Optimisation du Trafic Routier dans les Villes Intelligentes en Utilisant les Techniques du Machine Learning

Résumé

La congestion routière est l’un des défis les plus structurants des métropoles contem- poraines. Elle grève l’économie, jusqu’à près de 2 % du PIB dans de nombreux pays, dégrade la qualité de l’air et érode le bien-être urbain. Les villes intelligentes promettent d’y répondre par une collecte massive de données et une analyse algorithmique fine ; encore faut-il que les modèles soient à la fois performants, transparents et déployables dans des contextes aux ressources limitées. C’est rarement le cas. Cette thèse construit une réponse en quatre contributions, validées par cinq publica- tions internationales. Une revue systématique PRISMA 2020 cartographie d’abord le champ : 9 695 études initiales, 115 travaux retenus. L’analyse de la trajectoire technolo- gique, des techniques d’apprentissage automatique aux grands modèles de langage, en dégage ensuite les lignes de force sur la période 2014–2024. Le cœur empirique vient après. Nous présentons la première étude combinant le Traffic Congestion Index et l’Air Quality Index pour la prédiction du trafic à Casablanca, sur 365 jours de simulation SUMO calibrée ; l’architecture LSTM multimodale atteint 88,25 % de précision globale avec une MAE de 2,0. Nous développons enfin le premier cadre TinyML explicable pour la prédiction embarquée du trafic : le modèle est compressé d’un facteur 31 (de 2,4 Mo à 76 Ko), infère en 2,1 ms sur ESP32 avec un R2 de 0,9884, et conserve une interprétabilité globale par importance native, importance par permutation et dépendance partielle. Ces contributions forment une chaîne de preuves continue, de la synthèse biblio- graphique au déploiement embarqué, ancrée dans un cas d’usage situé, Casablanca, représentatif des métropoles africaines francophones.

Citer ce document

Accès au document

Ce document est hébergé sur son dépôt institutionnel d'origine.

Auteur(s)

Statistiques

Consultations : 7

Téléchargements : 0