Cooperative Intelligent Transport Systems : Contribution to Road Traffic Management Problems

Les systèmes de transport autour desquels le monde moderne s'est construit sont au bord d'une transformation significative. Les nouveaux systèmes de transport intelligents coopératifs (C-ITS) ont suscité un grand intérêt scientifique durant cette dernière décennie. Ces systèmes se sont révélés être une solution aux divers problèmes de circulation routière et promettent à contribuer également au développement économique, environnemental et social par la proposition de nouvelles solutions relatives à l'optimisation de l'utilisation des routes. Un des grands défis des C-ITS est d'assurer une gestion intelligente du volume très élevé des véhicules sur la route dans le but réduire les embouteillages, la consommation de carburant, les retards sur la route, etc.Dans ce contexte, nous nous intéressons dans cette thèse particulièrement à l'optimisation et la gestion intelligente du trafic routier. Dans un premier temps, nous proposons une nouvelle approche de gestion de trafic routier. L'approche se base sur un modèle de prédiction linéaire qui utilise en entrée des informations de trafic en temps réel collectées à partir des communications véhiculaires. Cette approche permet une gestion adaptative du trafic routier en milieu urbain.Dans un deuxième temps, nous proposons une solution pour remédier à la problématique de gestion du trafic routier en appliquant une technique d'apprentissage automatique. Nous avons combiné les données véhiculaires avec un algorithme d'apprentissage par renforcement afin de calculer le meilleur chemin possible en réduisant le temps de transit cumulé. Cette nouvelle combinaison permet d’analyser le comportement des véhicules en relation avec leur trajets quotidiens en fonction de différents types de scénarios.Notre travail dans cette thèse a été validé par le biais des simulateurs OMNeT++ et Matlab afin de pouvoir tester différents scénarios d'évaluation. Les résultats des simulations numériques montrent l’apport de nos contributions par rapport aux solutions existantes en termes de temps d'attente, temps de conduite et le temps de parcours des véhicules.The transport systems around which the modern world has been built are on the verge of significant transformation. The new Cooperative Intelligent Transport Systems (C-ITS) have received immense attention from both academic researchers and industry leaders over the last decade. These systems have emerged as a solution to various road traffic issues and an efficient way to improve the performances in transportation systems, and promise to contribute also to economic, environmental and social development by proposing new issues related to the road traffic optimization.One of the major challenges of C-ITS is to ensure intelligent management of the very high volume of vehicles on the road, which has become a source of many problems such as traffic congestion, fuel consumption, excessive delays on the road, etc.In this context, we are particularly interested in this thesis in the optimization and intelligent management of road traffic. The first contribution concerns the proposal for a new road traffic management approach. This latter is based on a linear prediction model that uses real-time traffic information collected from vehicle communications as input and allows an adaptive management of road traffic in urban areas.In the second contribution, we propose a solution to the road traffic management problem by applying a machine learning technique. We have combined vehicle data with a reinforcement learning algorithm in order to calculate the best possible path which leads to reduce the cumulative transit time for vehicles. This new combination makes possible to analyse the behavior of vehicles in relation with their daily journeys according to different types of scenarios.Our work has been validated using the OMNeT++ and Matlab simulators in order to test different evaluation scenarios. The results of the simulations show the better performances of our contributions compared to existing solutions in terms of waiting time, driving time and vehicle transit delay