AT405 - Mouna JIBER - Approche Intelligente Pour La Reconstitution Des Données Manquantes Du Trafic Routier Au Maroc.

ASSOCIATION MAROCAINE PERMANENTE ‫الـجـمـعـيـة الـمغـربـيـة الـدائـمـة‬
DES CONGRES DE LA ROUTE ‫لـمـؤتمـرات الـطـرق‬

ème
11 Congrès National de la Route à Dakhla ‫المؤتمر الوطني الحادي عشر للطرق بالداخلة‬
Approche intelligente pour la reconstitution des données

manquantes du trafic routier au Maroc
Mouna Jiber1, Abdelilah Mbarek 2

1
Direction Régionale de l’Equipement du Transport de la Logistique et de l’Eau Fès Meknès,
m.jiber@mtpnet.gov.ma
2
Laboratoire d'Informatique, Signaux, Automatique et Cognitivisme, Faculté des Sciences Dhar El
2
Mahraz , Fès Maroc. abdelilah.mbarek@usmba.ac.ma
Résumé : Le trafic routier est un phénomène complexe et sa collecte suit un processus spatio-
temporel. Sa gestion a attiré l'attention du monde universitaire et de l'industrie car elle souffre
souvent de problèmes d'absence de données, causés par le déploiement temporaire de
capteurs, le dysfonctionnement des détecteurs et les systèmes de communication déficients.
Au Maroc, la gestion des données de trafic routier est pilotée par le Centre National des
Etudes et des Recherches Routières, qui est rattaché au ministère de l'équipement et de l'eau.
Le centre collecte une grande masse de données sur le flux de trafic dans les principales
routes du Maroc.
Afin d'obtenir le volume de trafic TMJA (Trafic Moyen Journalier Annuel), qui est
l'indicateur commun du trafic, il est nécessaire d'obtenir des données en continu. Cependant, il
n'est pas possible de recenser des données sur toutes les routes en raison du coût que cela
implique. C'est pourquoi le centre utilise des compteurs périodiques avec une durée de
comptage de 8 jours par semestre (16 jours par an). Ces données, ainsi que celles obtenues à
partir du compteur permanent de rattachement, sont ensuite utilisées pour calculer l'estimation
des caractéristiques annuelles du trafic et des variations saisonnières.
Dans ce contexte, et pour exploiter pleinement l’historique des informations du trafic routier
et sa corrélation spatio-temporelle, cet article présente une démarche basée sur les méthodes
de l’intelligence artificielle pour estimer les valeurs manquantes relatives au flux routier au
Maroc. Les résultats de la simulation montrent que la démarche adoptée permet d’estimer les
données manquantes avec une grande précision.
Le présent travail va contribuer à améliorer la qualité du recueil du trafic routier car les
données manquantes risquent d’avoir un poids important et ne peuvent donc pas être ignorées
lors de l’analyse statistique de la circulation routière.
Mots clés : Analyse du Trafic Routier, Machine Learning, SARIMA, SVR, Régression Linéaire.
1
‫‪ASSOCIATION MAROCAINE PERMANENTE‬‬ ‫الـجـمـعـيـة الـمغـربـيـة الـدائـمـة‬
‫‪DES CONGRES DE LA ROUTE‬‬ ‫لـمـؤتمـرات الـطـرق‬
‫‪ème‬‬
‫‪11‬‬ ‫‪Congrès National de la Route à Dakhla‬‬ ‫المؤتمر الوطني الحادي عشر للطرق بالداخلة‬
‫ملخص ‪:‬‬
‫تعتبر حركة المرور على الطرق ظاهرة معقدة ويتبع جمعها عملية مكانية وزمانية‪ .‬جذبت إدارتها انتباه األوساط األكاديمية‬
‫والصناعية ألنها غالبًا ما تعاني من مشكالت فقدان البيانات‪ ،‬الناتجة عن النشر المؤقت ألجهزة االستشعار‪ ،‬وأجهزة الكشف‬
‫المعطلة وأنظمة االتصاالت المعيبة‪ .‬في المغرب‪ ،‬يدير المركز الوطني للدراسات الطرقية‪ ،‬التابع لوزارة التجهيز والماء‪،‬‬
‫إدارة بيانات المرور على الطرق‪ .‬يقوم المركز بجمع كمية كبيرة من البيانات عن تدفق حركة المرور في الطرق الرئيسية‬
‫بالمغرب‪.‬‬
‫من أجل الحصول على حجم حركة المرور ‪( TMJA‬متوسط الحركة السنوية اليومية)‪ ،‬وهو مؤشر المرور المشترك‪ ،‬من‬
‫الضروري الحصول على بيانات مستمرة‪ .‬ومع ذلك‪ ،‬ال يمكن جمع البيانات عن جميع الطرق بسبب التكلفة المتضمنة‪ .‬هذا‬
‫هو السبب في أن المركز يستخدم عدادات دورية مع فترة عد ‪ 8‬أيام لكل ‪ 6‬أشهر (‪ 66‬يو ًما في السنة)‪ .‬ثم يتم استخدام هذه‬
‫البيانات‪ ،‬وكذلك تلك التي تم الحصول عليها من العداد الدائم المرفق‪ ،‬لحساب تقدير الخصائص السنوية لحركة المرور‬
‫والتغيرات الموسمية‪.‬‬
‫في هذا السياق‪ ،‬واالستفادة الكاملة من معلومات حركة المرور على الطرق وارتباطها المكاني والزماني‪ ،‬تقدم هذه المقالة‬
‫مقاربة تستند إلى أساليب الذكاء االصطناعي لتقدير القيم المفقودة المتعلقة بتدفق الطرق في المغرب‪ .‬تظهر نتائج المحاكاة‬
‫أن األسلوب المعتمد يجعل من الممكن تقدير البيانات المفقودة بدقة كبيرة‪.‬‬
‫سيساعد هذا العمل على تحسين جودة جمع بيانات حركة المرور على الطرق ألن البيانات الناقصة قد يكون لها وزن كبير‬
‫وبالتالي ال يمكن تجاهلها أثناء التحليل اإلحصائي لحركة المرور على الطرق‪.‬‬
‫‪2‬‬
ème
Abstract
Road traffic is a complex phenomenon and its collection follows a spatio-temporal process.
Its management has attracted the attention of academia and industry because it often suffers
from data gaps caused by temporary deployment of sensors, malfunctioning detectors and
deficient communication systems. In Morocco, road traffic data management is managed by
the “Centre National des Etudes Routières “, which is attached to the Ministry of Equipment
and Water. The center collects a large amount of data on the traffic flow on the main roads in
Morocco.
In order to obtain the traffic volume AADT (Annual Average Daily Traffic), which is the
common traffic indicator, it is necessary to obtain continuous data. However, it is not possible
to collect data on all roads because of the cost involved. Therefore, the center uses periodic
counters with a counting time of 8 days per semester (16 days per year). These data, together
with those obtained from the permanent counter, are then used to calculate the estimated
annual traffic characteristics and seasonal variations.
In this context, and in order to fully exploit the history of road traffic information and its
spatio-temporal correlation, this paper presents an approach based on artificial intelligence
methods to estimate the missing values related to road flow in Morocco. The simulation
results show that the adopted approach allows estimating the missing data with a high
accuracy.
The present work will contribute to improve the quality of the road traffic collection because
missing data are likely to have an important weight and therefore cannot be ignored during the
statistical analysis of the road traffic.
Keywords: Road Traffic Analysis, Machine Learning, SARIMA, SVR, Linear regression.
3
ème
1. Introduction
Ces dernières années, la gestion du trafic routier a connu une énorme évolution dans le
monde entier, grâce à l'émergence de nouvelles technologies, telles que l'Internet des objets,
les systèmes de transport intelligents (STI) et les systèmes décisionnels. Des éléments sont
constamment ajoutés aux systèmes de transport mondiaux et de nouvelles techniques sont
appliquées pour exploiter et entretenir ces systèmes de manière sûre et économique. L'objectif
principal de ces systèmes est de contribuer à la mise en œuvre des principales stratégies de
transport. Les STI impliquent la collecte, le traitement et l'analyse de données afin de fournir
un outil de prise de décision efficace [1].
Le développement de ces systèmes est fortement tributaire de la qualité et de la quantité
des données sur le trafic routier. En général, les données sur le trafic, telles que la vitesse des
véhicules ou le flux de circulation, sont recueillies à l'aide de détecteurs fixes placés
stratégiquement le long du réseau routier [2]. La collecte de données par le biais de téléphones
mobiles et de GPS embarqués constitue désormais une autre source de collecte de données qui
peut fournir des informations précises en temps réel sur un vaste réseau routier tout en
surmontant certains problèmes associés aux détecteurs fixes.
Les progrès rapides de l'intelligence artificielle (IA) ont entraîné un changement radical
dans la gestion du trafic routier. L'IA peut désormais prédire et contrôler avec une grande
précision le flux de personnes, d'objets, de véhicules et de marchandises en différents points
du réseau de transport. En plus de fournir un meilleur service aux citoyens, l'IA permet
également de réduire les accidents en optimisant les flux aux intersections, ainsi que
d'améliorer la sécurité pendant les périodes où les routes sont fermées en raison de travaux ou
d'autres événements. En outre, la capacité de l'IA à traiter et à analyser de grandes quantités
de données a permis une analyse efficace des données, comme la prédiction et éventuellement
la reconstitution de données manquantes [3].
L'apprentissage automatique ou Machine Learning (ML) est un sous-domaine de l'IA qui
vise à analyser et à interpréter des modèles et des structures de données pour permettre
l'apprentissage, le raisonnement et la prise de décision sans interaction humaine. ML est une
technique de programmation informatique qui utilise des probabilités statistiques pour donner
aux ordinateurs la capacité d'apprendre par eux-mêmes sans programmation explicite. À la
base, l'apprentissage automatique "apprend aux ordinateurs à apprendre" et, par la suite, à agir
et à réagir comme le font les humains, en améliorant leur mode d'apprentissage et leurs
connaissances de manière autonome au fil du temps .
Les techniques d'apprentissage automatique utilisent des programmes qui s'adaptent
chaque fois qu'ils sont exposés à différents types de données d'entrée.
Dans ce contexte, nous allons considérer les méthodes d'apprentissage automatique les
plus connues dans la littérature afin d'estimer les données manquantes d'une section routière
au Maroc. La recherche est basée sur les données historiques des années (2014 à 2017) de
quatre sections routières à Marrakech.
Les capteurs étudiés sont installés sur quatre routes nationales à l'entrée de la ville.
Parfois, l'un des capteurs tombe en panne, ce qui entraîne une perte de données. Par
conséquent, nous avons eu l'idée de résoudre ces problèmes en proposant un modèle de
reconstitution des données du trafic d’une section en se basant sur les enregistrements des
capteurs à proximité.
Il existe de nombreuses méthodes pour apprendre et prédire le trafic, comme des
heuristiques basées sur une analyse statistique de données historiques. Elles sont faciles et
pratiques pour la prédiction, comme l'algorithme KNN, la régression linéaire et non linéaire,
les modèles linéaires autorégressifs tels que la moyenne mobile intégrée autorégressive
4
ème
(ARIMA) [4] [5]. Dans les techniques statistiques, les modèles ARIMA sont, en théorie, la
classe de modèles la plus générale pour prévoir les données de séries temporelles. Ils peuvent
potentiellement et efficacement prévoir les données futures en raison de leur commodité et de
leur précision, de leur faible besoin en données d'entrée et de leur simplicité de calcul [6] [7].
Pour les problèmes de régression, le modèle SVR (Support Vector Regression) s'est révélé
être un outil puissant pour l'estimation de données réelles. En tant qu'algorithme
d'apprentissage supervisé dans l'apprentissage automatique, le modèle SVR utilise une
fonction de perte symétrique, qui pénalise les décisions limites. Récemment, les réseaux
neuronaux artificiels ont attiré beaucoup d'attention dans ce domaine.
2. Méthodes Utilisés
2.1 Régression linéaire - méthode des moindres carrés (OLS)
En apprentissage automatique, un modèle de régression linéaire est un modèle de
régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une
ou plusieurs variables, dites explicatives.
La régression OLS (moindres carrés ordinaires) est une technique pour estimer les
coefficients d'une régression linéaire qui décrivent les relations entre une ou plusieurs
variables quantitatives et une variable. Les moindres carrés désignent l'erreur quadratique
minimale.
Cette forme d'analyse estime les coefficients de l'équation linéaire, impliquant une ou
plusieurs variables indépendantes qui prédisent le mieux la valeur de la variable dépendante.
La régression linéaire ajuste une ligne droite ou une surface qui minimise les écarts entre les
valeurs de sortie prédites et réelles. Il existe des calculatrices de régression linéaire simples
qui utilisent la méthode des "moindres carrés" pour découvrir la ligne la mieux adaptée à un
ensemble de données appariées.
Dans le cas d'un modèle à p variables explicatives, le modèle statistique de la régression
OLS s'écrit :
∑ (1)
Où Y désigne la variable dépendante, β0, est constante du modèle, Xj désigne la jème

variable explicative du modèle (j= 1 à p), et e une erreur aléatoire d'espérance 0 et de variance
σ². Dans le cas où l'on dispose de n observations, l'estimation de la valeur de la variable Y
pour l'observation i est donnée par l'équation suivante :
∑ (2)
5
ème
2.1 SVR
La régression par vecteurs de support (SVR) est un algorithme de régression, qui

applique une technique similaire à celle des machines à vecteurs de support (SVM) pour
l'analyse de régression. Comme nous le savons, les données de régression contiennent des
nombres réels continus. Pour modéliser de telles données, le modèle SVR ajuste la ligne de
régression de manière qu'elle se rapproche des meilleures valeurs avec une marge donnée
appelée ε-tube (epsilon-tube, où ε identifie une largeur de tube). SVR tente d'ajuster
l'hyperplan qui a un nombre maximal de points tout en minimisant l'erreur. L'ε-tube prend en
compte la complexité du modèle et le taux d'erreur, qui est la différence entre les sorties
réelles et prédites. Les contraintes du problème SVR sont décrites comme suit :
| | (3)
L’équation de l’hyperplan est :
(4)
La fonction objective du SVR est de minimiser les coefficients :
‖ ‖ (5)
2.2 SARIMA
L’une des méthodes de prévision de séries temporelles les plus répandues est la méthode
ARIMA. Elle signifie : Auto Regressive Integrated Moving Average. Il s’agit d’un modèle
qui prédit les valeurs futures d’une série temporelle sur certains aspects de la structure
statistique de la série observée.
D'après son nom, nous pouvons diviser le modèle en plus petits composants comme suit :
AR : un modèle autorégressif qui représente un type de processus aléatoire. La sortie du
modèle dépend linéairement de sa propre valeur précédente, c'est-à-dire d'un certain nombre
de points de données décalés ou du nombre d'observations passées
MA : un modèle de moyenne mobile dont la sortie dépend linéairement des observations
actuelles et passées d'un terme stochastique [8].
I : intégré signifie ici l'étape de différenciation pour générer des données de séries
temporelles stationnaires, c'est-à-dire l'élimination des composantes saisonnières et de
tendance.
Le modèle ARIMA est généralement désigné par ARIMA (p, d, q) et les paramètres p, d,
q sont définis comme suit :
p : l'ordre de décalage ou le nombre de décalages temporels du modèle autorégressif AR(p)
d : le degré de différentiation ou le nombre de fois que les données ont été soustraites de la
valeur passée
q : l'ordre du modèle de moyenne mobile MA(q)
SARIMA ou saisonal ARIMA utilise de la même manière les valeurs passées, mais tient
également compte des schémas de saisonnalité. Comme le SARIMA intègre la saisonnalité en
tant que paramètre, il est beaucoup plus puissant que l'ARIMA pour prévoir des données
complexes.
6
ème
3. Dataset
Le jeu de données étudié contient le flux de trafic enregistré sur une période de 4 ans de
2014 à 2017 relatif aux 4 compteurs (138,137,74 et 39) et est composé d'un ensemble de
fichiers séparés. Les fichiers comprennent la date (jour et heure), le début et la fin de
l'enregistrement, le nombre de voies, ainsi que la décomposition du trafic par classe de
véhicule en fonction de leur longueur L (tableaux 3.1 et 3.2).
La première étape du processus de construction du jeu de données consiste à fusionner les
données de trafic routier dans un seul fichier. Dans notre étude, nous considérerons la somme
du trafic horaire de chaque voie toutes classes de véhicules confondues.
Tableau 3.1 : échantillon de données pour un compteur d’une route de 2 voies
Date Heure voie 1 Class 1 Class 2 Class 3 Class 4 Voie 2 Class 1 Class 2 Class 3 Class 4
01/01/16 22:00 181 85 45 34 17 202 46 63 52 41
01/01/16 23:00 389 182 152 42 13 136 46 41 25 24
02/01/16 00:00 418 156 124 87 51 118 42 45 19 12
02/01/16 01:00 438 205 140 52 41 134 52 43 24 15
Tableau 3.2 : Classification des véhicules

Classe 1 2 3 4
Longueur (m) L < 5.2 5.2 < L < 6.5 6.5 < L < 10.5 10.5 < L
Les données sont ensuite prétraitées en enlevant d’abord les données extrêmes ou
aberrantes (outliers). Ceci est justifié par le fait que ces derniers risquent de réduire la qualité
des résultats. La méthode de mesure de dispersion de données utilisée est « Écart
interquartile ». Elle permet d’éliminer les valeurs qui sont fortement « distantes » des autres
observations.
Les figures 3.a et 3.b décrivent la distribution des données du trafic routier pour chaque
station avant et après l’application de la méthode.
Figure 3.a Figure 3.b
7
ème
4. Résultats de la simulation et Discussion

Notre étude a pour objectif l'entraînement d'un modèle qui peut apprendre et prédire les
données du compteur (numéro : 138), sur la base des données collectées par 3 capteurs à
proximité (compteurs numéro 29, 74 et 137).
On commence par appliquer 3 méthodes connues dans la littérature (OLS, SVR et
SARIMA) et détaillées dans la section n : 2 de ce manuscrit afin d’étudier la corrélation entre
les données des compteurs étudiés. Ceci permettrait de reconstituer les données manquantes
d’une section routière à partir de l’historique du recueil du trafic de ses compteurs voisins. En
effet, les compteurs souffrent souvent de défaillances qui génèrent la perte d’une masse
importante de données. Ce qui mettrait en jeu la qualité et la crédibilité de l’analyse des
données du trafic routier.
Dans la figure 4.a, on peut visualiser le flux du trafic de chaque station dans un ordre
chronologique. La première observation indique que les stations ont des courbes rapprochées.
Généralement, elles sont hautes dans la journée et basses dans la nuit.
La figure 4.b montre la corrélation entre les différentes stations à travers une carte
thermique de corrélation. Il s’agit d’une matrice assistée par une barre de couleurs rendant les
données facilement lisibles et compréhensibles. La couleur de la cellule est proportionnelle au
nombre de mesures qui correspondent à la valeur dimensionnelle. Ces cartes sont idéales pour
l’analyse des données car elles mettent en évidence les différences et les variations dans les
mêmes données.
Ensuite, on utilise les trois modèles proposés pour modéliser la voie n :2 du compteur :
138.
8
ème
Figure 4.a
Figure 4.b
La qualité des modèles est mesurée à l’aide de 4 mesures d’erreur les plus utilisées dans la
littérature :
MSE: Mean Square Error:
√ ∑ ̂ (6)
9
ème
RMSE: Root Mean Square Error:
√ ∑ ̂ (7)
MAE: Mean Absolute Error:
∑| ̂| (8)
MAPE: Mean Absolute Percentage:
| ̂|
∑ (9)
Pour N observations, xi et ̂ représentent respectivement la iéme valeur réelle et sa

valeur prédite par le modèle.
Modèle OLS SARIMA SVR

Critère
MSE 8495.44835 1639.1981 8052.0512
RMSE 92.1707 40.4870 89.7332
MAE 66.1728 29.5850 65.4944
MAPE 0.4091 0.2515 0.4152
Tableau 4.a : Evaluation des 3 modèles
Le tableau 4.1 montre que SARIMA performe mieux que la régression linéaire et SVR, et
ce avec des erreurs beaucoup plus réduites. Aussi, avec la visualisation graphique des résultats
de prédiction de l’ensembles des modèles sur une période de 48 heures, on constate que
SARIMA a pu prédire les données de test avec une précision supérieur que les modèles de
régression linéaire (OLS) et SVR (Figure 4.c).
Les simulations sont réalisées à l’aide de Python 3.6 sur une machine 2.5 GHz Intel Core
i5-7200U.
10
ème
Figure 4.c
5. Conclusion et Perspectives
Dans cet article, nous avons discuté et utilisé 3 algorithmes de machine learning afin de
concevoir un modèle de prédiction de données du trafic routier horaire. L'étude utilise des
données historiques des années 2014 à 2017 de 4 sections routières à Marakech, Maroc.
La principale contribution de notre travail est d’exploiter pleinement l’historique des
informations du trafic routier et sa corrélation spatio-temporelle, afin de prédire les données
perdues d'un compteur en fonction de ses stations voisines.
Les modèles utilisés sont évalués par des mesures d’erreur connus dans la litérature et les
résultats de la simulation ont démontré que SARIMA donne une meilleure performance en
termes de précision et de stabilité.
Le modèle de prévision du trafic proposé servira à reconstituer les données perdues ou
détruites avec les valeurs prédites. Cela permet de combler les lacunes de la matrice de trafic
utilisée pour calculer le trafic journalier moyen annuel (TJMA), qui est l'indicateur commun
du trafic .
Perspectives :
Dans nos prochains travaux de recherche, on compte travailler sur des données collectées
à partir de capteurs en temps réel. Ces derniers ont été mis en place par le ministère de
l'équipement et de l’eau, mais ils ne sont pas encore déployés dans tout le pays. Une analyse
intelligente de ces données permettrait de développer des modèles de prédiction à court terme
des flux de circulation. Ceci permettra aux usagers de la route de disposer d'information
préalable sur le trafic pour planifier leurs déplacements et gérer efficacement leur temps en
évitant les heures de plus grande congestion.
11
ème
Bibliographie
[1] M. Jiber, I. Lamouik, Y. Ali, and M. A. Sabri, “Traffic flow prediction using neural network,” 2018
International Conference on Intelligent Systems and Computer Vision, ISCV 2018, vol. 2018-May,
pp. 1–4, 2018, doi: 10.1109/ISACV.2018.8354066.
[2] M. Jiber, A. Mbarek, A. Yahyaouy, J. Boumhidi, and M. A. Sabri, “information Road Traffiic
Prediction Model Using Extreme Learning Machine : The Case Study of,” 2020.
[3] Y. Zhang and Y. Liu, “Comparison of parametric and nonparametric techniques for non-peak traffic
forecasting,” World Academy of Science, Engineering and Technology, vol. 39, no. 3, pp. 242–248,
2009.
[4] B. M. Williams, M. Asce, L. A. Hoel, and F. Asce, “Modeling and Forecasting Vehicular Traffic Flow
as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results”, doi: 10.1061/ASCE0733-
947X2003129:6664.
[5] M. Awad, R. Khanna, M. Awad, and R. Khanna, “Support Vector Regression,” in Efficient Learning
Machines, Apress, 2015, pp. 67–80. doi: 10.1007/978-1-4302-5990-9_4.
[6]Q. Tang, M. Yang, and Y. Ying, “ST-LSTM : A Deep Learning Approach Combined Spatio-Temporal
Features for Short-Term Forecast in Rail Transit,” vol. 2019, 2019.
[7] H. Moeeni and H. Bonakdari, “Impact of Normalization and Input on ARMAX-ANN Model
Performance in Suspended Sediment Load Prediction,” Water Resources Management, vol. 32,
no. 3, pp. 845–863, Feb. 2018, doi: 10.1007/s11269-017-1842-z.
[8] H. Moeeni and H. Bonakdari, “Forecasting monthly inflow with extreme seasonal variation using the
hybrid SARIMA-ANN model,” Stochastic Environmental Research and Risk Assessment, vol. 31,
no. 8, pp. 1997–2010, Oct. 2017, doi: 10.1007/s00477-016-1273-z.
[9] V. K. J. A. K. Pregya Poonia, “Short Term Traffic Flow Prediction Methodologies: A Review | Mody
University International Journal of Computing and Engineering Research-Volume 2 Issue 1, pp.
37–39, 2018.
[10] B. Du et al., “Deep irregular convolutional residual LSTM for urban traffic passenger flows
prediction,” IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 3, pp. 972–985,
2020, doi: 10.1109/TITS.2019.2900481.
[11] N. Ranjan, S. Bhandari, H. P. Zhao, H. Kim, and P. Khan, “City-Wide Traffic Congestion
Prediction Based on CNN, LSTM and Transpose CNN,” vol. 8, 2020, doi:
10.1109/ACCESS.2020.2991462.
12

AT405 - Mouna JIBER - Approche Intelligente Pour La Reconstitution Des Données Manquantes Du Trafic Routier Au Maroc.

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

AT405 - Mouna JIBER - Approche Intelligente Pour La Reconstitution Des Données Manquantes Du Trafic Routier Au Maroc.

Transféré par

Droits d'auteur :

Formats disponibles

ASSOCIATION MAROCAINE PERMANENTE ‫الـجـمـعـيـة الـمغـربـيـة الـدائـمـة‬

DES CONGRES DE LA ROUTE ‫لـمـؤتمـرات الـطـرق‬

Approche intelligente pour la reconstitution des données

Mouna Jiber1, Abdelilah Mbarek 2

Où Y désigne la variable dépendante, β0, est constante du modèle, Xj désigne la jème

La régression par vecteurs de support (SVR) est un algorithme de régression, qui

Tableau 3.1 : échantillon de données pour un compteur d’une route de 2 voies

Tableau 3.2 : Classification des véhicules

Figure 3.a Figure 3.b

4. Résultats de la simulation et Discussion

RMSE: Root Mean Square Error:

MAE: Mean Absolute Error:

MAPE: Mean Absolute Percentage:

Pour N observations, xi et ̂ représentent respectivement la iéme valeur réelle et sa

Modèle OLS SARIMA SVR

MSE 8495.44835 1639.1981 8052.0512

RMSE 92.1707 40.4870 89.7332

MAE 66.1728 29.5850 65.4944

MAPE 0.4091 0.2515 0.4152

Tableau 4.a : Evaluation des 3 modèles

Vous aimerez peut-être aussi