Prédiction de l'état du trafic routier basée sur les motifs et les chaînes de Markov

Feda Almuhisen (1) , Nicolas Durand (1) , Leonardo Brenner (2) , Quafafou Mohamed (1)

1 DANA - Data Mining at scale
2 MOFED - Modèles et Formalismes à Evénements Discrets

This paper proposes a new method for predicting traffic state within short time windows. This method takes advantage from space-partitioning, pattern extraction and Markov modelling. From trajectories, frequent regions are extracted where vehicles repeatedly pass through by using the frequent closed patterns and the traffic state is detected based on the evolution of these patterns over time. The next state of traffic for the frequent regions is then predicted based on the Markov models. Experiments on real-world data show that the proposed method is more accurate than a baseline method.

Cet article propose une nouvelle méthode de prédiction de l'état du trafic routier sur de courtes fenêtres temporelles. Cette méthode bénéficie des méthodes de partitionnement spatial, d'extraction de motifs et de modélisation Markovienne. À partir de trajectoires, nous extrayons des régions fréquentes où des véhicules passent de manière récurrente en utilisant les motifs fermés fré-quents et nous détectons l'état du trafic en se basant sur l'évolution des motifs dans le temps. Nous prédisons ensuite l'état suivant du trafic pour les régions fréquentes en se basant sur les chaînes de Markov. Les expérimentations effec-tuées sur des données réelles montrent que la méthode proposée est plus efficace qu'une méthode de base.

Domaines: Apprentissage [cs.LG]; Informatique

Feda Almuhisen, Nicolas Durand, Leonardo Brenner, Quafafou Mohamed. Prédiction de l'état du trafic routier basée sur les motifs et les chaînes de Markov. 25èmes Rencontres de la Société Francophone de Classification (SFC 2018), Sep 2018, Paris, France. ⟨hal-01858562⟩