-07-15), XP086241468, ISSN: 0198-9715, [retrieved on 20200715], DOI: 10.1016/J.COMPENVURBSYS.2020.101518 *

Also Published As

Publication number Publication date
MA54726A1 (fr) 2023-04-28

Similar Documents

Publication Publication Date Title
US10573173B2 (en) Vehicle type identification method and device based on mobile phone data
Basso et al. Real-time crash prediction in an urban expressway using disaggregated data
FR3035734B1 (fr) Procede de reconnaissance d'emplacements de stationnement et/ou d'emplacements libres
Papaioannou Driver behaviour, dilemma zone and safety effects at urban signalised intersections in Greece
El-Wakeel et al. Monitoring road surface anomalies towards dynamic road mapping for future smart cities
CN109493606B (zh) 一种高速公路上违停车辆的识别方法及系统
CN106297304A (zh) 一种基于MapReduce面向大规模卡口数据的套牌车识别方法
Zhang et al. Real-time pedestrian conflict prediction model at the signal cycle level using machine learning models
Sandt et al. Identifying wrong-way driving hotspots by modeling crash risk and assessing duration of wrong-way driving events
CN114999181B (zh) 一种基于etc系统数据的高速公路车辆速度异常识别方法
Jalayer et al. Exploratory analysis of run-off-road crash patterns
WO2023075583A1 (fr) Méthode pour l'analyse de l'impact de la présence d'un mécanisme de contrôle sur le comportement de la conduite
CN110491157B (zh) 一种基于停车场数据和卡口数据的车辆关联方法
Qian Real-time incident detection using social media data.
Van Houten et al. 17-05 Effects of Safe Bicycle Passing Laws on Drivers' Behavior and Bicyclists' Safety
Wang Evaluation of traffic speed control devices and its applications
Prezioso et al. Machine Learning Insights for Behavioral Data Analysis Supporting the Autonomous Vehicles Scenario
CN106887138A (zh) 一种堵车蔓延态势侦测方法与系统
Kutela The role of crosswalk-related features on drivers' spatial yielding compliance at signalized midblock crosswalks
Yang Driver speed and acceleration behaviour on Canadian roads
AU2021106599A4 (en) System And Method For Smart Integrated Traffic Control
Rahman Network-Wide Pedestrian and Bicycle Crash Analysis with Statistical and Machine Learning Models in Utah
CN115995151B (zh) 应用于城市管理的网约车异常行为检测方法
Kitali et al. Examining the influence of work zones on the propensity of secondary crashes
US11830358B1 (en) Method and apparatus for detecting suspicious device/vehicle presence on non-navigable roads

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: 22761639

Country of ref document: EP

Kind code of ref document: A1