Des chercheurs du Texas Advanced Computing Center (TACC), du centre de recherche sur le transport de l’Université du Texas et la ville d’Austin aux États-Unis ont développé des outils intelligents permettant d’alléger le trafic. Ils proposent ainsi des solutions d’optimisation des flux ou encore d’identification de zones propices aux accidents.
Répondre aux besoins analytiques grâce au deep learning et au data mining
Pour faire face aux problèmes de circulation que connaissent de nombreuses villes, l’équipe de recherche a travaillé sur des outils basés sur le deep learning et le data mining. Ils permettent, comme on peut le constater sur la vidéo, d’analyser le trafic en temps réel et d’identifier les piétons, voitures, bus, motos, vélos ou encore feux de circulation.
L’algorithme intelligent définit ensuite comment ces différents éléments circulent et interagissent. Les données recueillies sont ensuite analysées par des spécialistes. Weijia Xu, en charge du département Data Mining & Statistics au TACC, indique :
“Nous espérons développer un système flexible et efficace pour répondre aux besoins des chercheurs en transport et des décideurs qui nécessitent des analyses dynamiques et en temps réel.
Nous ne voulons pas construire une solution clé en main à un seul problème spécifique. Nous souhaitons explorer des moyens utiles pour un certain nombre de besoins analytiques, même ceux qui pourraient apparaître à l’avenir.”
Superordinateur et intelligence artificielle
Afin de développer leur outil de deep learning, les chercheurs de l’Université du Texas se sont appuyés sur un superordinateur et sur les caméras de trafic de la ville d’Austin. Selon l’équipe de recherche, c’est en comprenant le volume de trafic que leur algorithme est capable d’évaluer les zones de danger. Différents éléments sont analysés, notamment le comportement des piétons au moment de traverser. Utilisent-ils un passage piéton et, si non, à quelle distance se trouve le passage piéton le plus proche? Parallèlement, l’algorithme se concentre sur le nombre de voitures qui circulent sur une route. Il identifie aussi les zones et situations où piétons et véhicules se trouvent très proches.
Lors de ses tests, l’algorithme a compté les véhicules et ses résultats se sont avérés corrects pour 95% des cas. Pour Natalia Ruiz Juri, chercheuse associée et directrice du Network Modeling Center au Centre de recherche sur le transport de l’Université du Texas :
“La pratique actuelle repose souvent sur l’utilisation de capteurs coûteux pour la collecte continue de données ou sur des études de trafic qui échantillonnent les volumes de trafic pendant quelques jours, au cours de périodes sélectionnées.
L’utilisation de l’intelligence artificielle pour générer automatiquement des volumes de trafic, à partir de caméras existantes, fournirait une couverture spatiale et temporelle beaucoup plus large du réseau de transport, facilitant la génération de jeux de données utiles pour soutenir la recherche innovante et comprendre les impacts”.
Les informations recueillies et analysées pourront par la suite permettre à la ville de procéder à des améliorations sans avoir besoin de gérer humainement des heures de vidéos.
