Villes intelligentes - Où sont les statisticiens?

Conférence présentée à l’Université Laval

• Date: 9 novembre 2017
• Heure: 13:30
• Endroit: VCH-2820
• Conférencier: Aurélie Labbe

🖋️ Transports

Un exemple de données qui ne sont pas exploitées:

• Toronto: plus de 100 caméras au centre-ville.
• Aucune données extraite, aucune prise de décision automatisée.

🖋️ Applications

• Instrumentation de l’infrastructure
• Résolution de problèmes en temps réel
• Mieux comprendre les comportements de mobilité

🖋️ Type de données

• Données temporelles et spatiales
• Volumes, temps de parcours, matrices origine-destination
• Grande fréquence: secondes et millisecondes
• Données mixtes: voitures, autobus, camions, piétons, vélos dans le même ensemble de données. On doit ensuite souvent les trier.

🖋️ Types de technologies

• Capteurs en un point donné: radar, magnétique, infrarouge
• Données GPS: Téléphone intelligent, Google Maps
• Données de surveillance: Caméras et capteurs intégrés aux infrastructures telles que feux de circulation, lampadaires, …

🖋️ 1er projet

• Ville de Québec
• Données GPS
• Sécurité routière dans le monde: 1 million de morts, 50 millions de blessés annuellement

🖋️ Application Mon Trajet

• Indice de congestion
• Indice de vitesse moyenne / variation
• Données d’accidents du MTQ

Version modifiées du modèle de Besag-York-Mollié:

• Nombre d’accidents suit une distribution de Poisson
• Modèle log-linéaire + u + v
• effets aléatoires:
  • u: Structure gaussienne: corrélation échangeable (données entre deux intersections, peu importe la paire)
  • v: corrélation spatiale autoregressive: définir les voisins

🖋️ Logiciels

• librairie R-INLA, remplace MCMC dans R pour ce type de problèmes:
• Très rapide, quelques secondes
• Utilise la loi de Laplace

Utilisation:

• calculer les valeurs manquantes
• Beaucoup de points sans voisins, mauvaise prédiction avec les modèles utilisés
• Overfitting

Pistes de recherche en cours:

• disconnected graphs: Freni-Sterrantino, 2017
• Processus gaussien
• Multinomiale: sévérité des accidents

🖋️ 2e projet

• Sécurité des carrefours avec arrêts 4 directions
• Ville de Montréal
• Sécurité des piétons
• Utilisation de données vidéo: caméra à l’intersection

🖋️ Calculer des indicateurs de comportement d’arrêt et de conduite

• (x,y) par objet (voiture, vélo, piéton)
• Indicateur de “time to collision”
• Taux de conflits, comportement

🖋️ Modèle de régression avec effets aléatoires

• vitesse minimum dans l’intervalle 15 m avant et 15 m après
• x: géométrie de la route, passage piéton, …

En ce moment, ils font une moyenne des courbes:

• Analyse des courbes à la place
• Analyse de données fonctionnelles
• Clustering selon le comportement des usagers

🖋️ 3e projet

• Projet avec Intact Assurances
• Assurance auto Pay As You Drive
• Enregistre les trajets sur 6 mois
• 350000 clients, 15 terabytes de données

🖋️ Nettoyage des données

• Map matching (a posteriori)
• Erreur plus forte en milieu urbain
• Évaluer et tester ce qu’il y a dans la littérature
• Méthode la plus performante sur la plateforme de Intact

🖋️ Map matching

• 1re génération: géométrique et topologique
• 2e génération: algorithmes probabilistes: candidats possibles pour les trajectoires, on prend la plus fréquente
  • Modèles HMM: hidden markov models
  • États cachés: segments routiers cachés
  • Variables observées
    • 2 composantes:
      • distribution conditionnelle des mesures: estimation de l’erreur de mesure du gps
      • probabilités de transition: utiliser la topologie du réseau pour réduire l’espace de transition possible

On a besoin de données pour lesquelles on connaît les trajectoires:

• Scénarios de trajets à Montréal
• 20 téléphones et boitier d’intact + vrai gps

🖋️ Travaux futurs

• Améliorer les modèles avec d’autres types de données collectées par les GPS
• Modèle de mouvement du véhicule
• Comment calculer le score de bonne conduite

Domaine vraiment pris d’assaut par les ingénieurs et pas nécessairement les statisticiens.