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 -