View
0
Download
0
Category
Preview:
Citation preview
Projet de refonte del’application Bison FutéLes pistes d’amélioration pour la prévision du trafic
Journées Transports et Déplacements 2017 Bordeaux, du 27 au 29 juin
Duy-Hung HA (CEREMA/DTecITM)
Plan1. Bref historique de Bison Futé 2. Fonctionnement de l’application3. Contexte de l’actuel projet4. Le projet de refonte de Bison Futé5. Amélioration de la prévision6. Perspectives
Bref historique de Bison Futé
- 1975 : chassé-croisé début août emblématique, le contextequ’est né Bison Futé l’année suivante
- Jusqu’à les années 1990 : les campagnes d’incitation, information
- 1995-2000: développement de l’outil de prévision Bison Futé
- 1983 : première production du calendrier de prévision annuelle
Fonctionnement de l’outil Bison Futé
Contexte de l’actuel projet
1. Des composantes ne sont plus maintenues : l’application et leserveur GERICO, le langage SLC de l’interface
2. Accès non sécurisé
3. Fonctionnement : recueil manuel des données, exploitationdes données FIME (plus riches mais plus brutes),
4. Accessible pour les utilisateurs non spécialisés et non équipésde SAS, prévision du départ de l’expert du trafic du CNIR
Projet de refonte de Bison Futé (1/5)
Projet de refonte de Bison Futé (2/5)
Projet de refonte de Bison Futé (3/5)Fonctionnement du dispositif Bison Futé
Projet de refonte de Bison Futé (4/5)
Différentes parties des macros :
2
1
3
Exemple des variables calendaires
Exemple des variables calendaires
Pistes d’amélioration de la prévision (1/3)Au niveau des TMJA
- La prévision se fait àpartir des TMJM des annéespassées
- Méthode de prévision : lissageexponentiel WINTER avec 5 ans et 10 ans de l’historique
- Observation des sous- et surestimations des TMJM
Pistes d’amélioration de la prévision (1/3)Au niveau des TMJA
Pistes d’amélioration de la prévision (1/3)Au niveau des TMJA
Pistes d’amélioration de la prévision (2/3)Au niveau des débits journaliers
1. Test sur la variable dépendante
Pistes d’amélioration de la prévision (2/3)Au niveau des débits journaliers
2. Test sur la pondération des années historiques
Pistes d’amélioration de la prévision (2/3)Au niveau des débits journaliers
3. Suppression des données mal prévues et filtrage des composantes
Pistes d’amélioration de la prévision (2/3)
4. Variables météo
Pistes d’amélioration de la prévision (3/3)Au niveau de la classification des profils horaires
Départs Retours
Fêtes/Veillesde retour
PontDimanche
-18 groupes puis - 3 sous-groupes selon le taux journalier
Pistes d’amélioration de la prévision (3/3)Au niveau de la classification des profils horaires
Pistes d’amélioration de la prévision (3/3)Deux tests pour une meilleure prévision
1. Classification non-supervisée puis modèle logistique
Paramétrage : Distance euclidienne, période 7h-20 Critère de classification WARD, K =20
Pistes d’amélioration de la prévision (3/3) Les profils de la classe N°6 à la classe N°20, à la station SB13.C1
Pistes d’amélioration de la prévision (3/3)Deux tests pour une meilleure prévision
1. Classification non-supervisée puis modèle logistique
Pistes d’amélioration de la prévision (3/3)Deux tests pour une meilleure prévision
2. Ajout des groupes pour les mois JUILLET, AOÛT, OCTOBRE
Pistes d’amélioration de la prévision (3/3)Une macro intégrant les éléments proposés ci-dessus
Résultats obtenusIndicateur RMSE au niveau des mois
Résultats obtenusIndicateur RMSE au niveau des semaines et horaires
Perspectives
1. A considérer à part le mois de décembre
2. Niveau du trafic moyen de semaine est-il plus homogène entermes de comportement, et meilleur pour le calcul des TMJA ?
3. Utilisation d’autres types de distance plus dynamiques dansla méthode de classification non-supervisée 4. Modèle du type d’analyse d’intervention, d’autres méthodes d’apprentissage statistique plus robustes
5. Utilisation d’autres sources de données : SDT, FIME, économiques, d’autres enquêtes, HKM, PL, etc. 6. Analyse plus locale sur les stations 7. Mieux corriger les données manquantes, aberrantes
Merci de votre attention
Recommended