Source : VEHITS 2024 (10th Int. Conf. on Vehicle Technology and Intelligent Transport Systems), pp. 249-256 · DOI 10.5220/0012565500003702 · University of Antwerp, imec IDLab (Faculty of Applied Engineering) · accès OPEN (CC BY-NC-ND 4.0) · PDF Unknown2024-HistoryRoadTraffic.pdf, sha256 5d8eac5e8ce3e013…, 8 pages Lu le : 2026-11-02. LECTURE COMPLÈTE (texte et pages des tableaux 1 et 2 relues en image). Statut summarized. Thème : detection · détection d’anomalies de trafic par prédiction (graphes) Métadonnées vérifiées dans le PDF : le citekey Unknown2024-… est un placeholder ; le titre complet imprimé est « History-Based Road Traffic Anomaly Detection Using Deep Learning and Real-World Data » (le corpus omet « and Real-World Data »). Auteurs, année et DOI relevés sur la page 1.

Contexte et question

Détecter des anomalies de trafic (accidents, bouchons) permet de mieux router et de réagir plus vite aux incidents. La détection « par historique » compare la situation observée à une situation prédite à partir de données passées. Les auteurs proposent de coupler un prédicteur de trafic à un détecteur d’anomalies sur graphe, ce qui, selon eux, n’avait pas été exploré dans la littérature (§1, p. 250). Trois questions : effet de la résolution temporelle (3, 5, 10, 15 min), apport d’une seconde variable (longueur des véhicules en plus de la vitesse), comparaison de quatre détecteurs d’anomalies sur graphe.

Méthode

• Graphe routier : les points de mesure d’un même lieu sur des voies différentes sont fusionnés en un nœud ; les bretelles restent séparées ; arêtes orientées dans le sens légal de circulation, pondérées par la distance routière (§3.1, p. 251).
• Agrégation des passages par moyenne sur quatre résolutions ; deux versions par résolution (vitesse seule, ou vitesse et longueur), soit huit jeux de données (§3.1).
• Prédiction : GraphWaveNet (GWNet), MTGNN et STID, entraînés pour minimiser la MAE, avec les réglages recommandés par leurs articles. Entrée d’une heure (20, 12, 6 ou 4 points selon la résolution), prédiction de la vitesse de chaque nœud un pas en avant ; la longueur n’est pas prédite (§3.2.1, p. 252).
• Score d’anomalie : différence absolue entre vitesse prédite et observée par nœud, normalisée comme chez Zhang et al. 2022 (§3.2.2, p. 252).
• Détection : DONE, AdOne, AnomalyDAE et DOMINANT, via la bibliothèque PyGOD. Métrique ROC-AUC et temps d’inférence.
• Évaluation : les événements étiquetés disponibles étaient trop peu nombreux et contenaient aussi les congestions habituelles (heure de pointe) ; les auteurs ont donc injecté des anomalies contextuelles synthétiques via PyGOD (§3.2.2). Chaque configuration est lancée 1000 fois.

Données

• 403 capteurs à boucle inductive sur les autoroutes autour d’Anvers, passages individuels (vitesse, longueur) du 1er janvier au 31 mars 2021, fournis par l’agence flamande des routes et du trafic sous licence (§3.1, p. 251).
• Graphe de 119 nœuds et 144 arêtes. Jeux de test de 8632, 5179, 2590 et 1727 points pour les résolutions 3, 5, 10 et 15 min (p. 253).
• GPU Nvidia GeForce 1080 Ti, 11 Go (§4, p. 252).
• Cas d’étude : un bouchon de cause inconnue sur le ring R2, le 13 janvier 2021 de 12:01:34 à 13:56:26, capteur 42 (cinq voies) (§5, p. 254).

Résultats chiffrés

Prédiction de vitesse, vitesse seule (MAE ; Tab. 1, p. 253), meilleur résultat en gras dans le tableau :

• MAPE du meilleur résultat vitesse seule : 3.72 % (3 min, MTGNN), 3.55 % (5 min, GWNet et MTGNN), 3.31 % (10 min, GWNet), 3.31 % (15 min, MTGNN) (Tab. 1, p. 253).
• Vitesse et longueur : la MAE est plus mauvaise que celle de la vitesse seule dans chaque cas (§4, p. 253). Exemple, 3 min, MTGNN : 3.4625 contre 3.1579 (Tab. 1). Seule la MAPE à 15 min s’améliore (§4).
• La MAE décroît quand la résolution s’allonge (Fig. 2, p. 253) ; les auteurs en tirent moins de données en entrée et un entraînement plus court.
• Détection d’anomalies, ROC-AUC et temps d’inférence (Tab. 2, p. 254) : DONE 0.98 ± 0.018 et 0.0837 s ; AdOne 0.81 ± 0.069 et 0.1048 s ; AnomalyDAE 0.52 ± 0.158 et 0.0610 s ; DOMINANT 0.50 ± 0.094 et 0.0986 s. Moyennes sur 24000 exécutions par algorithme.
• Cas d’étude (§5, p. 254) : avec MTGNN, vitesse seule, 5 min, DONE, des anomalies sont détectées à 12:35 et 12:40, avec vitesse réelle 67.93 et 45.02 contre prédite 87.04 et 56.46 km/h (Fig. 3, p. 255).

Ancres (≤ 15 mots) :

• ROC-AUC 0.98 : « The DONE algorithm shows the best ROC-AUC score with 0.98 » (§4, p. 254).
• 50 % : « DOMINANT was only able to correctly classify 50% of all traffic situations » (§4, p. 254).
• Graphe : « All datasets consisted of 119 nodes, representing sensor locations, and 144 edges » (§3.1, p. 251).
• Longueur : « the prediction with double features performs worse than the configuration with single features » (§4, p. 253).

Limites déclarées par les auteurs

• Les anomalies d’entraînement et d’évaluation sont injectées, pas réelles : les événements réels étaient trop rares et mêlés aux congestions régulières (§3.2.2, §7).
• Une grande résolution retarde la détection, au pire d’un pas de résolution ; l’hypothèse reste à valider (§4, p. 253).
• Dans le cas d’étude, le système signale aussi des anomalies pendant la reprise du trafic, lorsque le prédicteur peine à suivre une onde de circulation ; calibration et validation sur données réelles nécessaires (§5, p. 254).
• Les outils et données de construction de graphes sont dispersés (§7, p. 255).
• Les classements entre prédicteurs contredisent ceux de Shao et al. 2022, ce que les auteurs attribuent peut-être à la structure du graphe (§4, p. 253).

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

• Le schéma « prédire puis scorer l’écart » est transposable à une détection d’événements, mais ici la prédiction est agrégée par capteur fixe, pas par véhicule : l’apport direct est faible pour la chaîne trajet.
• Le ROC-AUC de 0.98 est mesuré sur des anomalies injectées par un générateur de graphes (PyGOD) : il ne dit rien de la performance sur des événements réels. À ne pas citer comme performance de détection d’accidents.
• Deux détecteurs sur quatre sont au niveau du hasard (0.50 et 0.52) : le choix du détecteur compte plus que celui du prédicteur, qui ne varie que de quelques centièmes de MAE.
• Rappel utile pour nos propres jeux : séparer le trafic récurrent (heure de pointe) des événements avant d’évaluer une détection.