Spelling suggestions: "subject:"apropagation d'erreurs"" "subject:"depropagation d'erreurs""
1 |
Calage en ligne d'un modèle dynamique de trafic routier pour l'estimation en temps réel des conditions de circulation / Online calibration of a dynamic traffic model for real time estimation of traffic statesClairais, Aurélien 12 April 2019 (has links)
Les modèles de trafic ont une importance capitale pour la compréhension et la prévision des phénomènes liés aux conditions de circulation. Ils représentent une aide précieuse à tous les niveaux de gestion du trafic. Cette thèse s'attache aux problématiques liées à la gestion du trafic au quotidien. Pour les gestionnaires de réseaux, quatre enjeux sont traités. L'enjeu de rapidité renvoie au choix de l'échelle de représentation et la formulation du modèle d'écoulement. Le modèle retenu est le modèle LWR lagrangien-spatial. La fiabilité est un enjeu relatif à la prise en compte des erreurs de modèles dans les estimations des conditions de circulation. La réactivité est décrite comme la capacité de la méthode à prendre en compte en temps réel les états de trafic captés. Enfin, l'adaptabilité renvoie à la capacité des paramètres de la méthode à évoluer en tenant compte des situations de trafic observées. Les verrous scientifiques que les travaux présentés cherchent à lever s'articulent autour des quatre enjeux décrits précédemment. L'intégration de la propagation des incertitudes directement dans le modèle d'écoulement représente un premier verrou. Ensuite, la production d'indicateurs opérationnels rendant compte de la fiabilité des résultats. Concernant l'enjeu de réactivité, les verrous scientifiques traités sont la mise en place d'un schéma d'assimilation de données séquentiel et le calage des conditions internes du modèle d'écoulement intégrant les erreurs de modèle et d'observation. Enfin, concernant l'enjeu de réactivité, le verrou scientifique associé est le calage en ligne des paramètres du modèle d'écoulement. Un modèle de suivi d'erreur où les variables du modèle d'écoulement sont distribuées selon des mélanges de gaussienne est développé. Le suivi des erreurs dans le modèle est réalisé grâce à une méthode de perturbation adaptée à la formulation multi-composantes des mélanges de gaussiennes. Une analyse de sensibilité est menée afin d'établir le lien entre la robustesse de la méthode proposée et la discrétisation du réseau, le nombre de composantes dans le mélange de gaussiennes et les erreurs sur les paramètres du modèle d'écoulement. Ce modèle permet la production d'indicateurs opérationnels et leurs erreurs associées rendant compte de la fiabilité des conditions de circulation ainsi estimées. Le processus d'assimilation séquentielle permet d'estimer et de prévoir les conditions de trafic en accord avec les observations en cas de demande et d'offre non calées. L'état a posteriori est calculé à l'aide d'une formulation bayésienne connaissant les états a priori et les observations. Deux méthodes de mise à jour du modèle ont été testées. Devant les incohérences du modèle, introduites par la méthode de substitution des états a priori par les états a posteriori, la mise à jour agit aussi sur les véhicules via l'ajout, la suppression, l'avancement ou le retardement de leurs temps de passage. La validation des concepts étudiés est réalisée sur un réseau composé d'un simple lien homogène sans discontinuité. Lorsque les paramètres de l'écoulement du trafic ne sont pas calés, l'assimilation de données seule ne permet pas de propager correctement les états de trafic en accord avec la situation observée. Le calage des paramètres d'écoulement est traité dans un chapitre d'ouverture dans lequel des pistes de recherche sont suggérées afin de proposer des solutions à ce dernier verrou scientifique. Les travaux de cette thèse ouvrent la voie à des perspectives de recherche et opérationnelles. En effet, il est intéressant de quantifier le renforcement apporté par les méthodes modèle-centrées aux méthodes données-centrées usuelles dans l'estimation en temps réel et la prévision à court-terme des conditions de circulation. De plus, les méthodes développées, associées aux pistes de recherche évoquées, pourraient représenter un apport considérable aux outils d'aide à la gestion du trafic au quotidien. / Traffic models are of paramount importance for understanding and forecasting traffic dynamics. They represent a significant support for all the stages of traffic management. This thesis focuses on issues related to daily traffic management. For road network managers, four challenges are addressed. The speed refers to the choice of the scale of representation and formulation of the flow model. The selected model is the Lagrangian-Space LWR model. The reliability is associated to the integration of the model errors in the traffic conditions estimation process. The reactivity is described as the capacity of the method to take into account the prevailling traffic states in real time. Finally, the versatility refers to the capacity of the method parameters to evolve considering the observed traffic situations.The scientific challenges that the presented works aim are based on the four issues. The integration of the uncertainties into the flow model is a first challenge. Then, the production of operational indicators that account for the reliability of the results is discussed. Concerning the reactivity, the addressed scientific challenges are the establishment of a vehicle indexes based sequential data assimilation process and the calibration of the model's internal conditions. Finally, concerning the versatility, the associated scientific question is the online calibration of the parameters of the traffic flow model. A model for tracking the errors,assumed to be distributed following Gaussian mixtures, is developped. The error tracking is achieved thanks to an original perturbation method designed for multi-modal Gaussian mixtures. A sensitivity analysis is performed in order to establish a link between the designed method's robustness and the discretization of the network, the number of modes in the Gaussian mixture and the errors on the flow model's parameters. The data assimilation process enables to propagate traffic conditions in accordance with the observed situation in case of non-calibrated demand and supply. The posterior state is calculated by means of a Bayesian inference formulation knowing the prior and observed states. Two methods for model update have been tested. Facing model inconsistencies introduced by the method of substituting \textit{prior} states by \textit{posterior} states, the update acts also on the vehicles by means of addition, deletion, advancing and delaying of the passing times. The validation of the proposed solutions is achieved on a network composed of a simple homogeneous link without discontinuity. When the parameters of the traffic flow models are not calibrated, the data assimilation alone is not able to propagate the traffic states in accordance with the observed situation. The calibration of the parameters is addressed in an opening chapter in which several research avenues are proposed to resolve this last scientific question. The works in this thesis pave the way to perspectives in both research and operational domains. Indeed, it is interesting to quantify the reinforcement brought by model centered methods to usual data centered methods for the real time estimation and the short term forecasting of traffic conditions. Furthermore, the developed methods, associated to the cited research avenues, may represent a significant intake in the daily traffic management tools.
|
Page generated in 0.0708 seconds