Academic literature on the topic 'Prévision du trafic routier'

Les impacts négatifs des déchets dispersés dans l’environnement sont soulignés depuis des décennies, mais peu de données de terrain sont disponibles dans la littérature scientifique. Les eaux pluviales peuvent contribuer de façon importante à la propagation et à l’accumulation de débris plastiques dans l’environnement. Toutefois, peu de données existent sur les flux et la composition des macrodéchets dans les eaux pluviales, y compris les débris plastiques. Afin de combler ce manque de connaissances, cette étude a pour objectif d’étudier l’occurrence, l’abondance et la composition des macrodéchets issus du trafic routier. Pour y répondre, les macrodéchets, dont les débris plastiques, ont été collectés dans un bassin de rétention des eaux pluviales drainant une portion du périphérique nantais pendant une année. Cette portion correspond à la partie sud du pont de Cheviré qui présente un trafic important (~90 000 véhicules/jour en moyenne). Les macrodéchets sont triés et classés selon la classification Ospar/TG-ML. En un an, 88,5 kg de débris ont été collectés. Au total, les plastiques correspondent à 60 % de la masse de déchets récoltés. Ces déchets plastiques sont surtout des fragments, des mégots et filtres de cigarettes, ainsi que des morceaux de polystyrène. Une identification des sources de rejets a été réalisée en différenciant les déchets jetés volontairement (37,2 %), des déchets perdus accidentellement (62,8 %), parmi les 43 % de déchets pour lesquels cette différenciation était possible. La masse de déchets collectée est fortement corrélée au trafic. Ces résultats démontrent que les routes peuvent avoir une contribution importante dans les fuites de déchets, y compris les plastiques, vers les environnements récepteurs.

Les systèmes de transport jouent un rôle primordial dans le développement de la croissance économique des pays. Cependant, l'apparition des véhicules autonomes et électriques et les restrictions mises en place pour limiter la diffusion et les impacts du Covid-19 dans les transports en commun ont eu un impact important sur l’augmentation des problèmes de transport notamment aux intersections. Le présent papier aide à résoudre ces problèmes. Cet article s'intéresse à la modélisation stochastique des flux du trafic sur les réseaux routiers, grâce à des modèles macroscopiques génériques de second ordre : la famille GSOM. Il a été montré que de tels modèles d'ordre supérieur peuvent être résolus dans un cadre lagrangien dont les coordonnées lagrangiennes se déplacent avec le trafic. La difficulté d'utiliser cette solution de résolution sur un réseau est de traiter les discontinuités eulériennes – fixes – telles que les jonctions. L'objectif de ce travail est double : d'une part, proposer des modèles d’intersection adaptés aux modèles stochastiques macroscopiques de flux de trafic de second ordre, et d'autre part, résoudre le modèle résultant dans le cadre d’un réseau routier. Quelques exemples numériques sont fournis pour montrer l'efficacité de l'approche proposée.

La société Mediamobile édite et diffuse de l'information sur le trafic aux usagers. L'objectif de ce travail est l'enrichissement de cette information par la prévision et la complétion des conditions de route. Notre approche s'inspire parfois de la modélisation physique du trafic routier mais fait surtout appel à des méthodes statistiques afin de proposer des solutions automatisables, modulaires et adaptées aux contraintes industrielles. Dans un premier temps, nous décrivons une méthode de prévision de la vitesse de quelques minutes à plusieurs heures. Nous supposons qu'il existe un nombre fini de comportements types du trafic sur le réseau, dus aux déplacements périodiques des usagers. Nous faisons alors l'hypothèse que les courbes de vitesses observées en chaque point du réseau sont issues d'un modèle de mélange. Nous cherchons ensuite à améliorer cette méthode générale de prévision. La prévision à moyen terme fait appel à des variables bâties sur le calendrier. Nous retenons le modèle de mélange des courbes de vitesse et nous proposons également des modèles de régression fonctionnelle pour les courbes de vitesses. Ensuite nous proposons une modélisation par régression locale afin de capturer la dynamique physique du trafic à très court terme. Nous estimons la fonction de noyau à partir des observations du phénomène en intégrant des connaissances a priori sur la dynamique du trafic. La dernière partie est dédiée à l'analyse des vitesses issues de véhicules traceurs. Ces vitesses sont irrégulièrement observées en temps et en espace sur un axe routier. Nous proposons un modèle de régression locale à l'aide de polynômes locaux pour compléter et lisser ces données
The industrial partner of this work is Mediamobile/V-trafic, a company which processes and broadcasts live road-traffic information. The goal of our work is to enhance traffic information with forecasting and spatial extending. Our approach is sometimes inspired by physical modelling of traffic dynamic, but it mainly uses statistical methods in order to propose self-organising and modular models suitable for industrial constraints. In the first part of this work, we describe a method to forecast trafic speed within a time frame of a few minutes up to several hours. Our method is based on the assumption that traffic on the a road network can be summarized by a few typical profiles. Those profiles are linked to the users' periodical behaviors. We therefore make the assumption that observed speed curves on each point of the network are stemming from a probabilistic mixture model. The following parts of our work will present how we can refine the general method. Medium term forecasting uses variables built from the calendar. The mixture model still stands. Additionnaly we use a fonctionnal regression model to forecast speed curves. We then introduces a local regression model in order to stimulate short-term trafic dynamics. The kernel function is built from real speed observations and we integrate some knowledge about traffic dynamics. The last part of our work focuses on the analysis of speed data from in traffic vehicles. These observations are gathered sporadically in time and on the road segment. The resulting data is completed and smoothed by local polynomial regression

Dans la première partie de cette thèse, nous décrivons une méthode de prévision de temps de parcours sur le réseau autoroutier d'Île-de-France. Cette méthode est basée sur un modèle de mélange. Les paramètres sont estimés par une classification automatique et par apprentissage. La deuxième partie est consacrée à l'étude d'un modèle semi-paramétrique de translation de courbe. Les estimations sont effectuées par une méthode de M-estimation. Nous montrons la consistance et la normalité asymptotique des estimateurs. Dans la troisième partie, nous élargissons le modèle de déformation de courbe en considérant que les déformations sont issues d'un processus aléatoire. Cela nous permet de définir, de manière intrinsèque, une notion d'espérance structurelle et de pallier ainsi à la non identifiabilité du modèle. Nous proposons un estimateur empirique de cette espérance structurelle et en montrons la consistance et la normalité asymptotique
In the first part of this thesis, we describe a travel time forecasting method on the Parisian motorway network. This method is based on a mixture model. Parameters are estimated by an automatic classification method and a training concept. The second part is devoted to the study of a semi-parametric curve translation model. Estimates are carried out by an M-estimation method. We show the consistency and the asymptotic normality of the estimators. In the third part, we widen the function warping model by considering that the warping functions result from a random process. That enables us to define, in an intrinsic way, a concept of structural expectation and thus to get round the non identifiability of the model. We propose an empirical estimator of this structural expectation and we show consistency and asymptotic normality

Cette thèse traite de la prévision à court terme du trafic routier. Elle rassemble les résultats de recherche visant à fournir aux éventuels utilisateurs une panoplie d'outils permettant de réaliser une prévision efficace et rapide, pour laquelle le paramétrage (calibrage) aura été simplifié. Ces travaux débutent par une présentation générale des concepts liés à la prévision et aux particularités du trafic routier. Autour d'un traitement basé sur la segmentation et la régression, diverses approches réalisant des traitements locaux sont étudiées. Ceci a débouché sur une version d'arbres de régression sélectifs intégrant une segmentation étendue et une régression sélective, et sur une approche régression discriminante généralisant la structuration et la régression dans un contexte prévisionnel. A l'inverse, à l'aide des réseaux de neurones, le processus de traitement est simplifié. En effet, les réseaux ne nécessitent aucun prétraitement de segmentation, ce qui contribue à réaliser un traitement global, qui se révèlera très efficace au niveau des applications. Ce travail propose quelques perspectives au niveau des arbres permettant de réaliser des segmentations plus homogènes, et de tenir compte de la particularité des individus. Les perspectives liées aux réseaux de neurones sont orientées soit vers un traitement par série temporel encore plus global, ou à l'opposé sur l'adoption d'un traitement local par une combinaison des approches arborescentes et neuronales en un arbre de prédiction sensé accroitre l'efficacité générale sans compliquer le calibrage. Les approches issues de ces recherches, sont ensuite évaluées sur des données trafic. De ces applications, il ressort que les réseaux présentent un fort potentiel de prédiction, qui peut être accru par le biais d'un traitement local à l'aide d'arbres de prédiction neuronale.

Dans le contexte de la ville intelligente, le besoin d’informer, d’anticiper, et d’agir sur l’état du réseau routier est à l'origine du développement de nombreuses méthodes de prévision de trafic. L’augmentation de nos capacités à stocker et à traiter des données, notamment en temps réel, ainsi que le nombre croissant de segments de routes équipés de capteurs sont de nouveaux éléments à considérer lors du choix d’une méthode de prévision. Malgré de nombreux travaux de recherche, nous ne disposons toujours pas d’une compréhension claire des critères permettant de prédire efficacement à l’échelle d’un réseau routier. Dans cette thèse, nous nous appuyons sur deux jeux de données réelles, collectés respectivement sur le réseau urbain de la Métropole de Lyon, et sur les autoroutes urbaines de Marseille. Nous étudions la performance de différentes méthodes issues de la littérature statistiques des séries temporelles (méthodes autorégressives) et de la littérature de l’apprentissage artificiel (machine à vecteurs de support, réseaux de neurones). Nous étudions également l’apport de différentes stratégies de sélection de voisinage (sélection d’un sous-ensemble de capteurs utiles pour la prévision d’un capteur en particulier) pour améliorer la qualité de la prévision, tout en diminuant la complexité des modèles appris. Nous comparons ainsi une approche classique (la sélection Lasso) et testons pour la première fois sur des données de trafic une méthode issue de la théorie de l’information, ayant de très bons résultats sur des problèmes similaires de physique (tigramite). Nos résultats expérimentaux confirment l’utilité de méchanismes de sélection de voisinage et illustrent la complémentarité des approches de prévisions, selon le type de réseau (urbain, autoroute) et l’horizon de prévision (de 6 à 30 minutes)
In the context of Smart Cities, there is a growing need to inform drivers, anticipate congestion and take action to manage the state of the traffic flow on the road network. This need has driven the development of a large number of traffic forecasting methods. The last decades have seen the rise in computing power, in storage capacity and in our ability to process information in real-time. More and more road segments are equipped with traffic sensors. These evolutions are new elements to take into consideration in order to design accurate traffic forecasting algorithms. Despite the large amount of research efforts on this topic, there is still no clear understanding of which criteria are required in order to achieve a high forecasting performance at the network scale. In this thesis, we study two real datasets collected in two main French cities: Lyon and Marseille. The Lyon dataset describes the traffic flow on an urban network. The Marseille dataset descrobes the traffic flow on urban freeways. We evaluate the performance of methods from different fields: time series analysis (autoregressive models), and different subfields of machine learning (support vector machines, neural networks, nearest-neighbors regression). We also study different neighborhood selection strategies in order to improve the forecasting accuracy, while decreasing the complexity of the models. We evaluate a well-known approach (Lasso) and apply for the first time on traffic data a method based on information theory and graphical models (TiGraMITe), which has shown very effective on similar physics applications. Our experimental results confirm the usefulness of neighborhood selection mechanisms in some contexts and illustrate the complementarity of forecasting methods with respect to the type of network (urban, freeway) and the forecasting horizon (from 6 to 30 minutes)

La maturité de la télématique et des technologies de l’information et la communication (TIC), ainsi que l’avènement du big data dans le transport ont conduit à des développements foisonnants dans le domaine des systèmes de transports intelligents (ITS), aussi bien sur le plan des technologies de recueil que du traitement innovant de l’information. Il est désormais possible de connaître les conditions de circulation et les états de trafic sur la plupart des sections d’un réseau routier sans avoir recours à des infrastructures intrusives de collecte de données, de transmettre l’information résultante via des réseaux sans fil et de traiter rapidement toutes ces données multi-sources disponibles. La constitution de grandes bases de données a naturellement fait évoluer la pratique de gestion du trafic et plus particulièrement les méthodes de prévision. Ces méthodes ont connu un renouveau en s’inspirant des travaux produits en apprentissage statistique. Néanmoins, la façon d’appréhender le problème de la prévision est restée à une échelle locale. Pour chaque section de route, un modèle de prévision est adapté et optimisé. Notre travail de thèse présente un cadre de prévision du trafic routier qui aborde la question à l’échelle du réseau. L’étude menée au sein de ces travaux de thèse vise à exposer et évaluer cette nouvelle approche, dite globale, au regard d’approches usuelles, puis à analyser sa sensibilité vis-à-vis de divers facteurs. Après un positionnement par rapport à l’état de l’art en théorie du trafic, le cadre prédictif fondé sur des méthodes de prévision multi-variées par apprentissage est détaillé. Une version multidimensionnelle des k plus proches voisins, modèle parcimonieux et simple, est évaluée sur divers cas d’études. L’originalité réside dans l’exploitation de données issues de méthodes innovantes de collecte (e.g. Bluetooth, véhicules traceurs, véhicules connectés). Par la suite, les performances de l’approche initiale sont comparées à d’autres méthodes d’apprentissage. Un effort particulier est porté sur l’adaptation de méthodes à noyaux au cadre prédictif global. Les performances obtenues laissent entrevoir une typologie des méthodes en fonction des caractéristiques spatiotemporelles du réseau. Afin d’améliorer les performances en prévision et de réduire les temps de calcul, une méthode d’identification et de sélection des sections critiques du réseau est proposée. Les résultats prouvent qu’un sous-ensemble restreint de sections est en effet suffisant pour garantir des performances satisfaisantes en généralisation. Enfin, la résilience du cadre prédictif est évaluée au regard des événements non récurrents affectant le fonctionnement nominal du réseau, comme des incidents ou des conditions météorologiques dégradées. Les résultats soulignent l’impact de ces conditions non récurrentes sur la prévision temps-réel de la dynamique court-terme d’un réseau et permettent de dresser une feuille de route pour l’élaboration d’un cadre prédictif résilient et opérationnel. Cette nouvelle vision de la prévision s’inscrit dans les perspectives actuelles en termes d’applications sur les modules embarqués et les objectifs des gestionnaires d’infrastructures
The maturity of information and communication technologies and the advent of Big Data have led to substantial developments in intelligent transportation systems (ITS) : from data collection to innovative processing solutions. Knowledge of current traffic states is available over most of the network range without the use of intrusive infrastructure-side collection devices, instead relying on wireless transmission of multi-source data. The increasing use of huge databases had a strong influence on traffic management, including forecasting methods. These approaches followed the recent trend towards innovative works on statistical learning. However, the prediction problem remains mainly focused on the local scale. The prediction for each road link relies on a dedicated, optimized and adapted prediction model. Our work introduces a traffic-forecasting framework able to tackle network scale problems. The study conducted in this thesis aims to present and evaluate this new “global” approach, in comparison to most-used existing works, and then to analyze its sensitivity to several factors. The traffic-forecasting framework, based on multi-variate learning methods, is detailed after a review of the literature on traffic flow theory. A multi-dimensional version of the k nearest-neighbors, a simple and sparse model, is evaluated through several use cases. The originality of the work stands on the processing approach, applied to data collected through new measurement process (e.g. Bluetooth, floating car data, connected vehicles). Then, the performance of our primary approach is compared to other learning-based methods. We propose an adaptation of kernel-based methods for the global prediction framework. The obtained results show that global approaches perform as well as usual approaches. The spatial and temporal specificities of the methods are highlighted according to the prediction accuracy. To improve the forecasting accuracy and reduce the computation time, we propose an identification and selection method targeting critical links. The results demonstrate that the use of a restricted subset of links is sufficient to ensure acceptable performances during validation tests. Finally, the prediction framework resilience is evaluated with respect to non-recurrent events as incidents or adverse weather conditions affecting the nominal network operations. The results highlight the impact of these non-recurrent conditions on real-time forecasting of short-term network dynamics. This enables the design of a further operational and resilient prediction framework. This perspective of forecasting matches the current applications relying on embedded systems and addressing the traffic network supervisor’s expectations

La première partie de la thèse est consacrée au problème de la gestion des feux tricolore d'un carrefour, et la deuxième partie s'inscrit dans le cadre plus général de la modélisation des déplacements urbains

Le contexte du transport de marchandises en transit à travers les Alpes est d’abord marqué par plusieurs décennies de croissance importante des flux. Cette croissance est cependant inégale dans le temps et selon les passages considérés. Un second élément de contexte tient à la fragilité particulière des territoires alpins vis-à-vis des impacts de la circulation : plus qu’ailleurs, on y constate une montée des préoccupations environnementales. Cette thèse vise à comprendre l’élaboration des politiques publiques de transport concernant le trafic transalpin. Elle s’attache d’abord à évaluer la mesure dans laquelle ce processus d’élaboration participe de l’émergence d’un espace géopolitique alpin. Elle cherche ensuite à préciser le rôle des outils technico-économique au sein de ce processus. La question sera abordée à deux échelles différentes, à travers deux études de cas : une histoire de l’évolution des objectifs assignés au projet Lyon-Turin depuis sa naissance ; une analyse des dispositifs de la concertation autour des questions de transport menée à l’échelle de l’arc alpin dans son ensemble. Un premier résultat apparait sous la forme d’une « alpinisation » progressive de la question du transit alpin. Elle se traduit en premier lieu par une représentation de l’arc alpin comme un système de passages interconnectés et, en second lieu, par la mise en place de structures de concertation rassemblant les acteurs concernés à l’échelle du massif. Un second ensemble de résultats montre d’abord comment les outils technico-économiques utilisés et leurs usages sont complètement insérés dans ce processus d’ « alpinisation ». Il fait apparaitre ensuite le glissement d’un usage déterministe de ces outils, où les résultats ont davantage vocation à justifier des décisions antérieures à un usage procédural, où les outils sont utilisés de façon de plus en plus partagée par les différents acteurs, pour simuler les différentes options politiques et participer à l’élaboration de mesures précises
The context of freight transport in transit through the Alps is marked by several decades of traffic flow growth. Such a growth has been uneven over time and from passage to passage. A second element characterises this context. It deals with the peculiar fragility of the alpine areas to traffic impacts: the rising of environmental concerns in these regions appears to be stronger than elsewhere. The aim of this thesis is to comprehend the elaboration of transportation public policies concerning the transalpine traffics. Firstly, we endeavour to assess to which extent this decision making process has contributed towards the emergence of a geopolitical alpine space. Secondly, we seek to clarify the role of economical tools inside this process. The issue will be addressed at two different scales, on the basis of two case studies: the history of the Lyon-Turin project, aiming at retracing the evolution of the strategic goals it has integrated over time; the analysis of the alpine cooperation systems dealing with transports issues developed at the whole alpine arc scale. Outcomes show a progressive “alpinisation” of the transit question. Firstly, it results of a representation of the Alps as a system of interconnected passages. Secondly, it relies on the construction of some structures of cooperation bringing together actors involved by transalpine transit. Another group of outcomes shows that the economical assessment tools and their usage are closely linked to this “alpinisation” process. It also highlights an evolution from a deterministic approach, where economical tools mainly play a justification role for some pre-established strategies, to a procedural approach, where they are shared by actors and used in order to simulate different political options and to help so in designing policies

Les séries temporelles sont un type de données endémique dans de nombreux domaines d'applications, telles que l'analyse financière, le diagnostic médical, la surveillance de l'environnement ou encore l'astronomie. Du fait de leur structure complexe, les séries temporelles amènent à de nouveaux défis dans le traitement et l'extraction de connaissances de ces données. La représentation des séries temporelles joue un rôle déterminant dans les méthodes d'apprentissage et les tâches de fouille de données. Cependant, peu de méthodes tiennent compte des interdépendances entre séries temporelles différentes. De plus, la fouille de séries temporelles nécessite de considérer non seulement les caractéristiques des séries temporelles en termes de complexité des données, mais également les contextes particuliers des applications et la tâche de fouille de données à effectuer. Cela nous permet de construire des représentations spécifiques à la tâche.Dans cette thèse, nous étudions différentes représentations de séries temporelles capables de s'adapter à diverses tâches de fouille de séries temporelles, tout en capturant les relations entre elles. Nous nous concentrons spécifiquement sur la modélisation des interdépendances entre séries temporelles lors de la construction des représentations, qui peuvent être la dépendance temporelle au sein de chaque source de données ou la dépendance inter-variable entre des sources de données différentes. En conséquence, nous étudions les séries temporelles collectées dans diverses applications sous différentes formes. Tout d'abord, pour tenir compte de la dépendance temporelle entre les observations, nous apprenons la représentation de série temporelle dans un contexte de flux dynamique, où la série temporelle est générée en continu à partir de la source de données. Quant à la dépendance inter-variable, nous étudions les séries temporelles multivariées (MTS) avec des données collectées à partir de plusieurs sources. Enfin, nous étudions le MTS dans le contexte de la ville intelligente, où chaque source de données est associée à une localisation spatiale. Par conséquent, le MTS devient une série temporelle géo-localisée (GTS), pour laquelle la modélisation de la dépendance inter-variable requière la prise en compte de l'information spatiale sous-jacente. De ce fait, pour chaque type de séries temporelles collectées dans des contextes différents, nous proposons une méthode de représentation adaptée aux dépendances temporelles et/ou inter-variables.Outre la complexité des données provenant des interdépendances des séries temporelles, nous étudions diverses tâches d'apprentissage automatique sur des séries temporelles afin de valider les représentations apprises. Les tâches d'apprentissage étudiées dans cette thèse consistent en la classification de séries temporelles, l'apprentissage semi-supervisé de séries temporelles et la prévision de séries temporelles. Nous montrons comment les représentations apprises sont exploitées dans ces différentes tâches et pour des applications distinctes.Plus précisément, nos principales contributions sont les suivantes. En premier lieu, nous proposons un modèle d'apprentissage dynamique de la représentation des séries temporelles dans le contexte du flux de données, où nous considérons à la fois les caractéristiques des séries temporelles et les défis des flux de données. Nous affirmons et démontrons que le motif de Shapelet, basé sur la forme, est la meilleure représentation dans le contexte dynamique. Par ailleurs, nous proposons un modèle semi-supervisé pour l'apprentissage de représentation dans les MTS. Ce modèle considère la dépendance inter-variable dans l'hypothèse réaliste où les annotations de données sont limitées. Enfin, nous proposons un modèle d'apprentissage de représentation de GTS dans le contexte de la ville intelligente. Nous étudions spécifiquement la tâche de prévision du trafic routier avec un focus sur le traitement intégré des valeurs manquantes
Time series is a common data type that has been applied to enormous real-life applications, such as financial analysis, medical diagnosis, environmental monitoring, astronomical discovery, etc. Due to its complex structure, time series raises several challenges in their data processing and mining. The representation of time series plays a key role in data mining tasks and machine learning algorithms for time series. Yet, a few methods consider the interrelation that may exist between different time series when building the representation. Moreover, the time series mining requires considering not only the time series' characteristics in terms of data complexity but also the concrete application scenarios where the data mining task is performed to build task-specific representations.In this thesis, we will study different time series representation approaches that can be used in various time series mining tasks, while capturing the relationships among them. We focus specifically on modeling the interrelations between different time series when building the representations, which can be the temporal relationship within each data source or the inter-variable relationship between various data sources. Accordingly, we study the time series collected from various application contexts under different forms. First, considering the temporal relationship between the observations, we learn the time series in a dynamic streaming context, i.e., time series stream, for which the time series data is continuously generated from the data source. Second, for the inter-variable relationship, we study the multivariate time series (MTS) with data collected from multiple data sources. Finally, we study the MTS in the Smart City context, when each data source is given a spatial position. The MTS then becomes a geo-located time series (GTS), for which the inter-variable relationship requires more modeling efforts with the external spatial information. Therefore, for each type of time series data collected from distinct contexts, the interrelations between the time series observations are emphasized differently, on the temporal or (and) variable axis.Apart from the data complexity from the interrelations, we study various machine learning tasks on time series in order to validate the learned representations. The high-level learning tasks studied in this thesis consist of time series classification, semi-supervised time series learning, and time series forecasting. We show how the learned representations connect with different time series learning tasks under distinct application contexts. More importantly, we conduct the interdisciplinary study on time series by leveraging real-life challenges in machine learning tasks, which allows for improving the learning model's performance and applying more complex time series scenarios.Concretely, for these time series learning tasks, our main research contributions are the following: (i) we propose a dynamic time series representation learning model in the streaming context, which considers both the characteristics of time series and the challenges in data streams. We claim and demonstrate that the Shapelet, a shape-based time series feature, is the best representation in such a dynamic context; (ii) we propose a semi-supervised model for representation learning in multivariate time series (MTS). The inter-variable relationship over multiple data sources is modeled in a real-life context, where the data annotations are limited; (iii) we design a geo-located time series (GTS) representation learning model for Smart City applications. We study specifically the traffic forecasting task, with a focus on the missing-value treatment within the forecasting algorithm

Ce chapitre constitue une introduction générale au livre. Il retrace l'évolution des technologies de communications ainsi que les enjeux autour de leur application aux systèmes de transport intelligents, et dans le contexte routier en particulier. Tous les aspects impliqués dans la conception des protocoles de communications sont abordés, notamment le trafic, les technologies de communications, les applications et la sécurité.