Thèse de Thomas Veran


Sujet :
Prévention des causes d’accidents à partir des données d’historique des sociétés d’autoroute

Résumé :

Contexte académique

L'accidentologie appliquée au domaine autoroutier permet la découverte de facteurs causaux et la prédiction de la fréquence et de la gravité des accidents pour un tronçon d'autoroute identifié. Elle guide la mise en œuvre de politiques pour l'amélioration de la sécurité routière.

Pour chaque accident, des données sont recueillies au sujet des victimes (âge, genre, alcoolémie, gravité des dommages corporels...), des conditions météorologiques, de l'état et de la géométrie de la chaussée, des dispositifs de sécurités (ceintures de sécurité, airbags...), du volume du trafic...

Traditionnellement, les études de l'état de l'art prédisent des mesures agrégées comme la fréquence ou la gravité des accidents pour un tronçon d'autoroute dont les caractéristiques sont fixées. La majorité des travaux existants construisent des modèles bayésiens hiérarchiques [Mannering, 2014]. Le plus souvent, les accidents sont supposés suivre un modèle de Poisson modifié pour prendre en compte une sur-dispersion statistique et des corrélations entre les accidents détectés par un même capteur au sol. Certaines recherches ont également utilisé des modèles non-paramétriques comme par exemple des réseaux de neurones multi-couches [Zeng, 2016], des réseaux de neurones bayésiens [Xie, 2007], des SVM [Li, 2008], etc. Enfin, une partie des études se concentre sur les effets de données contextuelles, en particulier les conditions météorologiques et de trafic [Yu, 2012].

Verrous scientifiques et techniques

À l'ère des données massives, grâce à des capacités accrues de recueil, de traitement temps réel et de fusion de données issues de capteurs (trafic, météo...), des modèles pour prévoir en temps réel le risque et la gravité d'un accident apparaissent [Yu, 2013b], [Xu, 2013], [Shi, 2015], [Basso, 2018]. Cependant, ces études restent peu nombreuses car elles nécessitent d'avoir accès à de grandes quantités de données historiques liées (accidents, trafic, météo...).

Ce travail de thèse consiste en la construction de modèles pour l’analyse et la prévision temps réel du risque et de la gravité d'un accident à partir de données (accidents, trafic et météo) recueillies pour plusieurs autoroutes françaises. L'approche proposée se distingue de l'état de l'art en intégrant à la fois un modèle de prédiction du trafic, une analyse hors-ligne agrégée des fréquences et de la gravité des accidents, et des prévisions météorologiques pour permettre une prédiction temps réel du risque d'accident. La disponibilité de grandes quantités de données historiques, le besoin de fusionner des données de sources différentes et la proposition d’intégrer les résultats de modèles prédictifs en amont (p. ex. un modèle de prédiction du trafic) amènera à comparer les approches par apprentissage automatique (réseaux de neurones, SVM...) et les approches basées sur des modèles statistiques.

Références bibliographiques

Basso, Franco, et al. "Real-time crash prediction in an urban expressway using disaggregated data." Transportation Research Part C: Emerging Technologies 86 (2018): 202-219.

Li, Xiugang, et al. "Predicting motor vehicle crashes using support vector machine models." Accident Analysis & Prevention 40.4 (2008): 1611-1618.

Mannering, Fred L., and Chandra R. Bhat. "Analytic methods in accident research: Methodological frontier and future directions." Analytic methods in accident research 1 (2014): 1-22.

Shi, Qi, and Mohamed Abdel-Aty. "Big data applications in real-time traffic operation and safety monitoring and improvement on urban expressways." Transportation Research Part C: Emerging Technologies 58 (2015): 380-394.

Xie, Yuanchang, Dominique Lord, and Yunlong Zhang. "Predicting motor vehicle collisions using Bayesian neural network models: An empirical analysis." Accident Analysis & Prevention 39.5 (2007): 922-933.

Xu, Chengcheng, et al. "Predicting crash likelihood and severity on freeways with real-time loop detector data." Accident Analysis & Prevention 57 (2013): 30-39.

Yu, Rongjie, Mohamed Abdel-Aty, and Mohamed Ahmed. "Bayesian random effect models incorporating real-time weather and traffic data to investigate mountainous freeway hazardous factors." Accident Analysis & Prevention 50 (2013): 371-376.

Yu, Rongjie, and Mohamed Abdel-Aty. "Utilizing support vector machine in real-time crash risk evaluation." Accident Analysis & Prevention 51 (2013): 252-259.

Zeng, Qiang, et al. "Rule extraction from an optimized neural network for traffic crash frequency modeling." Accident Analysis & Prevention 97 (2016): 87-95.


Encadrant : Jean-Marc Petit
Co-encadrant : Pierre-Edouard Portier