Source : manuscrit soumis le 1er août 2024 (mise en page de Transportation Research Record ; le nom de la revue n’est pas imprimé dans le PDF) · DOI non imprimé · Department of Civil, Environmental, and Construction Engineering, University of Central Florida · accès OPEN · PDF TRR2024-AdvanceRealTime.pdf, sha256 4d173092924c2009…, 19 pages Lu le : 2026-11-02. LECTURE COMPLÈTE (texte, tableaux 1 à 4, figures 9 et 10 relues sur la page). Statut summarized. Thème : mobility · détection d’incidents à partir de trajectoires de véhicules connectés Métadonnées vérifiées dans le PDF : titre, auteurs (Roy, Hasan) et année 2024 conformes au PDF. Le corpus donnait « TRR Editorial Office » comme auteur : à corriger. Pas de DOI imprimé.

Contexte et question

Une part notable des accidents est secondaire, provoquée par un incident antérieur : les auteurs citent 9,2 % de 6,7 millions d’accidents en 2019 (p. 3). Les prédictions de risque à partir de détecteurs agrégés sont limitées par la couverture, les données manquantes et la latence de communication au conducteur. La question : un véhicule connecté peut-il, depuis sa seule trajectoire récente, détecter à l’avance qu’un incident bloquant une voie se produit en aval ? Les auteurs disent n’avoir trouvé aucun travail prédisant un incident à une distance donnée en aval sur autoroute, ni traitant des trajectoires à intervalle irrégulier (p. 5).

Méthode

• Conversion des trajectoires en trajectoires « par détecteur virtuel » : détecteurs espacés de 110 yards (1/16 mile) dans chaque sens de I-10 ; temps de parcours, angle de cap et vitesse interpolés à chaque position (p. 8).
• Segmentation en trajets : seuls les points sur I-10 sont gardés, nouveau trajet si l’écart entre deux points dépasse 15 minutes ; le sens est déduit de l’angle de cap (p. 7-8).
• Base historique par détecteur : moyenne et écart type de vitesse, séparées pointe (6-10 h, 15-19 h) et hors pointe ; pluie ajoutée à partir d’une source météo externe (p. 8-9).
• Appariement spatio-temporel incident / trajet : détecteur le plus proche de l’incident ; trajet « affecté » s’il passe ce détecteur dans les 15 minutes suivant le début de l’incident, « normal » s’il le passe dans les 2 heures qui précèdent ; au moins 16 détecteurs (1 mile) en amont sont exigés (p. 11-12).
• Cible : pour chaque trajet, un incident bloquant une voie s’est-il produit à 440 yards (0,25 mile) en aval de sa position courante, dans les 15 dernières minutes (p. 12).
• Variables : les détecteurs amont sont regroupés en 3 ensembles de 4 ; par ensemble, vitesse moyenne, écart type de vitesse, vitesse moyenne historique et variation du cap ; plus deux indicatrices, pointe et pluie (Tab. 3, p. 13).
• Modèles : régression logistique, forêt aléatoire (RF), XGBoost, réseau de neurones (ANN) ; validation croisée à 5 plis, hyperparamètres réglés par recherche en grille pour chaque jeu rééquilibré (p. 14).
• Déséquilibre (environ 1 pour 7) traité par SMOTE sur l’entraînement, avec des ratios de 0,25, 0,5 et 1,0 (p. 13).
• Seuil de classification : indice de Youden (rappel moins FAR), recalculé pour chaque méthode, ratio et itération (p. 14).

Données

• Trajectoires de véhicules connectés fournies par Otonomo, 27 au 29 août 2021 en Louisiane, période d’évacuation de l’ouragan Ida : 135 204 véhicules ; fréquence variable, inférieure à 30 secondes ; chaque point porte coordonnées, vitesse et angle de cap (p. 5).
• Section de 273 miles de l’I-10 (St. Tammany à Calcasieu) (p. 5).
• Incidents : base RITIS, uniquement ceux fermant au moins une voie, 256 événements ; 200 véhicules en panne, 48 accidents ; 153 en direction ouest, 103 en direction est ; 14 avec fermeture de deux voies (Fig. 2, p. 6). Les auteurs ne distinguent ni les types d’incident ni le nombre de voies fermées, faute d’effectifs (p. 6).
• Filtrage : 31 182 véhicules ont au moins un point sur I-10 ; 11 674 trajets après segmentation, dont 7 438 vers l’ouest et 4 236 vers l’est (p. 7-8).
• Jeu de modélisation : 342 trajets affectés et 2 265 normaux, soit 2 607 ; 288 trajets avec pluie, 1 125 en pointe (Tab. 3, p. 13).
• Les auteurs notent que l’évacuation rend les profils de pointe et de hors pointe très proches, ce qui est atypique (p. 10).

Résultats chiffrés

Valeurs lues dans la Fig. 9 (p. 15), moyennes sur 5 plis. Rappel / FAR / AUC-ROC.

• Meilleur rappel : 0,67, RF avec SMOTE 0,25 — « The highest mean recall value (0.67) is obtained for the RF model » (p. 15). Son FAR est 0,47 — « The FAR value (0.47) in this model is also highest » (p. 15). Le rappel est maximal à SMOTE 0,25 pour tous les modèles, avec un FAR très élevé (p. 15).
• AUC-ROC : environ 0,60 pour RF, XGBoost et ANN, avec ou sans SMOTE — « value stabilizes to approximately 0.60 before and after applying different SMOTE ratio » (p. 15). Les auteurs en concluent que les modèles ont une capacité de discrimination limitée.
• Meilleur modèle selon les auteurs : RF avec SMOTE 1,0, car son AUC-ROC moyenne est la plus haute (0,62, Fig. 9) ; rappel 0,62 et FAR 0,38 (Fig. 9, p. 15).
• Régression logistique : rappel 0, FAR 0, AUC-ROC 0,50 — « both the recall and FAR are zero and the AUC-ROC is 0.50 » (p. 15).
• Importance des variables (RF, SMOTE 1,0, Fig. 10, p. 16) : en tête la variation du cap sur le troisième ensemble de détecteurs (environ 0,11, lu sur la figure) puis la vitesse moyenne sur ce même ensemble, qui contient la position immédiate du véhicule ; rain et peak sont les dernières. Les auteurs relèvent l’absence de variable exceptionnellement importante (p. 16).
• Effectifs : 342 trajets affectés sur 2607 — « 342 trip trajectories faced at least one event with lane closing » (p. 12) ; 256 incidents — « there are 256 such events for I-10 corridor in Louisiana » (p. 5) ; 11 674 trajets — « the total number of trip trajectories are 11,674 » (p. 7).
• Sur deux cas illustratifs (Fig. 7), la vitesse des trajets affectés chute nettement alors que celle des trajets normaux ne chute pas (p. 12).

Limites déclarées par les auteurs

• La base RITIS ne dit ni la durée de fermeture des voies, ni l’intensité de l’incident, ni s’il perturbait la circulation, ni si l’accotement a servi (p. 16).
• Les trajectoires ont des pas de temps inégaux et de nombreuses valeurs manquantes ; le traitement lourd a pu faire perdre de l’information (p. 16).
• Trois jours de données, en période d’évacuation, sur un seul axe (p. 5, 10).
• Le texte lui-même conclut à des capacités de discrimination limitées (AUC-ROC voisine de 0,60, p. 15).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Un exemple de projection de trajectoires à pas irrégulier sur une grille spatiale uniforme (détecteurs virtuels à 1/16 mile) : utile comme repère pour comparer à un rééchantillonnage temporel.
• Un résultat plutôt négatif : AUC-ROC d’environ 0,60 et FAR de 0,38 à 0,47 pour un rappel de 0,62 à 0,67. Les trajectoires seules, sans marquage fin de l’incident, ne suffisent pas ; ne pas citer ce papier comme une preuve de faisabilité.
• Le positif est faiblement étiqueté (un incident apparié par distance au détecteur le plus proche et par fenêtre de 15 minutes) ; une vérité terrain de ce type est à manier avec précaution dans nos propres bancs.
• Les variables les plus informatives sont des quantités cinématiques du véhicule (variation de cap, vitesse), pas le contexte (pluie, pointe) ; cohérent avec l’intérêt d’un signal embarqué haute fréquence, que cet article n’utilise pas (cadence jusqu’à 30 s).
• Le papier ne dit rien de l’accélération ni de l’inertiel ; il ne sert pas de référence pour ces signaux.