Mise en œuvre d’une application mobile pour la prédiction du traficroutier

Abstract

Dans cette thèse, nous avons proposé un nouveau modèle d’apprentissage profond pour prédire le temps de trafic routier en se basant sur les données GPS collectées dans la ville d’Adrar. Notre approche s’articule sur deux parties essentielles: La première partie porte sur la collection des données. Dans cette phase, une applica- tion Android, nommée GPS Adrar, est développée dans le but de collecter les coordonnées GPS des citoyens d’Adrar. La deuxième partie concerne le traitement des données. Dans cette phase, toutes les données collectées dans la première partie doivent être analysées à l’aide d’un modèle d’apprentissage profond. Ensuite, le nouveau modèle est intégré à une autre application androïde, nommée Wassalni, qui offre à l’utilisateur une meilleure prédiction du trafic routier parmi un ensemble de destinations disponibles. Les résultats expérimentaux mon- trent que le modèle proposé offre une grande précision par rapport à l’application Google Maps dans la plupart des itinéraires testées.

في هذه الأطروحة اقترحنا نموذجا جديدا للتعلم العميق للتنبؤ بوقت الرحلة باستخدام بيانات GPS التي تم الحصول عليها في ادرار. استراتيجيتنا مبنية على عنصرين رئيسيين: يركز القسم الأول على جمع البيانات. خلال هذه المرحلة ، يتم إنشاء تطبيق اندرويد يسمى GPS Adrar بهدف جمع إحداثيات GPS من سكان ادرار. القسم الثاني حول معالجة البيانات. يجب فحص جميع البيانات التي تم الحصول عليها في المرحلة الأولى باستخدام ٔنموذج التعلم العميق في هذه الخطوة. ثم يتم دمج النموذج الجديد مع Wassalni ، وهو تطبيق اندرويد

مجموعة من الوجهات التي يمكن الوصول إليها. في معظم الحالات ،

يوفر تنبؤا افضل لحركة المرور على الطرق بين ٕ

In this theis, we proposed a new deep learning model to predict travel time based on GPS data collected in the city of Adrar. Our approach is based on two essential parts: The first part focuses on the data collection. In this phase, an android application, called GPS Adrar, is developed for the purpose of collecting GPS coordinates from Adrar’s citizens. The second part concerns data processing. In this phase, all the data collected in the first part must be analyzed using a depp learning model. Next, the new model is integrated with an android application, called Wassalni that offers the user a better prediction of road traffic among a set of available destinations. The experimental results show that the proposed model offers high accuracy than Google Maps in most of the routes.