Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
PRAC2010 : Prévention des Risques et Aides à la Conduite, Paris, 4-5 mai 2010Thème 1 – Caractérisation du risque routier
Vers un modèle proactif pouridentifier des risques de trafic
Minh-Hai PHAMAshish BHASKAR
André-Gilles DUMONTEPFL-ENAC-LAVOC, Suisse
2 Plan de la présentation Introduction
Motivation Objectifs Champ d’étude Études précédentes Site d’étude
Méthodologie Résultats & Analyses Conclusions Perspectives
Motivation
Accidents sur routes : 1,2 million de personnes tuées
par année dans le monde entier
Accidents sur autoroutes : Sévérité liée aux vitesses
élevées
3
Carambolage sur l'A9, Suisse, vers 14h10 , 09.04.2008Source: http://www.lematin.ch/
Objectifs
Méthodologie pour développer des modèles d’identification de risques de trafic Basés sur les données historiques: de trafic,
météorologiques et d’accident Applicables en temps réel
Stratégie de gestion de trafic active et sensible aux risques Fonctionner selon les résultats des modèles Proposer des mesures préventives pour réduire ou
éliminer le risque
4
Champ d’étude
Accidents induits par la circulation Mauvaise coordination entre les conducteurs
Conducteurs non informés des conditions en aval Mauvais comportements des groupes de conducteurs
Sites d’étude potentiels Sections d'autoroutes: planes, droites Pas d'entrées/sorties Pas d’échangeurs
Types d’accidents Accidents Non-DUI Tamponnement(Frontal-Arrière)
5
53.43
25.05
11.62
4.29 5.62
Un seul véhicule Tamponnement Préselection Dépassement Autres
Études précédentes (1/2)
Golob et al, (2008) Oh et al, (2001) Pande et al (2006)
Capteurs Seul boucle Double boucles
Données brutes Volume, Occupation Volume, Occupation, Vitesse
Aggrégation de données brutes 30 ” 10” 30”
Capteurs/Acc. 1 1 4
Objectifs Facteurs influent # types d’accidents
Modèles pour différencier conditions normales & risquées (pré-accidentelles)
Normal:Risqué - 1:1 1:4-10
Validation Non Oui Oui
6
Golob, T.F., Recker, W., et al. (2008). Probabilistic models of freeway safety performance using traffic flow data as predictors, Elsevier.Oh, C., J.-S. Oh, et al. (2001). "Real-time Estimation of Freeway Accident Likelihood". 80th Annual Meeting of the Transportation Research Board, Washington, D.C..Pande, A. and Abdel-Aty, M. (2005). "Identification of rear-end crash patterns on instrumented freeways: a data mining approach". Intelligent Transportation Systems, Proceedings IEEE.
Études précédentes (2/2)
Remarques critiques:1.Données brutes pas suffisamment détaillées pour différencier des conditions normales et risquées 2.Conditions normales mal choisies et non représentatives
Risque: classifier des conditions normales en conditions risquées=> Le taux de fausse alerte est élevé si les modèles sont appliqués en temps réel
7
Le test de modèle proposé par Oh et al, (2005) avec nos données: le taux de fausse alerte est de 50%.
Conditions en Suisse En janvier 2009, plus de 300 détecteurs
à double boucles installés sur les autoroutes
Disponibilité des données individuelles Stations météorologiques à proximité
des détecteurs (MétéoSuisse/Boschung)Index Date HHMM Sec ms Reserved Lane Dir Headway Time Gap Speed Length Veh. Class023198 150303 0001 21 30 000000 1 1 43.6 43.5 120 467 2023199 150303 0001 38 42 000000 1 1 17.1 16.9 125 989 3023200 150303 0001 47 12 000000 4 1 46.9 46.8 113 428 2023201 150303 0001 50 58 000000 4 1 3.4 3.3 119 423 2
Class of vehicles (10 classes )
Vehicles’ length in cm
Vehicles’ Speed in Km/h
Time gap (second ) to leading vehicle
Time headway (second ) to front vehicle
Traffic directionLane of passage
IndexDate of passage
Hour and Minute of passage
Second of passage1/100 Second of passage
Reserved field , currently unused
8
Sites d’étude9
Situations de trafic SiT (1/3)
un ensemble d’informations liées au trafic et agrégées au cours d'un intervalle de temps, pour un sens de trafic et particularisant cinq propriétés retenus :1.l'instantanéité,2.l'état de chaque voie,3.l'écart de vitesses entre les voies de circulation,4.l'évolution du trafic par rapport à la SiT précédant,5.les renseignements météorologiques du lieu.
Définition
Intervalle d’aggrégation: 5 minutesNombre de voies par direction de trafic: 2 voiesRenseignements météorologiques :
0: Normal (précipitation = 0) ou1: Pluvieux (précipitation > 0)
Pour notre étude:
10
Situations de trafic SiT (2/3)Variable Alias Explication Spécification
X1 TDay Heure du jourInstantanéité
X2 WDay Jour de la semaineX3 LFlow Débit sur la voie de droite
État de voie droite (Préfix L)
X4 LASpd Vitesse moyenne sur la voie de droite
X5 LAHw Temps inter-véhiculaire (TIV) moyenne sur la voie de droite
X6 LOcc Occupation sur la voie de droiteX7 LVHw Écart-type du TIV sur la voie de droiteX8 LVSpd Écart-type de la vitesse sur la voie de droiteX9 L% HV Pourcentage de véhicules lourds sur la voie de droiteX10 HFlow Débit sur la voie de gauche
État de voie gauche (Préfix H)
X11 HASpd Vitesse moyenne sur la voie de gaucheX12 HAHw TIV moyenne sur la voie de gaucheX13 HOcc Occupation sur la voie de gaucheX14 HVHw Écart-type du TIV sur la voie de gaucheX15 HVSpd Écart-type de la vitesse sur la voie de gaucheX16 H%HV Pourcentage de véhicules lourds sur la voie de gauche
X17 Spd# Différence des vitesses moyennes entre deux voies (HASpd-LASpd) Écart entre deux voies
X18 LFCg Différence de LFlow par rapport à la SiT précédant
Évolution du traficX19 LSCg Différence de LASpd par rapport à la SiT précédant
X20 HFCg Différence de HFlow par rapport à la SiT précédant
X21 HSCg Différence de LASpd par rapport à la SiT précédant
X22 Prec PrécipitationRenseignements météorologiques
11
Situations de trafic SiT (3/3)
SiT préaccidentelle – SiTP : SiT se trouvant dans plage pré-accidentelle 1
SiT normale – SiTN : SiT en dehors des plages accidentelles
Il y a des périodes non utilisées : plages pré-accidentelles 2 et plages post-accidentelles
Temps
Moment de l’accident
Plage pré -accidentelle 1Plage pré -accidentelle 2
Plage normale
Plage normale
Plage accidentelle
Plage post -accidentelle
SiTP SiTNSiTN
12
MéthodologieIntégration
SiTN SiTP
ACP
Vecteur d’entrée (normale)
Vecteur d’entrée (pré-accidentelle)
Regroupement(K-moyennes)
ScT
Liste de SiTN pour chaque ScT
Classification d’entrées pré-accidentelles
Développement du modèle à identifier les risques
Variables importantes
Liste de SiTP pour chaque ScT
Données d’accidents
Données de trafic
Données météorologiques
Développement du modèle pour chaque ScT
Matrice de coefficients
Multiplication
Pré
para
tion
dedo
nnée
sT
rans
form
atio
nd
edo
nné
esR
egro
upe
men
tet
clas
sific
atio
n
ACP: Analyse à composantes principales
Réduction de dimension: de 22 à 6
Conservation de 73% de variation
Élimination de corrélations entre les variables
K-moyennes:
Nombre de groupes: 8, nommés de A à H
200 ensembles des centres initiaux différents pour trouver les meilleures centres de groupes
Chaque groupe représente un scénario de trafic – ScT
SiTP sont classifiées dans huit ScT
13
0
2
4
6
No
mb
re S
iTN
(x
10
'00
0)
0
1
2
3
No
mb
re S
iTP
(x
10
0)
A B C D E F G H0
5
10
15
20
ScT
Ris
qu
e (
x0
.00
1)
Scénarios de trafic (1/2)14
Risque=Nombre de SiTP
Nombre de SiTN
Scénarios de trafic (2/2)15
Diagramme débit-vitesse sur la voie de droite
Analyses des ScT (voie droite)16
A B C D E F G H0
500
1000
1500
2000LFlow (vph)
A B C D E F G H0
20
40
60
80
100
120
140LASpd (km/h)
boîte à moustache
Médiane
3e quartile
1er quartile
Valeur adjacente inférieure
Rappel
Valeur adjacente supérieure
Débit sur voie droite (vph) Vitesse sur voie droite (km/h)
Analyses des ScT (voie gauche)17
A B C D E F G H0
500
1000
1500
2000
2500
3000HFlow (vph)
A B C D E F G H0
50
100
150
200HASpd (km/h)Débit sur voie gauche(vph) Vitesse sur voie gauche (km/h)
Vitesse et Débit18
Un jour typique: vendredi 4 août 2005
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 240
500
1000
1500
2000
Heures
LFlow (vph)LAS pd x 10 (km/h)
Déb
it o
u 1
0xV
ites
se
Transitions des SiTN19
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24E
F
B
H
C
G
A
D
Heures
Un jour typique: vendredi 4 août 2005
Scé
nar
ios
MéthodologieIntégration
SiTN SiTP
ACP
Vecteur d’entrée (normale)
Vecteur d’entrée (pré-accidentelle)
Regroupement(K-moyennes)
ScT
Liste de SiTN pour chaque ScT
Classification d’entrées pré-accidentelles
Développement du modèle à identifier les risques
Variables importantes
Liste de SiTP pour chaque ScT
Données d’accidents
Données de trafic
Données météorologiques
Développement du modèle pour chaque ScT
Matrice de coefficients
Multiplication
Pré
para
tion
dedo
nnée
sT
rans
form
atio
nd
edo
nné
esR
egro
upe
men
tet
clas
sific
atio
n
Modèles pour identifier les risque:
Utilisation de la méthode CART (Classification & Regression Trees)
Séparation entre SiTN et SiTP en fonction de 22 variables
20
CART:Partitionnement récursif d'un ensemble de variables indépendantesÀ chaque nœud, trouver la meilleure division: réduire l’impureté(hétérogénéité de composition)Importance d’une variable = Réduction de l’impureté par la variable sur l’arbre.
Résultats21
ScTSiTN SiTP
Totale Identifiées Pourcentage Totale Identifiées Pourcentage
A 32874 32807 99.80% 106 106 100%
D 15509 15270 98.46% 273 273 100%
G 42400 42321 99.81% 107 107 100%
Variables importantes22
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 220
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Variables X
Imp
ort
ance
ScT AScT DScT GLVSpd
Spd#
HOcc LSpdCgL%Hv
TDay
Prec
Conclusions
Méthodologie établie est flexible SiTN bien sélectionnées Variables les plus importantes:
Variation de vitesse sur la voie de droite – X8 (LVSpd) Différence de vitesses entre deux voies – X17 (Spd#) =>La vitesse sur la voie droite
Influence des conditions météorologiques: Faible selon les données disponibles Manque de données représentatives
Modèles pas encore validés
23
Suite de l’étude
Valider les modèles Tester la transférabilité des modèles Tester avec des intervalles d’agrégation
plus faibles (4,3,2, ou 1 minutes)
24
Stratégie recommandée25
i=i+∆i
Trafic risqué pendant dernières
w min?
Trafic risqué pendant dernières
p min?
Mesure M activée il y a q min?
Mesure M couramment
activée?
Activer mesure MDésactiver mesure M
i: temps actuelw: longueur de l’intervalle
∆i: incrément p: temps avant d’activer une mesureq: temps avant de désactiver une mesure
OuiNon
Non
Non
Non
Oui
Oui
Oui
w minutestemps
w minutes∆i
Merci de votre attention(voir aussi notre poster de ce papier)
PRAC2010 : Prévention des Risques et Aides à la Conduite, Paris, 4-5 mai 2010Thème 1 – Caractérisation du risque routier
26
ObjectifsDonnées de trafic Données météorologiques Données d’accidents
Modèles pour identifier des risques de trafic
Données en temps réel
Stratégie de gestion de trafic sensible aux risques
27
Transitions de SiTP28
Accidents
Tem
ps
(min
ute
) av
ant
acci
den
ts
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 8000
05
10
15
20
25
30
A5 B5 C5 D5 E5 F5 G5 H5
Transitions de SiTP pour chaque accident
83 accidents en 61 formes de transitionsLa forme la plus commune: DDDDDD en 12 accidents
Transitions de SiTN et SiTP
SiTP: 83 accidents:
29
Comparée avec études précédant30
Études Performance Variables importantes
Applicabilité en temps réelCalibration Validation
Golob et al - Non
Oh et al Non
Pande et al
Notre étude -