Développements des mécanismes basés sur l’apprentissage automatique pour la gestion du trafic routier dans les intersections.
Des informations générales:
Le niveau |
Master |
Titre |
Développements des mécanismes basés sur l’apprentissage automatique pour la gestion du trafic routier dans les intersections. |
SPECIALITE |
Génie informatique (GI) |
Page de garde:
Sommaire:
Introduction générale
Chapitre I: Aperçu Général sur Le trafic routier
Introduction
1.1 Le trafic routier
1.1.1 Les autoroutes
1.1.2 Les intersections
1.2. Modélisation du trafic
1.2.1 Les différents types de modèles microscopiques
1.2.1.1 Les modèles de poursuite.
1.2.1.2 Les modèles de particules
1.2.2 Les caractéristiques des modèles macroscopiques
1.2.2.1 Les variables du modèle macroscopique.
1.3. La problématique urbaine
1.3.1 Position du problème
1.3.2 Le recueil des données
1.3.2 Les causes des dysfonctionnements au carrefour
1.3.2.1 Cas des dysfonctionnements externes
1.3.2.2 Cas des dysfonctionnements internes
1.4. Présentation du carrefour à feux étudié
1.4.1 Configuration du carrefour étudié
1.4.2 Caractéristiques du carrefour à feux étudié
1.4.3 Notion de conflit
1.4.4 Découpage en phases
1.4.5 Paramètres nécessaires au calcul de la durée des feux
1.5. Les différentes stratégies de régulation via les feux de signalisation
1.5.1 Stratégie prédéterminée ou cyclique
1.5.2 Stratégie semi-adaptative ou acyclique
1.5.3 Stratégie adaptative ou temps réel
1.6. Gestion de feux de carrefours – Position du problème
Conclusion
Chapitre II: Aperçu Général sur L’apprentissage automatique
1-Introduction
2-Introduction sur l’apprentissage automatique
3-les solutions pour la gestion des intersections basées sur l’apprentissage automatique 31
3.1-Définition de l’apprentissage automatique
3.2-Types d’apprentissage automatique
3.2.1-Apprentissage supervisé (Supervised Learning)
3.2.2-Apprentissage non-supervisé (Unsupervised Learning)
3.2.3-Apprentissage semi-supervisé
3.2.4-Apprentissage par renforcement (Reinforcement Learning)
3.3.1-classification
3.3.2-Les algorithmes de la classification.
3.3.2.1-Arbres de décisions
3.3.2.2-Algorithme k plus proches voisins (KNN)
3.3.2.3-Machine à Vecteur de Support (SVM)
3.3.2.4-Réseau Bayésien (Naïve bayes)
3.3.2.5Foret aléatoire (Radom Forest)
3.4-métriques pour évaluer les algorithmes d’apprentissage automatique
3.4.1-Accuracy
3.4.3-Recall.
3.4.4-F1Score
3.4.5-Matrice de confusion
4-Conclusion
Chapitre III: Implémentation Et Evaluation
1. Introduction
2. Présentation de notre approche
3. Traitement de data set
3.1 Traitement les données avec Foda (Feature-Oriented Domain Analysis)
Modélisation de la variabilité.
3.2 Feature-Oriented Domain Analysis (Foda)
4. Environnement de développement et Les outils techniques
4.1 Dentition du langage Python en informatique
4.2 Anaconda
4.3 Jupyter
4.4 Les bibliothèques utilisées
4.4.1 Numpy.
4.4.2 Matplotlib
4.4.3 Pandas
4.4.4 Scikit-learn
5. 5. Apprentissage et Paramétrage des Modèles
5.1 Préparation du Dataset
5.2 Application de PCA
5.3 Algorithme LDA.
6. Apprentissage du modèle.
6.1 Algorithme de Arbre de décision
6.1.1 Explication du code d’algorithme Arbre de décision
6.2Algorithme de Radom Forest
6.2.1 Explication du code d’algorithme Random forest
6.3 Algorithme de SVM
6.3.1 Explication du code d’algorithme SVM
6.4Algorithme de KNN
7. Comparaison entre Les quatre algorithmes
8. Conclusion
Conclusion générale
Bibliographie.
Chapitre I: Aperçu Général sur Le trafic routier
Introduction
1.1 Le trafic routier
1.1.1 Les autoroutes
1.1.2 Les intersections
1.2. Modélisation du trafic
1.2.1 Les différents types de modèles microscopiques
1.2.1.1 Les modèles de poursuite.
1.2.1.2 Les modèles de particules
1.2.2 Les caractéristiques des modèles macroscopiques
1.2.2.1 Les variables du modèle macroscopique.
1.3. La problématique urbaine
1.3.1 Position du problème
1.3.2 Le recueil des données
1.3.2 Les causes des dysfonctionnements au carrefour
1.3.2.1 Cas des dysfonctionnements externes
1.3.2.2 Cas des dysfonctionnements internes
1.4. Présentation du carrefour à feux étudié
1.4.1 Configuration du carrefour étudié
1.4.2 Caractéristiques du carrefour à feux étudié
1.4.3 Notion de conflit
1.4.4 Découpage en phases
1.4.5 Paramètres nécessaires au calcul de la durée des feux
1.5. Les différentes stratégies de régulation via les feux de signalisation
1.5.1 Stratégie prédéterminée ou cyclique
1.5.2 Stratégie semi-adaptative ou acyclique
1.5.3 Stratégie adaptative ou temps réel
1.6. Gestion de feux de carrefours – Position du problème
Conclusion
Chapitre II: Aperçu Général sur L’apprentissage automatique
1-Introduction
2-Introduction sur l’apprentissage automatique
3-les solutions pour la gestion des intersections basées sur l’apprentissage automatique 31
3.1-Définition de l’apprentissage automatique
3.2-Types d’apprentissage automatique
3.2.1-Apprentissage supervisé (Supervised Learning)
3.2.2-Apprentissage non-supervisé (Unsupervised Learning)
3.2.3-Apprentissage semi-supervisé
3.2.4-Apprentissage par renforcement (Reinforcement Learning)
3.3.1-classification
3.3.2-Les algorithmes de la classification.
3.3.2.1-Arbres de décisions
3.3.2.2-Algorithme k plus proches voisins (KNN)
3.3.2.3-Machine à Vecteur de Support (SVM)
3.3.2.4-Réseau Bayésien (Naïve bayes)
3.3.2.5Foret aléatoire (Radom Forest)
3.4-métriques pour évaluer les algorithmes d’apprentissage automatique
3.4.1-Accuracy
3.4.3-Recall.
3.4.4-F1Score
3.4.5-Matrice de confusion
4-Conclusion
Chapitre III: Implémentation Et Evaluation
1. Introduction
2. Présentation de notre approche
3. Traitement de data set
3.1 Traitement les données avec Foda (Feature-Oriented Domain Analysis)
Modélisation de la variabilité.
3.2 Feature-Oriented Domain Analysis (Foda)
4. Environnement de développement et Les outils techniques
4.1 Dentition du langage Python en informatique
4.2 Anaconda
4.3 Jupyter
4.4 Les bibliothèques utilisées
4.4.1 Numpy.
4.4.2 Matplotlib
4.4.3 Pandas
4.4.4 Scikit-learn
5. 5. Apprentissage et Paramétrage des Modèles
5.1 Préparation du Dataset
5.2 Application de PCA
5.3 Algorithme LDA.
6. Apprentissage du modèle.
6.1 Algorithme de Arbre de décision
6.1.1 Explication du code d’algorithme Arbre de décision
6.2Algorithme de Radom Forest
6.2.1 Explication du code d’algorithme Random forest
6.3 Algorithme de SVM
6.3.1 Explication du code d’algorithme SVM
6.4Algorithme de KNN
7. Comparaison entre Les quatre algorithmes
8. Conclusion
Conclusion générale
Bibliographie.
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.