Utiliser des réseaux de neurones profonds pour estimer les impacts des zones de travail

travaux routiers

Crédit : Unsplash/CC0 Domaine public

La construction en bordure de route, qu’il s’agisse d’un détour, d’une voie fermée ou d’un passage lent devant les travailleurs et l’équipement, les zones de travail ont un impact sur la circulation et les temps de trajet à l’échelle du système. La capacité de prédire exactement quels seront ces impacts et de les planifier serait d’une grande aide tant pour les agences de transport que pour les usagers de la route. Financé par le National Institute for Transportation and Communities, le dernier projet Small Starts dirigé par Abbas Rashidi de l’Université de l’Utah introduit un modèle de réseau neuronal robuste et profond pour analyser les impacts du trafic automobile des zones de construction.

Les trois principales causes de retards de circulation non récurrents sont les accidents, les zones de travaux et les conditions météorologiques défavorables, les zones de travaux représentant 10 % de tous les retards non récurrents. Une prévision précise de l’impact de la zone de travail pourrait réduire considérablement la consommation de carburant et la pollution de l’air.

« L’apprentissage automatique et l’apprentissage en profondeur sont des outils puissants pour créer différents types de données et prédire les situations futures. L’utilisation de l’IA pour analyser les données est l’avenir de l’ingénierie des transports en général », a déclaré Rashidi.

Le ministère des Transports de l’Utah (UDOT) recueille divers types de données liées aux opérations de la zone de travail. En travaillant avec ces données, Rashidi et l’assistant de recherche diplômé Ali Hassandokht Mashhadi ont exploré les moyens d’évaluer les impacts de différentes variables sur les conditions de circulation et de mobilité pour l’ensemble du système routier. Cette analyse pourrait aider l’UDOT à mieux comprendre et planifier des opérations de zone de travail plus efficaces, à sélectionner les systèmes de gestion du trafic les plus efficaces pour les zones de travail et à évaluer les coûts cachés des opérations de construction dans les zones de travail.

Quels facteurs impactent la circulation automobile ?

Les impacts sur la circulation des zones de travaux peuvent varier en fonction d’autres conditions existantes et de la façon dont elles interagissent avec les facteurs des zones de travaux :

  • Facteurs de la zone de travail : La disposition et l’emplacement de la zone de travail, la durée de la fermeture de la route, la vitesse de la circulation dans la zone de travail et les heures actives quotidiennes.
  • Facteurs de circulation : Le pourcentage de véhicules lourds, la limite de vitesse sur autoroute, la capacité, la mobilité, le débit, la densité, la congestion et l’occupation.
  • Facteurs routiers : Le nombre total de voies, le nombre de voies ouvertes, le niveau et l’état de la chaussée.
  • Facteurs temporels : L’année, la saison, le mois, le jour de la semaine, l’heure et l’obscurité/la lumière.
  • Facteurs spatiaux : La largeur des voies de circulation et la présence et le nombre de bretelles d’autoroute à proximité.

L’UDOT collecte des quantités massives de données brutes sur les zones de travail, y compris des données sur les facteurs ci-dessus, qui ont rendu ce projet possible.

Le modèle de réseau de neurones profonds (DNN) développé par les chercheurs est capable d’évaluer les impacts de plusieurs facteurs et l’interaction entre eux. Les DNN peuvent capturer les relations entre les variables d’entrée et la sortie, contrairement aux algorithmes d’apprentissage automatique traditionnels.

Comment fonctionne le modèle ?

Le DNN a été formé et évalué sur environ 400 000 points de données collectés à partir d’environ 80 projets sur les routes de l’Utah. Les chercheurs ont évalué les performances du modèle à l’aide de trois mesures différentes, notamment le score R2, l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne (MAE). La précision de tous les types de résultats de zone de travail, y compris les zones de travail à court et à long terme, de jour et de nuit, et les zones de travail interétatiques et artérielles, était acceptable, avec une erreur inférieure à 2 % dans le volume de trafic prévu. Il s’agit de la première étude qui a tenté d’examiner les effets des caractéristiques des zones de travaux sur le volume de trafic horaire.

Le principal avantage du modèle proposé est qu’il n’oblige pas les utilisateurs à définir divers facteurs d’ajustement basés sur l’expérience pratique. Les modèles développés précédemment ont généralement besoin de quelques facteurs d’ajustement dans le modèle mathématique pour estimer la capacité de la zone de travail. Cependant, le modèle développé par Rashidi et Mashhadi est capable d’estimer les volumes de trafic horaires sans avoir besoin d’ajouter des facteurs manuellement. Il convient également de noter qu’en utilisant les caractéristiques de la zone de travail, les caractéristiques routières et les caractéristiques temporelles comme variables d’entrée, le modèle peut estimer le trafic de la zone de travail même dans les zones sans capteurs de trafic.

Mise en œuvre de la méthode

Financé par une subvention NITC Small Starts, ce projet pilote a donné des résultats prometteurs. Pour mettre ce modèle entre les mains des professionnels qui peuvent l’utiliser, l’équipe de recherche a déjà publié un article dans Dossier de recherche sur les transports: Examen des méthodes d’estimation de la capacité de la zone de travaux de construction, et sont en train de publier un autre article dans une revue. Les prochaines étapes incluent le partage des résultats de la recherche avec l’UDOT pour obtenir leurs commentaires et déterminer comment le modèle pourrait leur être utile. Rashidi espère également étendre les capacités du modèle avec de futures recherches.

« Cette étude était axée sur les données de l’Utah, ce serait donc formidable si nous pouvions mener des études similaires et comparer les résultats avec d’autres États; voir comment les modèles de comportement sont similaires », a déclaré Rashidi.


Appliquer des stratégies de gestion de la vitesse multimodales basées sur les données pour un transport sûr et efficace


Plus d’information:
Ali H. Mashhadi et al, Examen des méthodes d’estimation de la capacité des zones de travaux de construction, Dossier de recherche sur les transports : Journal du Conseil de recherche sur les transports (2021). DOI : 10.1177/03611981211002202

Fourni par l’Université d’État de Portland

Citation: Travaux routiers à venir : utiliser des réseaux de neurones profonds pour estimer les impacts des zones de travaux (2021, 9 septembre) récupéré le 9 septembre 2021 sur https://techxplore.com/news/2021-09-road-deep-neural-networks-impacts .html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.