ÉCOLE NATIONALE D’INGÉNIEURS DE TUNIS

Projet Probabilités

Qu’apporte l’anarchie sur nos

routes

Elaboré par :

Atrous Sarra

Hachani Salma

Mahjoubi Nada

Encadré par :

Mr.Azmi MAKHLOUF

1ère Année MIndS

Année universitaire : 2022/2023

 TABLE DES MATIÈRES

Table des figures 3

1 Travail de base 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Détermination des voitures les plus proches . . . . . . . . . . 9
1.3.2 Calcul des probabilités de changement de voies . . . . . . . . 11
1.3.3 Le risque de collision . . . . . . . . . . . . . . . . . . . . . . 11
1.3.4 Résultats de l’algorithme . . . . . . . . . . . . . . . . . . . . 11
1.3.5 L’évolution de la matrice M pour 100 itérations . . . . . . . 13
1.4 Interprétation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 une seule simulation . . . . . . . . . . . . . . . . . . . . . . 16
1.4.2 Plusieurs simulations . . . . . . . . . . . . . . . . . . . . . . 19

2 Partie extension
2.1 Introduction . . . . . . .
2.2 La prise en considération
2.3 La prise en considération
clignotant . . . . . . . .
2.4 Résultats . . . . . . . . .
2.5 Interprétation . . . . . .
23
. . . . . . . . . . . . . . . . . . . . . . . . 23
de l’état routier . . . . . . . . . . . . . . 23
de l’utilisation et de la non-utilisation du
. . . . . . . . . . . . . . . . . . . . . . . . 25
. . . . . . . . . . . . . . . . . . . . . . . . 26
. . . . . . . . . . . . . . . . . . . . . . . . 28

2
 TABLE DES FIGURES

1.1 La matrice initiale . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.2 Les 3 premières matrices . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 La matrice finale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Une capture de la simulation . . . . . . . . . . . . . . . . . . . . . . 14
1.5 les derniers moments de la simulation . . . . . . . . . . . . . . . . . 14
1.6 Augmentation du nombre de collisions . . . . . . . . . . . . . . . . 15
1.7 freq_dang=0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.8 freq_dang=20 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.9 Le nuage des points . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.10 La courbe gaussienne(m,σ) . . . . . . . . . . . . . . . . . . . . . . . 20

2.1 Densité de collison (travail sans extension) . . . . . . . . . . . . . . 26

2.2 Densité de collison (travail avec extension) . . . . . . . . . . . . . . 27
 REMERCIEMENTS

ous tenons à exprimer nos sincères remerciements à toutes les personnes qui
N ont contribué à la réalisation de ce rapport. Tout d’abord, nous souhaitons
remercier monsieur Azmi MAKHLOUF pour la quantité impressionnante du temps
qu’il nous a consacré. Ainsi que pour ses remarques constructives. Enfin, nous
remercions nos collègues pour leur collaboration et leur soutien tout au long de la
réalisation de ce projet.

1
 INTRODUCTION

’objectif majeur de ce projet était l’étude numérique d’une situation d’anar-

L chie sur la route, en utilisant la méthode de Monte-Carlo. Il s’agit d’une une
méthode numérique de simulation stochastique qui consiste à générer des échan-
tillons aléatoires à partir d’une distribution de probabilité donnée pour estimer
des quantités mathématiques. Cette méthode est particulièrement utile lorsque
la résolution exacte d’un problème mathématique ou scientifique est difficile ou
impossible à atteindre. En effet, de nombreux problèmes complexes impliquent des
équations non linéaires, des modèles stochastiques ou des processus aléatoires pour
lesquels il n’existe pas de solution analytique.
La méthode Monte-Carlo est basée sur l’utilisation de l’échantillonnage aléatoire
pour obtenir des résultats numériques. Elle se décompose en trois étapes principales :
la génération d’échantillons aléatoires, le calcul d’une fonction à partir de ces
échantillons et l’estimation de la valeur de cette fonction en utilisant les résultats
obtenus.
Les échantillons aléatoires peuvent être générés à partir de différentes distributions
de probabilité, selon le problème à résoudre. Les échantillons sont ensuite utilisés
pour calculer une fonction qui décrit le système ou le processus que l’on souhaite
modéliser. Enfin, la valeur de cette fonction est estimée en utilisant les échantillons
aléatoires générés. La méthode Monte-Carlo peut être utilisée pour estimer des
grandeurs statistiques telles que la moyenne, la variance, l’écart-type, ou encore
des quantiles. Elle est particulièrement utile pour estimer des valeurs de probabilité
pour des événements rares ou pour des systèmes complexes pour lesquels il n’existe
pas de modèle analytique précis. Elle est particulièrement utile lorsque les équations
ne peuvent pas être résolues analytiquement ou lorsque les calculs nécessaires sont
trop complexes. Cette méthode a de nombreuses applications dans de nombreux
domaines. En finance pour évaluer les options financières, les contrats d’assurance

2
 chapitre 1

et les produits dérivés. Elle permet de simuler les trajectoires des prix des actifs
financiers à l’aide d’un modèle stochastique et d’estimer le prix d’un contrat à
partir de ces simulations, à l’ingénierie pour évaluer la fiabilité et la durée de vie des
composants dans les systèmes d’ingénierie. Elle permet d’estimer les probabilités
de défaillance des composants et de simuler les charges et les contraintes auxquelles
ils sont soumis, et pour la biologie cette méthode permet de simuler les systèmes
biologiques complexes tels que les réseaux métaboliques et les systèmes neuronaux.

Contexte du projet
On connaît les incivilités (volontaires) sur nos routes : vitesse excessive, change-
ments de voie dangereux, priorités non respectées, ...
"Je change de voie quand je veux, et alors ?
Ça me fait gagner du temps, tant qu’il n’y a pas d’accident !", se dit-on.
Mais combien de temps cela fait gagner (si on en gagne) ? Et à quel prix sur le
risque d’accident pour tous les usagers de la route ? Modélisation et simulation
aident à y répondre !

Objectif et travail à faire

Le but est une étude numérique de changement de voies sur une route. Le projet
comporte deux grande parties :
- Un travail de base commun à toutes les équipes
- Un travail propre à chaque équipe

3
 CHAPITRE 1
TRAVAIL DE BASE

1.1 Introduction
Le programme est une simulation de la circulation routière sur une route à deux
voies et comporte les paramètres suivants :

K : le nombre de voies
N : le nombre de véhicules sur la route (10 véhicules par voie initialement)
V0 : la vitesse initiale des véhicules (en m/s)
D0 : la distance initiale entre deux voitures successives (en mètres)
s : la distance de sécurité (en m/s)
dt : l’intervalle de temps (en secondes)
Xmax : la position maximale que peuvent atteindre les véhicules sur la route (en
mètres)
Vmax : la vitesse maximale autorisée sur la route (en m/s)
Amax : l’accélération maximale des véhicules (en m/s2)
psaf emin : la probabilité minimale que deux véhicules aient une distance de sécurité
(en % )
f reqdang : la fréquence à laquelle les accidents se produisent (en Hz)
longueurroute : la longueur totale de la route (en mètres)

4
1.1. INTRODUCTION chapitre 1

Le programme simule la circulation sur la route en utilisant une matrice M

qui contient les informations sur chaque véhicule, telles que sa voie ,sa position,
sa vitesse,son risque de collision et le temps ou elle arrive à la fin de la route(elle
dépasse Xmax ).
La matrice M est de taille N x 6, où N est le nombre de lignes (dans ce cas, N = 20).
Chaque ligne de la matrice M représente une voiture et contient des informations
sur l’état de cette voiture à un instant donné.

L’état initial de la matrice M est configuré comme suit :

Les 10 premières lignes de la colonne 1 sont remplies avec la valeur 1, indiquant

que les voitures se trouvent sur la voie 1. Les 10 dernières lignes de la colonne 1
sont remplies avec la valeur 2, indiquant que les voitures se trouvent sur la voie 2.
Les valeurs des positions des voitures sont réparties linéairement dans la colonne
2. Les 10 premières lignes de la colonne 2 contiennent des valeurs allant de 0 à
-0.045, tandis que les 10 dernières lignes de la colonne 2 contiennent également des
valeurs allant de 0 à -0.045, représentant la position respective des voitures sur les
voies 1 et 2. ceci est effectué par le code suivant :

On obtient ainsi la simulation suivante :

5
1.2. FONCTIONS chapitre 1

La simulation se déroule sur un nombre déterminé d’itérations. À chaque itéra-

tion, la matrice M est initialisée avec des positions et des vitesses initiales pour les
véhicules. Ensuite, la simulation est effectuée en mettant à jour les positions, les
vitesses et les voies des véhicules à chaque intervalle de temps dt. Le programme
vérifie également si les véhicules ont une distance de sécurité suffisante et s’il y a un
risque de collision entre deux véhicules. En cas de risque de collision, le programme
peut déclencher un accident.

La simulation se termine lorsque tous les véhicules ont atteint la position

maximale Xmax . Le programme calcule alors diverses statistiques sur la simulation,
telles que le temps écoulé, le nombre d’accidents, la vitesse moyenne des véhicules,
etc.

1.2 Fonctions
Afin de réaliser ce programme, il est nécessaire d’introduire des fonctions utiles
pour faciliter la programmation.

calcul_Cplus_et_Dplus(voie,positions,j,1) : Cette fonction permet de cal-

culer la position et la distance relative du véhicule suivant dans la même voie et
dans la voie adjacente à droite ou à gauche. Elle prend en entrée la liste des voies
’voie’, la liste des positions des véhicules ’positions’, l’indice j du véhicule pour
lequel on veut calculer ces valeurs et le paramètre 1 ou 2 qui indique si on veut
calculer les valeurs pour la voie de droite ou de gauche et elle retourne une liste :
[indice de c_plus, distance_plus]. En cas d’absence de véhicule suivant, la position
prend la valeur -1 et la distance prend la valeur Inf.

6
1.2. FONCTIONS chapitre 1

calcul_Cmoins_et_Dmoins(voie,positions,j,2) : Cette fonction permet de

calculer la position et la distance relative du véhicule précédent dans la même voie
et dans la voie adjacente à droite ou à gauche. Elle prend en entrée la liste des
voies voie, la liste des positions des véhicules positions, l’indice j du véhicule pour
lequel on veut calculer ces valeurs et le paramètre 1 ou 2 qui indique si on veut
calculer les valeurs pour la voie de droite ou de gauche et elle retourne une liste :
[indice de c_moins, distance_moins]. En cas d’absence de véhicule précédent, la
position prend la valeur -1 et la distance prend la valeur Inf.

verif_St(j,M) : Cette fonction permet de vérifier si le véhicule j de la matrice M

respecte les conditions de sécurité pour changer de voie. Si c’est le cas, elle retourne
1, sinon elle retourne 0.

calcul_pSafe(j,M) : Cette fonction calcule la probabilité que le véhicule j de

la matrice M puisse changer de voie en toute sécurité. Elle prend en compte
les distances relatives des véhicules suivants et précédents dans les deux voies
adjacentes.

7
1.2. FONCTIONS chapitre 1

bernoulli(p) : Cette fonction retourne 1 avec une probabilité p et 0 avec une

probabilité 1-p. Elle est utilisée pour simuler des événements aléatoires comme le
changement de voie d’un véhicule.

calcul_vitesse(j,M) : Cette fonction calcule la vitesse du véhicule j en fonction

de sa position et des positions des véhicules qui le précèdent dans la même voie et
dans la voie de droite ou de gauche.

8
1.3. RÉSULTATS chapitre 1

calcul_pColl(j,M) : Cette fonction calcule la probabilité de collision pour le

véhicule j de la matrice M. Elle prend en compte les distances relatives des véhicules
suivants et précédents dans la même voie et dans la voie de droite ou de gauche,
ainsi que leur vitesse respective.

1.3 Résultats
1.3.1 Détermination des voitures les plus proches
Dans cette section, vous trouverez les résultats qui correspondent à chaque
fonction de notre code.
Les données initiales sont stockés dans une matrice M comme on a déjà mentionné.

Figure 1.1 – La matrice initiale

9
1.3. RÉSULTATS chapitre 1

La prmière étape du projet consiste à déterminer les voitures les plus proche
d’une voiture bien déterminée. On a donc implémenté les deux fonctions cal-
cul_Cplus_et_Dplus et calcul_Cmoins_et_Dmoins qui servent à déterminer
respectivement l’indice de la voiture en amont et en aval de la voiture concernée.

Le code ci-dessus donne les résultats suivants

10
1.3. RÉSULTATS chapitre 1

1.3.2 Calcul des probabilités de changement de voies

On dit qu’un changement vers la voie j est sans danger ("safe") si la voiture n
garde au moins une distance de sécurité à la fois avec C+
t (n, j) et avec Ct (n, j).
−

C’est-à-dire vérifie l’évènement St (n, j) tel que

Dt+ (n, j) ≥ s · Vt (n)

Dt− (n, j) ≥ s · Vt− (n, j)

C’est à ce niveau là, intervient la fonction verif_St(j,M). cette fonction donnera

toujours un résultat égale 1 dans le cas initiale. On procède après à utiliser la fonction
calcul_pSafe(j,M) dont le script est donné par la figure suivante. Alors que la
probabilité pDangert (n, j) est calculée par une simple instruction de multiplication

pDangert (n, j) = f reqDang ∗ dt

1.3.3 Le risque de collision

On définit le risque de collision à t pour toute voiture n (même si on suppose, pour
simplifier notre algorithme, qu’on n’a aucune collision effective) par la probabilité
D+ (n,It (n)
pCollt (n) = max(1 − ts∗vt (n) , 0) avec s ∗ vt (n) décrit la distance que n devrait
parcourir pendant le temps de sécurité. Ce risque est calculé par une fonction
calcul_pColl(j,M).

1.3.4 Résultats de l’algorithme

Mise à jour des voies
Cette partie consiste à mettre à jour l’indice d’une voie de chaque voiture n.
On présentera ci-dessous le code de cette partie et ses résultats après exécution et
affichage du vecteur voie : M (1 : N, 1). On peut remarquer ainsi que le vecteur des
voies des voiture change dans chaque itération d’une manière aléatoire.

11
1.3. RÉSULTATS chapitre 1

Mise à jour des positions et des vitesses

Cette mise à jour se fait par les lignes d’instructions suivantes. Les risques de
collisions seront stockés dans la 6ème colonne de la matrice. On procède également
à incrémenter le temps et l’affecter à la 5ème colonne de la matrice M.

12
1.3. RÉSULTATS chapitre 1

1.3.5 L’évolution de la matrice M pour 100 itérations

Les voies, les positions, les vitesses et le temps d’arrivée des voiture évoluent
pendant 100 itérations. On donne ci-dessous l’exemple des 3 premiers matrices et
de la matrice finale.

Figure 1.2 – Les 3 premières matrices

13
1.3. RÉSULTATS chapitre 1

Figure 1.3 – La matrice finale

La boucle de simulation donne les figures suivantes :

Figure 1.4 – Une capture de Figure 1.5 – les derniers moments

la simulation de la simulation

14
1.3. RÉSULTATS chapitre 1

L’augmentation du fréquence du danger augmente les collisions et on aura une

figure comme la suivante

Figure 1.6 – Augmentation du nombre de collisions

Cette augmentation peut affecter le nombre de collisions par heure

Figure 1.7 – freq_dang=0 Figure 1.8 – freq_dang=20

15
1.4. INTERPRÉTATION chapitre 1

1.4 Interprétation
L’interprétation des résultats obtenus à partir des simulations du trafic routier
est essentielle pour comprendre les performances du système étudié. Cette section se
concentre sur l’analyse et l’interprétation des résultats à partir de deux perspectives :
une seule simulation et plusieurs simulations.
Dans la première partie, nous examinerons les résultats d’une seule simulation
d’un parcours de toutes les voitures. Nous nous pencherons sur le temps d’arrivée
moyen des voitures, le temps d’arrivée minimum et maximum, ainsi que sur l’iden-
tification des voitures ayant effectué des changements dangereux de voie. Nous
comparerons également le temps d’arrivée moyen des voitures dangereuses à celui
des voitures non-dangereuses. Enfin, nous évaluerons le risque global de collision
dans cette simulation.
Dans la seconde partie, nous élargirons notre perspective en analysant les ré-
sultats obtenus à partir de simulations multiples. Nous examinerons les variations
observées dans les temps d’arrivée moyen, les temps d’arrivée minimum et maxi-
mum, ainsi que le risque global de collision à travers différentes simulations. Nous
discuterons des tendances générales, des facteurs influençant ces variations et des
implications pour la sécurité et l’efficacité du système de trafic étudié.

1.4.1 une seule simulation

Temps d’arrivée Lors d’une seule simulation d’un parcours de toutes les voitures,
nous avons calculé plusieurs mesures de temps d’arrivée des voitures, à savoir le
temps d’arrivée moyen (T_mean), le temps d’arrivée minimum (T_min) et le
temps d’arrivée maximum (T_max). Pour ce faire, nous avons utilisé la cinquième
colonne de la matrice M, qui est réservée au temps.

Au début de la simulation, le temps est initialisé à zéro. À chaque itération de

la boucle "while", le temps est incrémenté de dt (l’intervalle de temps) tant que la
voiture d’indice j n’a pas atteint la position maximale X_max.

Lorsqu’une voiture atteint X_max, cela signifie qu’elle a terminé son parcours
et nous enregistrons alors son temps d’arrivée dans la cinquième colonne de la
matrice M. Ce processus se répète pour toutes les voitures jusqu’à ce que chacune
d’entre elles atteigne X_max.

Ainsi, à la fin de la simulation, nous obtenons le temps d’arrivée pour chaque

voiture, ce qui nous permet de calculer le temps d’arrivée moyen (T_mean), le
temps d’arrivée minimum (T_min) et le temps d’arrivée maximum (T_max) à

16
1.4. INTERPRÉTATION chapitre 1

partir des valeurs enregistrées dans la matrice M.

Un exemple de calcul de T_max, T_min et T_mean donne le résultat suivant :

changement dangereux et non-dangereux Au cours du parcours simulé, nous

avons identifié les voitures qui ont effectué au moins un changement dangereux
de voie. Ces voitures sont marquées dans la matrice M en assignant la valeur 1
à la sixième colonne correspondant à l’indicateur de changement dangereux de
voie. Ensuite, nous avons comparé le temps d’arrivée moyen des voitures qui ont
effectué un changement dangereux de voie moyenne_dang avec celui des voitures
qui n’ont pas effectué de changement dangereux moyenne_sec. Cette comparaison
nous permet de comprendre l’impact des changements dangereux de voie sur le
temps d’arrivée des voitures.
Le meme exemple nous donne le résultat suivant :

On constate que le temps d’arrivée moyen des voitures qui ont effectué des
changements dangereux de voie est significativement plus élevé que celui des voitures
sans changements dangereux, cela suggère que les changements dangereux de voie
peuvent entraîner des retards importants dans le parcours des voitures. Cela souligne
l’importance de promouvoir des comportements de conduite sûrs pour réduire les
risques et améliorer l’efficacité du trafic.

17
1.4. INTERPRÉTATION chapitre 1

Freq_dang=0 En comparant les résultats obtenus lorsque la fréquence des

conducteurs dangereux (freqDang) est égale à zéro, c’est-à-dire lorsque aucun
conducteur ne réalise de changements dangereux de voie, nous pouvons tirer des
conclusions importantes sur l’impact de ces comportements sur le temps d’arrivée
moyen des voitures. On a obtenu le résultat suivant : le temps d’arrivée moyen des

voitures est legerement inférieur lorsque freqDang = 0, par rapport au cas où il y a

des conducteurs dangereux (de la figure précédente), cela démontre l’effet négatif
des changements dangereux de voie sur le temps de parcours. Les conducteurs
effectuant des changements dangereux de voie peuvent perturber la fluidité du trafic,
provoquer des ralentissements et augmenter les temps de trajet pour l’ensemble
des véhicules.

Risque global de collision Le calcul du risque global de collision (C) est

une mesure essentielle pour évaluer la sécurité routière dans le contexte de cette
simulation. Le risque de collision est déterminé en analysant la probabilité de
collision de chaque véhicule pendant son parcours.
Il est calculé par cette expression :

On a trouvé que le risque global de collision (C) varie entre 5 et 20 ce qui indique
un niveau de risque modéré à élevé de collisions dans la simulation. Une valeur
de C plus proche de 5 suggère un risque relativement faible de collisions, tandis
qu’une valeur de C plus proche de 20 indique un risque plus élevé.
Lorsque la fréquence des conducteurs dangereux (freqDang) est égale à zéro, on a
trouvé que le risque global de collision (C) est nettement inférieur à celui lorsque la
fréquence n’est pas nulle. En effet,lorsque freq_dang=0 alor le comportement des
conducteurs est plus stable et prévisible, car ils ne réalisent pas de changements
de voie dangereux. Cela entraîne une diminution du risque de collision, car les
conducteurs respectent les voies assignées et maintiennent des distances de sécurité
appropriées entre les véhicules.

18
1.4. INTERPRÉTATION chapitre 1

1.4.2 Plusieurs simulations

La méthode de Monte Carlo repose sur la génération de nombres aléatoires
pour simuler des événements ou des processus qui ont des caractéristiques proba-
bilistes. Elle est souvent utilisée lorsque les calculs analytiques sont difficiles ou
impossibles à réaliser, ou lorsque les modèles mathématiques ne sont pas suffisam-
ment précis ou ne tiennent pas compte de toutes les variables en jeu. Le principe de
base de la méthode de Monte Carlo est de générer un grand nombre d’échantillons
aléatoires selon une distribution de probabilité donnée, puis de les utiliser pour
estimer une valeur numérique. Les résultats de ces simulations sont ensuite agrégés
pour produire une approximation de la solution. On a donc essayé de simuler le
code pendant 100 itérations en premier lieu et puis pendant 500 itérations.

Lors de 100 itérations

La variable aléatoire (C)

On a stocké les 100 valeurs de (C) dans une liste nommée liste_des_collisions. Un
histogramme de ces valeurs est donné par la figure suivante :

19
1.4. INTERPRÉTATION chapitre 1

Un calcul d’espérance et de variance donne les résultats suivantes

On peut approcher la loi de la variable aléatoire (C) à une loi gaussienne de

paramètres estimés à m = 10 et σ = 3

Figure 1.10 – La courbe

Figure 1.9 – Le nuage des points gaussienne(m,σ)

On a également essayé de calculer l’intervalle de confiance qui est une mesure

statistique qui permet d’estimer l’étendue plausible de la valeur d’un paramètre
statistique inconnu, comme la moyenne ou la variance, sur la base des données
disponibles. Il représente l’intervalle dans lequel la vraie valeur du paramètre est
susceptible de se situer avec une certaine probabilité. L’intervalle de confiance est
généralement calculé à partir d’un échantillon de données en utilisant des techniques
d’estimation statistique, telles que la méthode de l’estimation ponctuelle ou la
méthode de l’estimation par intervalle. L’intervalle de confiance est exprimé en
termes de pourcentage de confiance, qui représente la probabilité que l’intervalle
de confiance contienne la vraie valeur du paramètre. Après calcul on a eu

IM = [8.94, 9.73]

20
1.4. INTERPRÉTATION chapitre 1

La variable aléatoire T_max

De la même façon on a essayé de déterminer la loi de T_max.

D’après l’histogramme on peut estimer que T_max suit également la loi gaussienne
dont les paramètes sont décrits par la figure ci-dessus.
L’intervalle de confiance est donc égale à

IM = [0.156, 0.559]

21
1.4. INTERPRÉTATION chapitre 2

Lors de 500 itérations

On observe les résultats suivantes après la simulation pendant 500 itérations :

On aura le même résultat pour T_max : on s’approche d’une estimation bien

précise à chaque fois qu’on augmente le nombre d’itérations.

22
 CHAPITRE 2
PARTIE EXTENSION

2.1 Introduction
Dans le cadre de cette simulation, nous avons envisagé une extension qui prend
en considération l’état de la route lors de la prise de décision de changement de voie.
Nous avons constaté que cette considération nous permet d’obtenir des résultats
plus proches de la réalité. De plus, nous avons également pris en compte l’utilisation
ou la non-utilisation du clignotant par le conducteur, ce qui a un effet considérable
sur la vitesse de freinage des conducteurs.
Pour implémenter cette extension, nous avons développé des fonctions spécifiques
que nous allons détailler ci-dessous. Ces fonctions permettent de simuler l’état de la
route, de déterminer la décision de changement de voie des conducteurs en prenant
en compte cet état de la route, et de modéliser l’impact de l’utilisation ou de la
non-utilisation du clignotant sur la vitesse de freinage des conducteurs.

2.2 La prise en considération de l’état routier

Les conditions routières ont évidemment une influence considérable sur la vitesse
et la décision de changement de voie chez les conducteurs. Afin de modéliser cette
variable, nous avons choisi de la représenter par une valeur aléatoire comprise entre
0 et 1.

23
2.2. LA PRISE EN CONSIDÉRATION DE L’ÉTAT ROUTIER chapitre 2

Cette valeur est générée aléatoirement à chaque itération, pour prendre en

compte les changements éventuels des conditions routières.

psafe_route(route) : Cette variable route nous va être utile pour la fonction

psafe_route, en effet cette fonction prend en entrée un paramètre routes qui
présente l’état de la route. Dans le cas où la route est en mauvais état (routes < 0.3),
alors la probabilité de changer de voie en sécurité est plus faible. La fonction utilise
une valeur aléatoire générée avec la fonction rand () multipliée par 0.2 pour
déterminer cette probabilité. Le deuxième cas est ou la route est en mauvais
état (0.3 < routes <= 0.3) alors la probabilité de changer de voie en sécurité
sera moyenne. La fonction utilise dans ce cas de figure une valeur aléatoire de la
fonction rand () multipliée par 0.5 pour déterminer cette probabilité. Si la route
est en bon état (routes >= 0.7), alors la probabilité de changer de voie en sécurité
est normale.la fonction utilise donc une valeur aléatoire générée avec la fonction
rand() pour déterminer cette probabilité. Enfin, la fonction renvoie la valeur de la
probabilité p. Cette probabilité p nous va être utile par la suite lors de l’étude des
cas de changement de voie à droite et changement de voie à gauche.

Nous pouvons observer que la fonction psafe_route intervient dans le calcul de

la probabilité de changement de voie, que ce soit pour un changement de voie à
gauche ou à droite. L’objectif de cette fonction est de se rapprocher de la décision
réelle des conducteurs en prenant en compte l’état de la route. En utilisant une
valeur aléatoire pour déterminer la probabilité de changement de voie.

24
2.3. LA PRISE EN CONSIDÉRATION DE L’UTILISATION ET DE LA
NON-UTILISATION DU CLIGNOTANT chapitre 2

2.3 La prise en considération de l’utilisation et

de la non-utilisation du clignotant
La sécurité routière est une question cruciale qui concerne chaque conducteur
sur la route. L’utilisation ou la non-utilisation du clignotant est un comportement
courant qui peut affecter la sécurité des autres usagers de la route. Ainsi, pour
étudier cette problématique, nous avons introduit une valeur aléatoire appelée
proba_cli qui varie entre 0 et 1 à chaque itération.

La probabilité que nous avons déterminée,proba_cli , sera utile pour la mise à

jour de la vitesse des conducteurs. En effet, en prenant en compte l’utilisation
ou non du clignotant, nous avons simulé la situation où un conducteur met son
clignotant et où le conducteur de la voiture arriére ralentit si la distance entre
les deux véhicules respecte la distance de sécurité minimale. Cette situation a été
modélisée à l’aide du code suivant :

Ou cmoins_mvoie presnte ici la voiture de derrière dans la même voie et D

la distance entre la voiture à laquelle le conducteur a utilisé le clignotant et
cmoins_mvoie.

25
2.4. RÉSULTATS chapitre 2

2.4 Résultats
Afin de mieux interpréter nos résultats, nous avons tout d’abord enregistré un
premier graphe représentant la densité de collision lors de notre premier travail de
base . Cette simulation ne prenait pas en compte les conditions routières ni l’utili-
sation ou la non-utilisation du clignotant. L’histograme ainsi obtenu est présenté
ci-dessous :

Figure 2.1 – Densité de collison (travail sans extension)

26
2.4. RÉSULTATS chapitre 2

Après l’ajout de notre extension nous avons obtenu une toute autre figure
présentant la densité de collision :

Figure 2.2 – Densité de collison (travail avec extension)

27
2.5. INTERPRÉTATION chapitre 2

2.5 Interprétation
A partir des deux histogrammes, il est clair qu’il y a une diminution des collisions
lorsqu’on prend en compte l’état de la route ainsi que l’utilisation du clignotant
dans la prise de décision de changement de voie. En effet, le premier histogramme
présentant la densité de collisions se base uniquement sur le mouvement des
véhicules et ne prend pas en compte des facteurs tels que la présence d’obstacles sur
la route ou les comportements des conducteurs, tels que l’utilisation du clignotant.
Cependant, un code de simulation prenant en compte ces deux facteurs (état
de la route et utilisation du clignotant) permet d’obtenir une image plus précise et
plus proche des conditions réelles de la circulation routière, ainsi que des risques
de collision dans une situation donnée. En effet, lorsque les conducteurs utilisent
leur clignotant pour signaler leur intention de changer de direction ou de voie, cela
permet aux autres conducteurs de prendre des mesures pour éviter une collision en
s’adaptant à la situation.
Sans cette indication, les autres conducteurs peuvent être pris au dépourvu et
ne pas être en mesure de réagir suffisamment rapidement pour éviter une collision.
Grâce à notre extension, nous avons pu mettre en avant l’importance de l’utilisation
du clignotant et de l’état de la route sur la circulation, ce qui se traduit par une
diminution de la densité de collisions dans le deuxième histogramme.

28
 CONCLUSION

Le travail que nous avons réalisé avait pour premier objectif de simuler le
trafic routier en se basant uniquement sur les mouvements des véhicules. Nous
avons ensuite proposé une extension qui prend en compte l’état de la route et
l’utilisation du clignotant dans un trafic routier simulé. Grâce à cette extension,
nous avons pu mettre en évidence l’importance de l’utilisation du clignotant et de
l’état de la route sur la circulation. En effet, cela permet aux conducteurs de mieux
anticiper les mouvements des autres conducteurs et de prendre des mesures pour
éviter les collisions. Les résultats obtenus ont montré une diminution de la densité
de collisions dans le deuxième histogramme, ce qui confirme l’efficacité de notre
approche. En conclusion, notre travail met en avant l’importance de prendre en
compte ces facteurs dans la simulation du trafic routier pour une circulation plus
sûre et plus efficace.

29