Un nouvel outil de modélisation vise à déterminer l’effet papillon qui se produit dans une ville lorsque des événements inattendus se produisent. Une des caractéristiques de la vie urbaine trépidante est d’essayer d’aller d’un endroit à un autre aussi rapidement que possible. Mais un seul événement isolé dans la jungle urbaine peut favoriser le blocage du trafic.
Cela signifie souvent que les taxis sont les plus difficiles à trouver. Un nouveau modèle qui estime le flux de trafic lors d’événements imprévus, par exemple un accident de voiture ou d’une catastrophe naturelle, offre une nouvelle lueur d’espoir.
L’intelligence artificielle pour résoudre ce problème
Luis Moreira-Matias est un chercheur qui a consacré près de 10 ans de sa vie au développement de systèmes d’IA pour aider à prévoir les modèles de trafic. Pendant qu’il travaillait pour le laboratoire de NEC en Europe, son équipe a développé et testé un nouveau modèle à plusieurs variables appelé BRIGHT, qui vise à déterminer les réactions en chaîne complexe qui modifient le flux de trafic selon différents scénarios.
Voici une vidéo en anglais expliquant ces faits :
https://www.youtube.com/watch?v=Y2WxwHdjzjo
Ils se concentraient sur un phénomène généralement appelé dérive conceptuelle. C’est notoirement difficile à modéliser. Leur travail est mis en évidence dans une étude publiée en décembre. BRIGHT a été développé et testé en utilisant une quantité impressionnante de données GPS en temps réel de trois grandes villes, dont Shanghai, Stockholm et Porto. Au total, les données représentent 18,5 millions de voyages enregistrés sur trois ans.
Déterminer le trafic par heure
Les données révèlent des modèles de trafic à différentes heures de la journée, mais également des différences fondamentales de comportement du trafic observables dans chacune des trois villes. Fait important, BRIGHT était particulièrement efficace pour prédire la dérive conceptuelle du trafic par rapport aux modèles existants.
L’outil ne repose pas sur un seul modèle prédictif, mais sur trois. Il est formé pour reconnaître les modèles qui reflètent certains scénarios et choisir le modèle le plus approprié pour estimer le flux de trafic en fonction du modèle observé.
