Repository logo

Infoscience

  • English
  • French
Log In
Logo EPFL, École polytechnique fédérale de Lausanne

Infoscience

  • English
  • French
Log In
  1. Home
  2. Academic and Research Output
  3. Conferences, Workshops, Symposiums, and Seminars
  4. Vers un modèle proactif pour identifier des risques de trafic
 
conference presentation

Vers un modèle proactif pour identifier des risques de trafic

Pham, Minh-Hai  
2009
Journée technique LAVOC - Sécurité routière et infrastructures

La sécurité routière prend de plus en plus d’importance dans de nombreux pays. En mettant l'accent sur la prévention des accidents sur les autoroutes, nous proposons une méthodologie pour identifier les risques en utilisant des modèles de régression logistique. La caractéristique novatrice de cette méthodologie réside dans l’évaluation des risques de trafic par rapport à différentes régimes de trafic obtenues par des Cartes Auto-Organisatrices (Self-Organizing Maps - SOM). Nous agrégeons les données de trafic et les données météorologiques pour produire des états de trafic pour des intervalles de 5 minutes, que nous appelons des situations de trafic. En utilisant l'analyse en composantes principales (ACP), qui permet de réduire le nombre de dimensions et de supprimer le bruit aléatoire des données, nous transformons les situations de trafic pour le processus de regroupement par les SOM. Ce processus de regroupement produit des groupes de situations de trafic similaires que l'on appelle des régimes de trafic. De la base de données des accidents, nous déterminons les situations de trafic qui précèdent les collisions, appelées situations pré-accidentelles. Avec les résultats de regroupement obtenus, nous classons les situations pré-accidentelles dans des régimes de trafic. Pour chaque régime de trafic, nous développons un modèle de régression logistique pour identifier les situations à risque. Les résultats montrent que les modèles peuvent identifier correctement un pourcentage élevé de situations à risque, tandis que le taux de fausse détection est faible.

  • Files
  • Details
  • Metrics
Loading...
Thumbnail Image
Name

Pham.pdf

Access type

openaccess

Size

3.46 MB

Format

Adobe PDF

Checksum (MD5)

a0268b3e9165209e86d6d629e1e150b3

Logo EPFL, École polytechnique fédérale de Lausanne
  • Contact
  • infoscience@epfl.ch

  • Follow us on Facebook
  • Follow us on Instagram
  • Follow us on LinkedIn
  • Follow us on X
  • Follow us on Youtube
AccessibilityLegal noticePrivacy policyCookie settingsEnd User AgreementGet helpFeedback

Infoscience is a service managed and provided by the Library and IT Services of EPFL. © EPFL, tous droits réservés