Dissertations / Theses on the topic 'Prédiction du trafic'

Cette thèse s’intéresse à la modélisation du trafic Internet. Elle propose une approche dont le but est de dépasser les limites des modèles traditionnels et des modèles de type boîte noire, afin de concevoir des modèles de trafic structurels, alliant précision et simplicité d'utilisation. Elle s'intéresse en premier lieu à un modèle hiérarchique, Basic LiTGen, orienté utilisateur et application, où les entités de trafic considérées sont les sessions, les pages, les objets et les paquets. Une analyse en ondelettes permet d'aiguiller l'analyse sur l'organisation des paquets dans les objets et de proposer une structure originale s'imbriquant au niveau paquet du modèle, permettant de reproduire la dépendance à long terme observée de manière réaliste. Le modèle ainsi obtenu, Extended LiTGen, est très précis, mais la structure introduite le rend aussi complexe. Une deuxième étape s'intéresse alors à simplifier le modèle. Elle se concentre sur la structure en rafales des paquets dans les objets, et propose un modèle simple pour la modéliser, Bursts LiTGen, reproduisant finement la dépendance à long terme observée. Les modèles proposés, Extended et Bursts LiTGen, reproduisent des paramètres de performance réalistes et peuvent être utilisés dans le cadre de la prédiction de trafic.

L'augmentation de la demande de trafic a mis à rude épreuve le système de contrôle de la circulation aérienne et les contrôleurs, d'où la nécessité d'un système novateur et efficace de détection et de résolution des conflits. Dans le cadre de cette thèse, nous nous concentrons sur l'étude des défis de la détection et de la résolution des conflits en utilisant des approches d'apprentissage machine. Nous avons essayé d'apprendre et de prédire les comportements des contrôleurs à partir de données utilisant Random Forest. Nous proposons également une nouvelle approche pour la détection probabiliste des conflits en utilisant le Processus Gaussien Hétéroscédastique comme modèles prédictifs et l'optimisation bayésienne pour l'algorithme de détection probabiliste des conflits. Enfin, nous proposons un agent intelligent artificiel capable de résoudre les conflits, en présence de trafic et d'incertitude. La tâche de résolution de conflit est formulée comme un problème de prise de décision dans un espace d'action vaste et complexe, qui est applicable pour l'utilisation d'un algorithme d'apprentissage par renforcement. Notre travail comprend le développement d'un environnement d'apprentissage, la représentation des états des scénarios, la fonction de récompense et l'algorithme d'apprentissage. Les méthodes d'apprentissage machine ont montré leurs avantages et leur potentiel dans la détection et la résolution des conflits. Cependant, d'autres études seraient menées pour améliorer leurs performances, telles que la représentation du réseau de l'espace aérien, l'apprentissage du renforcement multi-agent ou la reconstruction de la stratégie du contrôleur à partir de données
The increasing in traffic demand has strained air traffic control system and controllers which lead to the need of novel and efficient conflict detection and resolution advisory. In the scope of this thesis, we concentrate on studying challenges in conflict detection and resolution by using machine learning approaches. We have attempted to learn and predict controller behaviors from data using Random Forest. We also propose a novel approach for probabilistic conflict detection by using Heteroscedastic Gaussian Process as predictive models and Bayesian Optimization for probabilistic conflict detection algorithm. Finally, we propose an artificial intelligent agent that is capable of resolving conflicts, in the presence of traffic and uncertainty. The conflict resolution task is formulated as a decision-making problem in large and complex action space, which is applicable for employing reinforcement learning algorithm. Our work includes the development of a learning environment, scenario state representation, reward function, and learning algorithm. Machine learning methods have showed their advantages and potential in conflict detection and resolution related challenges. However, more studies would be conducted to improve their performances such as airspace network representation, multi-agent reinforcement learning or controller's strategy reconstruction from data

La congestion routière constitue un défi majeur pour les zones urbaines, car le volume de véhicules continue de croître plus rapidement que la capacité globale du réseau routier. Cette croissance a des répercussions sur l'activité économique, la durabilité environnementale et la qualité de vie. Bien que des stratégies visant à atténuer la congestion routière ont connu des améliorations au cours des dernières décennies, de nombreux pays ont encore du mal à la gérer efficacement.Divers modèles ont été développés pour aborder ce problème. Cependant, les approches existantes peinent souvent à fournir des prédictions en temps réel et localisées qui peuvent s'adapter à des conditions de trafic complexes et dynamiques. La plupart de ces approches s'appuient sur des horizons de prédiction fixes et manquent de l'infrastructure intelligente nécessaire à la flexibilité. Cette thèse comble ces lacunes en proposant une approche intelligente, décentralisée et basée sur l'infrastructure pour l'estimation et la prédiction de la congestion routière.Nous commençons par étudier l'Estimation du Trafic. Nous examinons les mesures de congestion possibles et les sources de données requises pour différents contextes pouvant être étudiés. Nous établissons une relation tridimensionnelle entre ces axes. Un système de recommandation basé sur des règles est développé pour aider les chercheurs et les opérateurs du trafic à choisir les mesures de congestion les plus appropriées en fonction du contexte étudié.Nous passons ensuite à la Prédiction du Trafic, où nous introduisons notre approche DECOTRIVMS. Cette dernière utilise des panneaux intelligents à messages variables pour collecter des données detrafic en temps réel et fournir des prédictions à court terme avec des horizons de prédiction variables.Nous avons utilisé des Réseaux de Graphes avec Attention en raison de leur capacité à capturer des relations complexes et à gérer des données structurées en graphes. Ils sont bien adaptés pour modéliser les interactions entre différents segments routiers étudiés.Nous avons aussi employé des méthodes d'apprentissage en ligne, spécifiquement la Descente de Gradient Stochastique et la Descente de Gradient Adaptative. Bien que ces méthodes ont été utilisées avec succès dans divers autres domaines, leur application à la prédiction de la congestion routière reste sous-explorée. Dans notre thèse, nous visons à combler cette lacune en explorant leur efficacité dans le contexte de la prédiction de la congestion routière en temps réel.Enfin, nous validons l'efficacité de notre approche à travers deux études de cas réalisées à Mascate, Oman, et à Rouen, France. Une analyse comparative est effectuée, évaluant divers modèles de prédiction, y compris les Réseaux de Graphes avec Attention, les Réseaux de Graphes Convolutionnels et des méthodes d'apprentissage en ligne. Les résultats obtenus soulignent le potentiel de DECOTRIVMS, démontrant son efficacité pour une prédiction précise et efficace de la congestion routière dans divers contextes urbains
Traffic congestion presents a critical challenge to urban areas, as the volume of vehicles continues to grow faster than the system’s overall capacity. This growth impacts economic activity, environmental sustainability, and overall quality of life. Although strategies for mitigating traffic congestion have seen improvements over the past few decades, many cities still struggle to manage it effectively. While various models have been developed to tackle this issue, existing approaches often fall short in providing real-time, localized predictions that can adapt to complex and dynamic traffic conditions. Most rely on fixed prediction horizons and lack the intelligent infrastructure needed for flexibility. This thesis addresses these gaps by proposing an intelligent, decentralized, infrastructure-based approach for traffic congestion estimation and prediction.We start by studying Traffic Estimation. We examine the possible congestion measures and data sources required for different contexts that may be studied. We establish a three-dimensional relationship between these axes. A rule-based system is developed to assist researchers and traffic operators in recommending the most appropriate congestion measures based on the specific context under study. We then proceed to Traffic Prediction, introducing our DECentralized COngestion esTimation and pRediction model using Intelligent Variable Message Signs (DECOTRIVMS). This infrastructure-based model employs intelligent Variable Message Signs (VMSs) to collect real-time traffic data and provide short-term congestion predictions with variable prediction horizons.We use Graph Attention Networks (GATs) due to their ability to capture complex relationships and handle graph-structured data. They are well-suited for modeling interactions between different road segments. In addition to GATs, we employ online learning methods, specifically, Stochastic Gradient Descent (SGD) and ADAptive GRAdient Descent (ADAGRAD). While these methods have been successfully used in various other domains, their application in traffic congestion prediction remains under-explored. In our thesis, we aim to bridge that gap by exploring their effectiveness within the context of real-time traffic congestion forecasting.Finally, we validate our model’s effectiveness through two case studies conducted in Muscat, Oman, and Rouen, France. A comprehensive comparative analysis is performed, evaluating various prediction techniques, including GATs, Graph Convolutional Networks (GCNs), SGD and ADAGRAD. The achieved results underscore the potential of DECOTRIVMS, demonstrating its potential for accurate and effective traffic congestion prediction across diverse urban contexts

Lorsque la densité de véhicules devient trop élevée, le trafic autoroutier est instable, et génère naturellement des accordéons, c'est-à-dire une alternance entre des zones fluides et des zones congestionnées. Ce phénomène n'est pas reproduit par les modèles de trafic standards d'ordre 1, mais peut l'être par des modèles d'ordre supérieurs, aussi bien microscopiques (modèles de loi de poursuite) que macroscopiques (systèmes de lois de conservation).Cette thèse analyse comment différents modèles représentent des états de trafic instables, et les oscillations qui en résultent. Au niveau microscopique, à cause de la concavité du flux, le débit moyen de ces oscillations est inférieur au débit d'équilibre pour une densité équivalente. Un algorithme est proposé pour stabiliser le flux par multi-anticipation, en utilisant un véhicule autonome intelligent.Au niveau macroscopique, cette thèse introduit les modèles moyennés, en partant du principe que l'échelle spatio-temporelle des oscillations est trop petite pour être correctement prédite par une simulation. Le modèle LWR moyenné, composé de deux lois de conservations, permet de représenter au niveau macroscopique la variance de la densité d'un trafic hétérogène, et calcule correctement le débit moyen de ces états. Une comparaison avec le modèle ARZ, également d'ordre 2, montre que le modèle moyenné permet de simuler une chute de capacité de façon plus réaliste.Enfin, cette thèse présente le projet SimulaClaire, de prédiction en temps réel du trafic sur le périphérique toulousain, et en particulier l'algorithme parallélisé d'optimisation en temps réel des paramètres développé pour ce projet
Highway traffic is known to be unstable when the vehicle density becomes too high, and to create stop-and-go waves, with an alternance of free flow and congested traffic. First-order traffic models can't reproduce these oscillations, but higher-order models can, both microscopic (car-following models) and macroscopic (systems of conservation laws).This thesis analyses the representation of unstable traffic states and oscillations in various traffic models. At the microscopic level, because of the flux concavity, the average flow of these oscillations is lower than the equilibrium flow for the same density. An algorithm is given to stabilize the flow with multi-anticipation, using an intelligent autonomous vehicle.At the macroscopic level, this work introduces averaged models, using the fact that the spatio-temporal scale of the oscillations is too small to be correctly predicted by simulations. The averaged LWR model, which consists of two conservation laws, enables a macroscopic representation of the density variance in a heterogeneous traffic, and gives the correct average flow of these states. A comparison with the ARZ model, also of order 2, shows that the averaged model can reproduce a capacity drop in a more realistic way.Finally, this thesis presents the SimulaClaire project of real-time traffic prediction on the ring road of Toulouse, and its parallelized parameter optimization algorithm

Dans le cadre des systèmes de transport intelligents (ITS), cette thèse concerne la conception d'une méthodologie de prédiction, en temps réel et pour différents horizons, du temps de parcours à partir des données de vitesse et de débit d'une route instrumentée. Pour atteindre cet objectif, deux approches sont considérées dans cette thèse. La première approche, dite « sans modèle », utilise exclusivement des mesures de vitesse. Grâce à l'utilisation astucieuse des données historiques, nous avons résolu le problème de prédiction comme étant un problème de filtrage. Pour ce faire, des données historiques sont utilisées pour construire des pseudo-observations qui alimentent un filtre de Kalman adaptatif (AKF). Sous une hypothèse de Gaussianité, les statistiques du bruit de processus sont estimées en temps-réel, tandis que les statistiques du pseudo-bruit d'observation sont déduites des données historiques adéquatement classées. La seconde approche, dite ‘'basée-modèle'', utilise principalement des mesures de débit et de vitesse. Contrairement à la précédente approche où la résolution spatiale est fixée par l'emplacement des capteurs, une discrétisation spatiale plus fine est considérée. Celle-ci s'avère possible grâce à l'utilisation du modèle CTM (Cell Transmission Model). Un observateur d'état commuté, de type Luenberger, permet d'estimer les états internes (densités des cellules). En utilisant uniquement les prédictions des débits des conditions frontières via une approche de type AKF similaire à celle développée dans la première approche, le modèle CTM contraint permet de prédire les densités des cellules et d'en déduire les vitesses et le temps de parcours. Les méthodes développées ont été validées expérimentalement en considérant la rocade sud grenobloise comme cas d'étude. Les résultats montrent que les deux méthodes présentent de bonnes performances de prédiction. Les méthodes proposées performent mieux que celles basées sur une utilisation directe des moyennes historiques. Pour l'ensemble des données considérées, l'étude a également montré que l'approche ‘'basée modèle‘' est plus adaptée pour des horizons de prédictions de moins de 30 min
This dissertation falls within the domain of the Intelligent Transportation Systems (ITS). In particular, it is concerned with the design of a methodology for the real-time multi-step ahead travel time forecasting using flow and speed measurements from a instrumented freeway. To achieve this objective this thesis develops two main methodologies. The first one, a model-free, uses only speed measurements collected from the freeway, where a mean speed is assumed between two consecutive collection points. The travel time is forecasted using a noise Adaptive Kalman Filter (AKF) approach. The process noise statistics are computed using an online unbiased estimator, while the observations and their noise statistics are computed using the clustered historical traffic data. Forecasting problems are reformulated as filtering ones through the use of pseudo-observations built from historical data. The second one, a model-based, uses mainly traffic flow measurements. Its main appealing is the use of a mathematical model in order to reconstruct the internal state (density) in small road portions, and consequently exploits the relation between density and speed to forecast the travel time. The methodology uses only boundary conditions as inputs to a switched Luenberger state observer, based on the ``Cell Transmission Model'' (CTM), to estimate the road initial states. The boundary conditions are then forecasted using the AKF developed above. Consequently, the CTM model is run using the initial conditions and the forecasted boundaries in order to obtain the future evolution of densities, speeds, and finally travel time. The added innovation in this approach is the space discretization achieved: indeed, portions of the road, called ``cells'', can be chosen as small as desired and thus allow obtaining a finer tracking of speed variations. In order to validate experimentally the developed methodologies, this thesis uses as study case the Grenoble South Ring. This freeway, enclosing the southern part of the city from A41 to A480, consists of two carriageways with two lanes. For this study only the direction east-west was considered. With a length of about 10.5 km, this direction has 10 on-ramps, 7 off-ramps, and is monitored through the Grenoble Traffic Lab (GTL) that is able to provide reliable traffic data every 15 s, which makes it possible for the forecasting strategies to be validated in real-time. The results show that both methods present strong capabilities for travel time forecasting: considering the entire freeway, in 90% of the cases it was obtained a maximum forecasting error of 25% up to a forecasting horizon of 45 min. Furthermore, both methods perform as good as, or better than, the average historical. In particular, it is obtained that for horizons larger than 45 min, the forecasting depended exclusively on the historical data. For the dataset considered, the assessment study also showed that the model-based approach was more suitable for horizons shorter than 30 min

Les séries temporelles sont un type de données endémique dans de nombreux domaines d'applications, telles que l'analyse financière, le diagnostic médical, la surveillance de l'environnement ou encore l'astronomie. Du fait de leur structure complexe, les séries temporelles amènent à de nouveaux défis dans le traitement et l'extraction de connaissances de ces données. La représentation des séries temporelles joue un rôle déterminant dans les méthodes d'apprentissage et les tâches de fouille de données. Cependant, peu de méthodes tiennent compte des interdépendances entre séries temporelles différentes. De plus, la fouille de séries temporelles nécessite de considérer non seulement les caractéristiques des séries temporelles en termes de complexité des données, mais également les contextes particuliers des applications et la tâche de fouille de données à effectuer. Cela nous permet de construire des représentations spécifiques à la tâche.Dans cette thèse, nous étudions différentes représentations de séries temporelles capables de s'adapter à diverses tâches de fouille de séries temporelles, tout en capturant les relations entre elles. Nous nous concentrons spécifiquement sur la modélisation des interdépendances entre séries temporelles lors de la construction des représentations, qui peuvent être la dépendance temporelle au sein de chaque source de données ou la dépendance inter-variable entre des sources de données différentes. En conséquence, nous étudions les séries temporelles collectées dans diverses applications sous différentes formes. Tout d'abord, pour tenir compte de la dépendance temporelle entre les observations, nous apprenons la représentation de série temporelle dans un contexte de flux dynamique, où la série temporelle est générée en continu à partir de la source de données. Quant à la dépendance inter-variable, nous étudions les séries temporelles multivariées (MTS) avec des données collectées à partir de plusieurs sources. Enfin, nous étudions le MTS dans le contexte de la ville intelligente, où chaque source de données est associée à une localisation spatiale. Par conséquent, le MTS devient une série temporelle géo-localisée (GTS), pour laquelle la modélisation de la dépendance inter-variable requière la prise en compte de l'information spatiale sous-jacente. De ce fait, pour chaque type de séries temporelles collectées dans des contextes différents, nous proposons une méthode de représentation adaptée aux dépendances temporelles et/ou inter-variables.Outre la complexité des données provenant des interdépendances des séries temporelles, nous étudions diverses tâches d'apprentissage automatique sur des séries temporelles afin de valider les représentations apprises. Les tâches d'apprentissage étudiées dans cette thèse consistent en la classification de séries temporelles, l'apprentissage semi-supervisé de séries temporelles et la prévision de séries temporelles. Nous montrons comment les représentations apprises sont exploitées dans ces différentes tâches et pour des applications distinctes.Plus précisément, nos principales contributions sont les suivantes. En premier lieu, nous proposons un modèle d'apprentissage dynamique de la représentation des séries temporelles dans le contexte du flux de données, où nous considérons à la fois les caractéristiques des séries temporelles et les défis des flux de données. Nous affirmons et démontrons que le motif de Shapelet, basé sur la forme, est la meilleure représentation dans le contexte dynamique. Par ailleurs, nous proposons un modèle semi-supervisé pour l'apprentissage de représentation dans les MTS. Ce modèle considère la dépendance inter-variable dans l'hypothèse réaliste où les annotations de données sont limitées. Enfin, nous proposons un modèle d'apprentissage de représentation de GTS dans le contexte de la ville intelligente. Nous étudions spécifiquement la tâche de prévision du trafic routier avec un focus sur le traitement intégré des valeurs manquantes
Time series is a common data type that has been applied to enormous real-life applications, such as financial analysis, medical diagnosis, environmental monitoring, astronomical discovery, etc. Due to its complex structure, time series raises several challenges in their data processing and mining. The representation of time series plays a key role in data mining tasks and machine learning algorithms for time series. Yet, a few methods consider the interrelation that may exist between different time series when building the representation. Moreover, the time series mining requires considering not only the time series' characteristics in terms of data complexity but also the concrete application scenarios where the data mining task is performed to build task-specific representations.In this thesis, we will study different time series representation approaches that can be used in various time series mining tasks, while capturing the relationships among them. We focus specifically on modeling the interrelations between different time series when building the representations, which can be the temporal relationship within each data source or the inter-variable relationship between various data sources. Accordingly, we study the time series collected from various application contexts under different forms. First, considering the temporal relationship between the observations, we learn the time series in a dynamic streaming context, i.e., time series stream, for which the time series data is continuously generated from the data source. Second, for the inter-variable relationship, we study the multivariate time series (MTS) with data collected from multiple data sources. Finally, we study the MTS in the Smart City context, when each data source is given a spatial position. The MTS then becomes a geo-located time series (GTS), for which the inter-variable relationship requires more modeling efforts with the external spatial information. Therefore, for each type of time series data collected from distinct contexts, the interrelations between the time series observations are emphasized differently, on the temporal or (and) variable axis.Apart from the data complexity from the interrelations, we study various machine learning tasks on time series in order to validate the learned representations. The high-level learning tasks studied in this thesis consist of time series classification, semi-supervised time series learning, and time series forecasting. We show how the learned representations connect with different time series learning tasks under distinct application contexts. More importantly, we conduct the interdisciplinary study on time series by leveraging real-life challenges in machine learning tasks, which allows for improving the learning model's performance and applying more complex time series scenarios.Concretely, for these time series learning tasks, our main research contributions are the following: (i) we propose a dynamic time series representation learning model in the streaming context, which considers both the characteristics of time series and the challenges in data streams. We claim and demonstrate that the Shapelet, a shape-based time series feature, is the best representation in such a dynamic context; (ii) we propose a semi-supervised model for representation learning in multivariate time series (MTS). The inter-variable relationship over multiple data sources is modeled in a real-life context, where the data annotations are limited; (iii) we design a geo-located time series (GTS) representation learning model for Smart City applications. We study specifically the traffic forecasting task, with a focus on the missing-value treatment within the forecasting algorithm

Cette thèse a pour objectif de proposer des solutions pour la prédiction et l'optimisation de la bande passante d'un flot vidéo agrégat MPEG dans un scénario d'offre de service Vidéo à la Demande (VoD) sur Internet. L'approche proposée prend en compte la nature autosimilaire du trafic IP par le biais de l'estimation du paramètre de Hurst. Cette métrique permet de caractériser le comportement autosimilaire des flux Internet. Une première contribution de cette thèse consiste à concevoir et implémenter un modèle connexionniste, c'est-à-dire basé sur les techniques de réseaux de neurones pour estimer et prédire à court terme le paramètre de Hurst de traces vidéo dans un flot agrégat. Pour ce faire, un modèle connexionniste appelé Module Connexionniste Prédictif (MCP) est entraîné à partir d'exemples étiquetés en ayant comme entrée des échantillons de trafics MPEG et comme sortie le paramètre de Hurst du flux agrégat. Les estimations de la bande passante allouée sont réalisées par le biais de deux techniques de prédiction dont leurs performances sont évaluées et comparées. Une deuxième contribution consiste à instrumenter le processus de prédiction par des règles de politique. Ainsi, le module de prédiction est intégré dans un système de provisioning dynamique de la bande passante entre un fournisseur de VoD et un ISP (Internet Service Provider). Ce système est basée sur l'architecture de gestion par politique de de l'IETF (Internet Engineering Task Force) et réalisée en utilisant les technologies du Web
The objective of this thesis is the bandwidth forecasting optimization of a MPEG-4 video flow aggregate in a scenario of provisioning of Video on Demand (VoD) service over Internet. The proposed approach takes into account the self-similar nature of the IP traffic to estimate the Hurst parameter. This metric characterizes the degree of self-similarity of a process such as Internet traffic. A first contribution of this thesis is the design and implementation of a connectionist model which estimates and predicts the Husrt parameter of an aggregate video traffic. A new model called Predictive Connectionist Model (PCM) has been defined and is trained with MPEG traces patterns. The estimation of the bandwidth utilisation is achieved using two prediction techniques which evaluated and compared. Another contribution of this thesis is the integration of the Predictive Connectionist Model in a dynamic provisioning system between a VoD provider and an ISP (Internet Service Provider). This system is designed according to the Policy Based Management architecture of IETF (Internet Engineering Task Force) and is implemented using Web technologies

Le développement rapide des technologies matérielles, logicielles et de communication des systèmes de transport ont apporté des opportunités prometteuses et aussi des défis importants pour la société humaine. Parallèlement à l'amélioration de la qualité des transports, l'augmentation du nombre de véhicules a entraîné de fréquents embouteillages, en particulier dans les grandes villes aux heures de pointe. Les embouteillages ont de nombreuses conséquences sur le coût économique, l'environnement, la santé mentale des conducteurs et la sécurité routière. Il est donc important de prévoir la dynamique du trafic et d'anticiper l'apparition des embouteillages, afin de prévenir et d'atténuer les situations de trafic perturbées, ainsi que les collisions dangereuses à la fin de la queue d'un embouteillage. De nos jours, les technologies innovatives des systèmes de transport intelligents ont apporté des ensembles de données diverses et à grande échelle sur le trafic qui sont continuellement collectées et transférées entre les dispositifs sous forme de flux de données en temps réel. Par conséquent, de nombreux services de systèmes de transport intelligents ont été développés basé sur l'analyse de données massives, y compris la prévision du trafic. Cependant, le trafic contient de nombreux facteurs variés et imprévisibles qui rendent la modélisation, l'analyse et l'apprentissage de l'évolution historique du trafic difficiles. Le système que nous proposons vise donc à remplir les cinq composantes suivantes d'un système de prévision du trafic : textbf{analyse temporelle, analyse spatiale, interprétabilité, analyse de flux et adaptabilité à plusieurs échelles de données} pour capturer les patterns historiques de trafic à partir des flux de données, fournir une explication explicite de la causalité entrée-sortie et permettre différentes applications avec divers scénarios. Pour atteindre les objectifs mentionnés, nous proposons un modèle d'agent basé sur le clustering dynamique et la théorie des systèmes multi-agents adaptatifs afin de fournir des mécanismes d'apprentissage continu et de prédiction coopérative. Le modèle d'agent proposé comprend deux processus interdépendants fonctionnant en parallèle : textbf{apprentissage local continu} et textbf{prédiction coopérative}. Le processus d'apprentissage vise à détecter, au niveau de l'agent, différents états représentatifs à partir des flux de données reçus. Basé sur le clustering dynamique, ce processus permet la mise à jour continue de la base de données d'apprentissage en s'adaptant aux nouvelles données. Simultanément, le processus de prédiction exploite la base de données apprise, dans le but d'estimer les futurs états potentiels pouvant être observés. Ce processus prend en compte l'analyse de la dépendance spatiale en intégrant la coopération entre les agents et leur voisinage. Les interactions entre les agents sont conçues sur la base de la théorie AMAS avec un ensemble de mécanismes d'auto-adaptation comprenant textbf{l'auto-organisation}, textbf{l'autocorrection} et textbf{l'auto-évolution}, permettant au système d'éviter les perturbations, de gérer la qualité de la prédiction et de prendre en compte les nouvelles informations apprises dans le calcul de la prédiction. Les expériences menées dans le contexte de la prévision de la dynamique du trafic évaluent le système sur des ensembles de données générées et réelles à différentes échelles et dans différents scénarios. Les résultats obtenus ont montré la meilleure performance de notre proposition par rapport aux méthodes existantes lorsque les données de trafic expriment de fortes variations. En outre, les mêmes conclusions retirées de différents cas d'étude renforcent la capacité du système à s'adapter à des applications multi-échelles
Le développement rapide des technologies matérielles, logicielles et de communication des systèmes de transport ont apporté des opportunités prometteuses et aussi des défis importants pour la société humaine. Parallèlement à l'amélioration de la qualité des transports, l'augmentation du nombre de véhicules a entraîné de fréquents embouteillages, en particulier dans les grandes villes aux heures de pointe. Les embouteillages ont de nombreuses conséquences sur le coût économique, l'environnement, la santé mentale des conducteurs et la sécurité routière. Il est donc important de prévoir la dynamique du trafic et d'anticiper l'apparition des embouteillages, afin de prévenir et d'atténuer les situations de trafic perturbées, ainsi que les collisions dangereuses à la fin de la queue d'un embouteillage. De nos jours, les technologies innovatives des systèmes de transport intelligents ont apporté des ensembles de données diverses et à grande échelle sur le trafic qui sont continuellement collectées et transférées entre les dispositifs sous forme de flux de données en temps réel. Par conséquent, de nombreux services de systèmes de transport intelligents ont été développés basé sur l'analyse de données massives, y compris la prévision du trafic. Cependant, le trafic contient de nombreux facteurs variés et imprévisibles qui rendent la modélisation, l'analyse et l'apprentissage de l'évolution historique du trafic difficiles. Le système que nous proposons vise donc à remplir les cinq composantes suivantes d'un système de prévision du trafic : textbf{analyse temporelle, analyse spatiale, interprétabilité, analyse de flux et adaptabilité à plusieurs échelles de données} pour capturer les patterns historiques de trafic à partir des flux de données, fournir une explication explicite de la causalité entrée-sortie et permettre différentes applications avec divers scénarios. Pour atteindre les objectifs mentionnés, nous proposons un modèle d'agent basé sur le clustering dynamique et la théorie des systèmes multi-agents adaptatifs afin de fournir des mécanismes d'apprentissage continu et de prédiction coopérative. Le modèle d'agent proposé comprend deux processus interdépendants fonctionnant en parallèle : textbf{apprentissage local continu} et textbf{prédiction coopérative}. Le processus d'apprentissage vise à détecter, au niveau de l'agent, différents états représentatifs à partir des flux de données reçus. Basé sur le clustering dynamique, ce processus permet la mise à jour continue de la base de données d'apprentissage en s'adaptant aux nouvelles données. Simultanément, le processus de prédiction exploite la base de données apprise, dans le but d'estimer les futurs états potentiels pouvant être observés. Ce processus prend en compte l'analyse de la dépendance spatiale en intégrant la coopération entre les agents et leur voisinage. Les interactions entre les agents sont conçues sur la base de la théorie AMAS avec un ensemble de mécanismes d'auto-adaptation comprenant textbf{l'auto-organisation}, textbf{l'autocorrection} et textbf{l'auto-évolution}, permettant au système d'éviter les perturbations, de gérer la qualité de la prédiction et de prendre en compte les nouvelles informations apprises dans le calcul de la prédiction. Les expériences menées dans le contexte de la prévision de la dynamique du trafic évaluent le système sur des ensembles de données générées et réelles à différentes échelles et dans différents scénarios. Les résultats obtenus ont montré la meilleure performance de notre proposition par rapport aux méthodes existantes lorsque les données de trafic expriment de fortes variations. En outre, les mêmes conclusions retirées de différents cas d'étude renforcent la capacité du système à s'adapter à des applications multi-échelles

Face à l'augmentation de la mobilité, les politiques de développement durable cherchent à optimiser l'utilisation des infrastructures de transport existantes. En particulier, les systèmes d'information du trafic à large échelle ont le potentiel d'optimiser l'utilisation du réseau de transport. Ils doivent fournir aux usagers une information fiable en temps réel leur permettant d'optimiser leurs choix d'itinéraires. Ils peuvent également servir d'outils d'aide à la décision pour les gestionnaires du réseau. La thèse étudie comment l'émergence des services Internet sur les téléphones portables et la rapide prolifération des systèmes de géolocalisation permet le développement de nouveaux services d'estimation et d'information des conditions de trafic en réseau urbain. L'utilisation des données provenant de véhicules traceurs nécessite le développement de modèles et d'algorithmes spécifiques, afin d'extraire l'information de ces données qui ne sont envoyées, jusqu'à présent, que par une faible proportion des véhicules circulant sur le réseau et avec une fréquence faible. La variabilité des conditions de circulations, due à la présence de feux de signalisation, motive une approche statistique de la dynamique du trafic, tout en intégrant les principes physiques hydrodynamiques (formation et dissolution de files d'attentes horizontales). Ce modèle statistique permet d'intégrer de façon robuste les données bruitées envoyées par les véhicules traceurs, d'estimer les paramètres physiques caractérisant la dynamique du trafic et d'obtenir l'expression paramétrique de la loi de probabilité des temps de parcours entre deux points quelconques du réseau. La thèse s'appuie sur les données et les infrastructures développées par le projet Mobile Millennium à l'Université de Californie, Berkeley pour valider les modèles et algorithmes proposés. Les résultats soulignent l'importance du développement de modèles statistiques et d'algorithmes adaptés aux données disponibles pour développer un système opérationnel d'estimation du trafic à large échelle

Ce mémoire présente une méthode de fusion des données du trafic permettant à la fois la surveillance de la circulation en milieu urbain et la diffusion des états de trafic aux automobilistes en temps réel. Après une introduction présentant le contexte général de cette thèse, un état de l'art des systèmes actuels de mesure du trafic et des différents moyens d'information du conducteur est dressé. Cette partie se termine par la description du système informatique de fusion de données dans la suite du document. La partie suivante propose l'étude et l'évaluation d'une procédure de filtrage qui remédie aux pannes, souvent importantes, des postes de mesure. La procédure mise en œuvre permet de tester la fiabilité des mesures réelles grâce à l'utilisation d'estimateurs basés soit sur un modèle théorique de trafic, soit sur une analyse temporelle ou spatiale. La quatrième partie de ce mémoire, la plus conséquente, s'intéresse à l'étude d'un modèle prévisionnel des variables du trafic. Après une revue des méthodes existantes, une approche innovante est envisagée. Celle-ci s'appuie sur la théorie des réseaux de neurones artificiels (RN). Un algorithme d'apprentissage basé sur la technique de la rétropropagation du gradient, pouvant aussi bien calibrer des réseaux à couches directes que récurrentes a été implémenté. Cette méthode offre la possibilité de prédire le trafic dans le futur proche c'est-à-dire sur plusieurs périodes. Elle permet aussi d'ajuster les RN, pour une utilisation en temps réel, en fonction des situations réellement observées. Dans cette partie, on a évalué les performances de différentes structures neuronales capables de modéliser les phénomènes complexes du trafic sur des jeux de données réelles. Les expériences menées conduisent à des meilleurs résultats que ceux obtenus à partir de prédicteurs classiques (ARIMA). La cinquième partie de cette thèse propose un modèle d'estimation d'indicateurs du trafic non observables ; les temps de parcours et le niveau de circulation pour des trajets. La méthode retenue est basée sur un modèle déterministe qui intègre à la fois des mesures du trafic en certains points du réseau routier et les informations relatives aux feux tricolores. Enfin, la dernière partie s'intéresse à l'évaluation complète du système (filtrage, estimation et prédiction) de fusion de données sur des sites d'exploitations réels.

La centralisations du travail, la croissance économique et celle de la population autant que l’urbanisation continue sont les causes principales de la congestion. Lors que les villes s’efforcent pour mettre à jour leurs infrastructures du trafic, l’utilisation de nouvelles techniques pour la modélisation, l’analyse de ces systèmes ainsi que l’intégration des mega données aux algorithmes aident à mieux comprendre et combattre les congestions, un aspect crucial pour le bon développement de nos villes intelligentes du XXIe siècle. Les outilsd’assistance de trafic spécialement conçus pour détecter, prévoir et alerter des conditions particulières sont très demandés dans nos jours.Cette recherche est consacrée au développement des algorithmes pour l’estimation et la prédiction sur des réseaux de trafic routier. Tout d’abord, nous considérons le problème de prévision à court terme du temps de trajet dynamique basé sur des méthodes pilotées par les données. Nous proposons deux techniques de fusion pour calculer les prévisions à court terme. Dans un première temps, nous considérons la matrice de covariance d’erreur et nous utilisons ses informations pour fusionner les prévisions individuelles créées á partir de clusters. Dans un deuxième temps, nous exploitons les mesures de similarité parmi le signal á prédire et des clusters dans l’histoire et on propose une fusion en tant que moyenne pondérée des sorties des prédicteurs de chaque cluster. Les résultats des deux méthodes on été validés dans le Grenoble Traffic Lab, un outil en temps réel qui permet la récupération de données d’une autoroute d’environ (10.5Km) qui couvre le sud de Grenoble.Postérieurement nous considérons le problème de reconstruction de la densité / et le débit de façon simultanée à partir de sources d’information hétérogènes. Le réseau de trafic est modélisé dans le cadre de modèles de trafic macroscopique, où nous adoptons l’équation de conservation Lighthill-Whitham-Richards avec un diagramme fondamental linaire par morceaux. Le problème d’estimation repose sur deux principes clés. Dans un premier temps, nous considérons la minimisation des erreurs entre les débits et les densités mesurés et reconstruits. Finalement, nous considérons l’état d’équilibre du réseau qui établit la loi de propagation des flux entrants et sortants dans le réseau. Tous les principes sont intégrés et le problème est présenté comme une optimisation quadratique avec des contraintes d’égalité a fin de réduire l’espace de solution des variables à estimer. Des scénarios de simulation basés sur des données synthétiques pour un réseau de manhattan sont fournis avec l’objectif de valider les performances de l’algorithme proposé
Centralization of work, population and economic growth alongside continued urbanization are the main causes of congestion. As cities strive to update or expand aging infrastructure, the application of big data, new models and analytics to better understand and help to combat traffic congestion is crucial to the health and development of our smart cities of XXI century. Traffic support tools specifically designed to detect, forecast and alert these conditions are highly requested nowadays.This dissertation is dedicated to study techniques that may help to estimate and forecast conditions about a traffic network. First, we consider the problem Dynamic Travel Time (DTT) short-term forecast based on data driven methods. We propose two fusion techniques to compute short-term forecasts from clustered time series. The first technique considers the error covariance matrix and uses its information to fuse individual forecasts based on best linear unbiased estimation principles. The second technique exploits similarity measurements between the signal to be predicted and clusters detected in historical data and it performs afusion as a weighted average of individual forecasts. Tests over real data were implemented in the study case of the Grenoble South Ring, it comprises a highway of 10.5Km monitored through the Grenoble Traffic Lab (GTL) a real time application was implemented and open to the public.Based on the previous study we consider then the problem of simultaneous density/flow reconstruction in urban networks based on heterogeneous sources of information. The traffic network is modeled within the framework of macroscopic traffic models, where we adopt Lighthill-Whitham-Richards (LWR) conservation equation and a piecewise linear fundamental diagram. The estimation problem considers two key principles. First, the error minimization between the measured and reconstructed flows and densities, and second the equilibrium state of the network which establishes flow propagation within the network. Both principles are integrated together with the traffic model constraints established by the supply/demand paradigm. Finally the problem is casted as a constrained quadratic optimization with equality constraints in order to shrink the feasible region of estimated variables. Some simulation scenarios based on synthetic data for a manhattan grid network are provided in order to validate the performance of the proposed algorithm

Le travail de thèse présenté dans le manuscrit s’articule autours de plusieurs éléments d’études concernant les modèles macroscopiques de flux de trafic routier à savoir la modélisation, la simulation et la commande. L’objectif de l’étude consiste à atteindre ou à maintenir une circulation automobile fluide sur des voies rapides. Il s’agit donc de s’assurer que le processus de flux de trafic routier reste dans des limites de stabilité et tout en offrant les meilleures performances et qualités de service aux usagers. L’étude repose sur l’analyse de la solution analytique d’une équation dynamique d’évolution du processus afin d’obtenir une fonction de transfert (TF). Le modèle retenu est un modèle macroscopique de flux de trafic du premier ordre du type LWR. L’objectif est d’obtenir une modélisation analytique conforme au modèle du réseau routier, qui dans le cas applicatif retenu est constitué d’un segment en aval d’un péage routier. Une commande du flux de trafic reposant sur le choix d’une stratégie qui satisfait les besoins des usagers sur les autoroutes au niveau des péages a été étudiée. Mettre en place une gestion des axes routier est une nécessité due à la croissance des flux qui ont pour conséquence de provoquer une saturation des voies de circulation. Les congestions apparaissent généralement aux heures de pointe, lors de travaux ou d’incidents. Elles provoquent des retards dans les déplacements des usagers et ont donc des répercutions socio-économiques et sur l’environnement. Il est donc nécessaire de garantir la fluidité du trafic routier par la conception et l’implémentation de stratégies de commande efficaces permettant d’annuler, de réduire, ou de retarder l’apparition des congestions. Une boucle de correction robuste de type CRONE est introduite dans le système de flux de trafic afin de satisfaire les objectifs de qualité requises du réseau routier face aux aléas de circulation et en assurant une circulation fluide, par le contrôle des barrières de péage.La variable de commande proposée est la densité du tronçon en amont du péage. Le résultat obtenu représente un retard pur pour le modèle de trafic comme un système à paramètres distribués. La commande étudiée est une commande robuste d’ordre non-entier associée à un prédicteur de Smith et une compensation du retard. Toutes les études ont été menées en simulation sous Matlab/Simulink. L’étude des réponses temporelles et harmoniques du système de flux de trafic a été réalisée. La stabilité du système et de ses performances ont pu ainsi être abordées. De même l’étude harmonique permet d’assurer que le système présente une marge de stabilité suffisante dans le domaine de variation des paramètres
This thesis presents research carried out to several elements of the macroscopic traffic flow as the model, the control and the simulation of his control system. The main aims of the realized studies consist to keep the circulation on the high-ways fluid. That means that we must to assure some quality of the process regarding the stability of this process. More over to offer best performances and quality of the traffic services for the users on the ways networks.In our study we use the analytical solution method of the dynamic equation presenting the LWR traffic flow model process, for which we look to obtain transfer function. Our objective is to obtain a conform result to a toll plaza. Furthermore we look to make a choice of appropriate control algorithm to satisfy the traffic network and users’ needs. The traffic flow management needs results from the increasingly of the flows. As consequence of this we can obtain saturation in some places in the road network wildly known as a traffic jam usually in the rush hours, by reason of accident or repairs works. All this provoke a delay of the transportation flow and important environmental after-effect. Therefore it’s very important to assure the fluidity of the traffic using control strategies which will cancel, reduce or delay the traffic jam appearances. Because of all the reasons above, we have proposed a system with non-integer order control algorithm for maintain the traffic fluid by the control of the pikes in the toll plaza. The control variable is the upstream density which will influence on the downstream one. After the analytical solution of the toll plaza model we obtain a delay function which presents the plant in our distributed parameter system. For this system we apply a Smith prediction non-integer control algorithm and moreover we ameliorate this system with a Dead time non-integer order compensator

Dans cette thèse nous abordons deux problématiques différentes : la prédiction et la classification de trafic et les mécanismes d'accès dans les réseaux MANETs. Dans la première partie de la thèse, nous abordons le problème de la prédiction et la classification du trafic. Sur la base des observations du passé et sans considérer aucun modèle en particulier, nous analysons le problème de la prédiction en ligne de la charge sur un lien. Concernant la classification du trafic, nous nous concentrons principalement sur des applications P2P, et particulièrement la télévision P2P (P2P-TV). Dans les deux cas, nous employons la technique de Support Vector Machines (SVM). Les algorithmes que nous proposons fournissent des résultats très précis. De plus, ils sont robustes et leur coût est extrêmement bas. Ces propriétés font que nos solutions soient particulièrement adaptées à des applications en temps réel. Dans la deuxième partie de la thèse, nous abordons deux problèmes différents liés aux mécanismes d'accès dans les réseaux MANETs, et en particulier, nous nous concentrons sur CSMA. Nous présentons d'abord les différents modèles existants pour CSMA et nous identifions leurs principaux points faibles. Des solutions possibles sont proposées, bases sur les outils de la géométrie aléatoire. Nous abordons ensuite le problème de QoS dans CSMA et nous proposons deux mécanismes différents permettant de garantir un débit minimum pour chaque transmission admise. Le but principal étant d'identifier le meilleur mécanisme dans un scénario donné comparé au protocole CSMA.

Cette thèse traite de la gestion du trafic aérien et plus précisément, de l’optimisation globale des plans de vol déposés par les compagnies aériennes sous contrainte du respect de la capacité de l’espace aérien. Une composante importante de ce travail concerne la gestion de l’incertitude entourant les trajectoires des aéronefs. Dans la première partie du travail, nous identifions les principales causes d’incertitude au niveau de la prédiction de trajectoires. Celle-ci est la composante essentielle à l’automatisation des systèmes de gestion du trafic aérien. Nous étudions donc le problème du réglage automatique et en-ligne des paramètres de la prédiction de trajectoires au cours de la phase de montée avec l’algorithme d’optimisation CMA-ES. La principale conclusion, corroborée par d’autres travaux de la littérature, implique que la prédiction de trajectoires des centres de contrôle n’est pas suffisamment précise aujourd’hui pour supporter l’automatisation complète des tâches critiques. Ainsi, un système d’optimisation centralisé de la gestion du traficaérien doit prendre en compte le facteur humain et l’incertitude de façon générale.Par conséquent, la seconde partie traite du développement des modèles et des algorithmes dans une perspective globale. De plus, nous décrivons un modèle stochastique qui capture les incertitudes sur les temps de passage sur des balises de survol pour chaque trajectoire. Ceci nous permet d’inférer l’incertitude engendrée sur l’occupation des secteurs de contrôle par les aéronefs à tout moment.Dans la troisième partie, nous formulons une variante du problème classique du Air Traffic Flow and Capacity Management au cours de la phase tactique. L’intérêt est de renforcer les échanges d’information entre le gestionnaire du réseau et les contrôleurs aériens. Nous définissons donc un problème d’optimisation dont l’objectif est de minimiser conjointement les coûts de retard et de congestion tout en respectant les contraintes de séquencement au cours des phases de décollage et d’attérissage. Pour combattre le nombre de dimensions élevé de ce problème, nous choisissons un algorithme évolutionnaire multiobjectif avec une représentation indirecte du problème en se basant sur des ordonnanceurs gloutons. Enfin, nous étudions les performances et la robustesse de cette approche en utilisant le modèle stochastique défini précédemment. Ce travail est validé à l’aide de problèmes réels obtenus du Central Flow Management Unit en Europe, que l’on a aussi densifiés artificiellement
In this thesis, we investigate the issue of optimizing the aircraft operators' demand with the airspace capacity by taking into account uncertainty in air traffic management. In the first part of the work, we identify the main causes of uncertainty of the trajectory prediction (TP), the core component underlying automation in ATM systems. We study the problem of online parameter-tuning of the TP during the climbing phase with the optimization algorithm CMA-ES. The main conclusion, corroborated by other works in the literature, is that ground TP is not sufficiently accurate nowadays to support fully automated safety-critical applications. Hence, with the current data sharing limitations, any centralized optimization system in Air Traffic Control should consider the human-in-the-loop factor, as well as other uncertainties. Consequently, in the second part of the thesis, we develop models and algorithms from a network global perspective and we describe a generic uncertainty model that captures flight trajectories uncertainties and infer their impact on the occupancy count of the Air Traffic Control sectors. This usual indicator quantifies coarsely the complexity managed by air traffic controllers in terms of number of flights. In the third part of the thesis, we formulate a variant of the Air Traffic Flow and Capacity Management problem in the tactical phase for bridging the gap between the network manager and air traffic controllers. The optimization problem consists in minimizing jointly the cost of delays and the cost of congestion while meeting sequencing constraints. In order to cope with the high dimensionality of the problem, evolutionary multi-objective optimization algorithms are used with an indirect representation and some greedy schedulers to optimize flight plans. An additional uncertainty model is added on top of the network model, allowing us to study the performances and the robustness of the proposed optimization algorithm when facing noisy context. We validate our approach on real-world and artificially densified instances obtained from the Central Flow Management Unit in Europe

Le trafic routier englobe plusieurs facteurs, entre autres la géométrie des infrastructures routières, le comportement des conducteurs, la diversité des flux de véhicules, etc... Les situations auxquelles sont confrontés les exploitants des réseaux routiers dépendent du type de réseau dont ils ont la charge. Cette complexité du trafic en a fait un domaine de recherche d'un intérêt croissant et ce depuis les premières études qui ont donné naissance au modèle LWR au milieu des années cinquante. Afin de modéliser le trafic sur un réseau routier, deux approches, complémentaires l'une de l'autre sont nécessaires. La première est la modélisation de l'écoulement qui permet de décrire l'évolution des flux de trafic sur un tronçon de route et l'affectation qui décrit la façon dont les usagers choisissent leurs itinéraires sur un réseau. L'objet de ces travaux de thèse est d'apporter une contribution à cette amélioration de la modélisation des flux de trafic, en se concentrant dans un premier lieu sur la modélisation d'un trafic autoroutier constitué de deux classes de véhicules: des véhicules particuliers et des bus. L'étude numérique du modèle se fait en adaptant le modèle de transmission cellulaire de Daganzo. Un estimateur des densités et un autre des vitesses de ce trafic mixte sur un tronçon de route ont été présentés. Des résultats de stabilité dans les différents régimes de ce trafic ont été établis. Dans un second temps concernant la modélisation d'un trafic urbain multimodal constitué de trois classes de véhicules: aux deux classes précédemment citées, est intégrée une nouvelle classe de bus à haut niveau de service BHNS ou BRT, classe qui tend à se propager au milieu urbain et suburbain et qui est perçue comme solution à de nombreux problèmes liés au trafic par les exploitants de la route. Nous proposons deux modèles de la progression du BRT sur le réseau, puis nous développons une stratégie de régulation de ce système de transport urbain trimodal. L'objectif de la régulation est double, veiller à la fluidité du trafic en général et le respect de positions références pour le mode BRT. L'architecture s'appuie sur la commande des systèmes en boucle fermée et utilise la commande prédictive généralisée. Nous avons aussi proposé un modèle hybride de trafic routier basé sur le couplage d'un modèle macroscopique générique de second ordre et d'un modèle microscopique en coordonnées Lagrangiennes. Pour la validation de la bonne transmission de l'information à travers le schéma de couplage, nous avons étudié la propagation et la remontée d'une congestion.

La nécessité de la régulation du trafic général et de l'amélioration de la régularité des lignes de transport en commun de surface est un constat largement partagé dans la recherche et dans les milieux opérationnels. L'objectif de cette thèse est la conception d'une stratégie capable de satisfaire ces objectifs via les feux de signalisation sur de larges réseaux urbains. Les points abordés dans cette thèse sont : la modélisation des phénomènes du trafic : que ce soit pour les véhicules particuliers ou les véhicules de transport en commun. Pour les premiers, le modèle reprend les bases de modèles déjà développés avec des améliorations pour tenir compte de toutes les situations du trafic. Pour les transports en commun, deux modèles originaux ont été développés. la construction des critères : nous avons construits deux critères pour mesurer l'état du trafic. Le premier, pour les véhicules particuliers, est le même que celui utilisé dans d'autres systèmes de régulation du trafic. Le critère pour les transports en commun a été construit de manière originale pour permettre de mesurer la régularité des lignes. l'optimisation multi-objectif : la complexité des modèles, le caractère fortement non linéaire des critères et les contraintes de temps réel du problème nous ont guidé pour le choix d'une méta-heuristique particulièrement performante qui s'appelle l'optimisation par essaims particulaires. Nous avons implémenté deux versions et adapté la méthode pour le cas multi-objectif. La commande en boucle fermée : la stratégie conçue se devait de répondre en temps réel aux changements d'état du trafic. Nous avons adopté une architecture classique de la commande prédictive généralisée ainsi qu'une architecture faisant intervenir la commande prédictive et la commande linéaire quadratique. Cette dernière commande sert à initialiser et limiter les dimensions de l'espace de recherche pour l'algorithme d'optimisation. Les résultats numériques obtenus grâce à la simulation de la stratégie sur un réseau virtuel montrent que la stratégie améliore significativement le trafic général et la régularité des lignes de transport en commun
The need for traffic regulation and improving the transit regularity are facts widely shared within the research and operational environments. The objective of this thesis is to design a strategy to meet these goals through the traffic lights on large urban networks. Topics addressed in this thesis are: traffic modelling: whether it is for general or transit vehicles. For the former, the model reproduces the basic patterns already developed with improvements to accommodate all traffic situations. For transit vehicles, two original models were developed. Construction of criteria: we have constructed two criteria to measure the traffic state. The first, for cars, is the same as that used in other systems of traffic control. The criterion for transit vehicles has been built in an original way to measure the regularity of the vehicles. Multi-objective optimization: the models complexity, the highly non-linear criteria and the constraints of real-time environment have guided the choice of a meta-heuristic called Particle Swarm Optimization. We have implemented two versions and adapted the scheme to the multi-objective case. Closed loop control: the strategy had to respond in real time to changing trafic conditions. We have adopted a classic architecture of the Generalized Model Predictive control and an architecture involving predictive control and the linear quadratic control. This last one is used to initialize and limit the size of the search space for the optimization algorithm. The numerical results obtained by simulation on a virtual network show that the strategy significantly improves the overall traffic and regularity of the transit lines

Les travaux présentés dans ce mémoire de thèse s’inscrivent dans le cadre des Systèmes de TransportIntelligents (STI). Bien que les premières études sur ces systèmes ont commencé dans les années 60, leurdéveloppement reposant sur les techniques de l’information et de la communication, a atteint sa maturitédans le début des années 80. Les STI, sont composés de différents systèmes et intègrent différents concepts(systèmes embarqués, capteurs intelligents, autoroutes intelligentes, . . .) afin d’optimiser le rendementdes infrastructures routières et répondre aux problèmes quotidiens des congestions. Ce mémoire présentequatre contributions dans le cadre du trafic routier et aborde les problèmes de l’estimation et de lacommande afin d’éliminer les problèmes de congestions « récurrentes ». Le premier point traite unproblème crucial dans le domaine des STI qui est celui de l’estimation. En effet, la mise en oeuvre delois de commande pour réguler le trafic impose de disposer de l’ensemble des informations concernantl’évolution de l’état du trafic. Dans ce contexte, deux algorithmes d’estimation sont proposés. Le premierrepose sur l’emploi du modèle METANET et les techniques de modes de glissement d’ordre supérieur. Lesecond est basé sur les CTM (Cell Transmission Models). Plusieurs études comparatives avec les filtresde Kalman sont proposées. La seconde contribution concerne la régulation du trafic. L’accent est mis surle contrôle d’accès isolé en utilisant les algorithmes issus du mode de glissement d’ordre supérieur. Cettecommande est enrichie en introduisant une commande intégrée combinant le contrôle d’accès et le routagedynamique. L’ensemble des résultats, validé par simulation, est ensuite comparé aux stratégies classiquesnotamment le contrôle d’accès avec l’algorithme ALINEA. La troisième contribution traite des problèmesde coordination. En effet, l’objectif est d’appliquer le principe de la commande prédictive pour contrôlerplusieurs rampes d’accès simultanément. L’ensemble des contributions ont été validées en utilisant desdonnées réelles issues en grande partie de mesures effectuées sur des autoroutes françaises. Les résultatsobtenus ont montré un gain substantiel en termes de performances tels que la diminution du trajet, dutemps d’attente, de la consommation énergétique, ainsi que l’augmentation de la vitesse moyenne. Cesrésultats permettent d’envisager plusieurs perspectives nouvelles de développement des recherches dansce domaine susceptibles d’apporter des solutions intéressantes
The works presented in this PhD dissertation fit into the framework of Intelligent TransportationSystems. Although the beginnings of these systems have started since the 60s, their development, basedon information and communication technologies, has reached maturity during the early 80s. The ITS usesthe intelligence of different systems (embedded systems, intelligents sensors, intelligents highways, etc.)in order to optimize road infrastructures performances and respond to the daily problems of congestions.The dissertation presents four contributions into the framework of road traffic flow and tackles theestimation and control problems in order to eliminate or at least reduce the “recurrent" congestionsphenomena. The first point treats the problem of traffic state estimation which is of most importance inthe field of ITS. Indeed, the implementation and performance of any control strategy is closely relatedto the ability to have all needed information about the traffic state describing the dynamic behavior ofthe studied system. Two estimation algorithms are then proposed. The first one uses the “metanet"model and high order sliding mode techniques. The second is based on the so-called Cell TransmissionModels. Several comparative studies with the Kalman filters, which are the most used in road traffic flowengineering, are established in order to demonstrate the effectiveness of the proposed approaches. Thethree other contributions concern the problem of traffic flow control. At first, the focus is on the isolatedramp metering using an algorithm based on the high order sliding mode control. The second contributiondeals with the dynamic traffic routing problem based on the high order sliding mode control. Such controlstrategy is enriched by introducing the concept of integration, in the third contribution. Indeed, integratedcontrol consists of a combination of several traffic control algorithms. In this thesis the proposed approachcombines an algorithm of on-ramp control with a dynamic traffic routing control. The obtained results arevalidated via numerical simulations. The validated results of the proposed isolated ramp metering controlare compared with the most used ramp metering strategy : ALINEA. Finally, the last contributiontreats the coordination problems. The objective is to coordinate several ramps which cooperate andchange information in order to optimize the highway traffic flow and reduce the total travel time in theapplied area. All these contributions were validated using real data mostly from French freeways. Theobtained results show substantial gains in term of performances such as travel time, energetic consumptiondecreasing, as well as the increasing in the mean speed. These results allow to consider several furtherworks in order to provide more interesting and efficient solutions in the ITS field

Depuis ces 10 dernières années, l’immunothérapie est à l’avant-garde de la thérapie anticancéreuse. Les cellules Natural Killer (NK) font partie du système immunitaire inné et possèdent la capacité unique de lyser les cellules tumorales sans activation préalable par un antigène spécifique. Elles jouent un rôle majeur dans le contrôle de plusieurs cancers hématologiques et solides dont les tumeurs stromales gastrointestinales (GIST). Leur activation dépend de l’équilibre entre leurs récepteurs activateurs et inhibiteurs. Les Natural Cytotoxicity Receptors (NCR) font partis des récepteurs activateurs les plus importants dans leur reconnaissance des cibles et comprennent le NKp30, NKp44 et NKp46. Le NKp30 possède 3 isoformes: NKp30a et NKp30b sont immunostimulantes induisant la sécrétion d’Interféron (IFN) γ et de Tumor necrosis factor (TNF) α alors que NKp30c est immunosuppressive favorisant la production d’interleukine 10 (IL-10). L’IFNγ est un puissant activateur des cellules immunitaires tandis que l’IL-10 est une cytokine anti-inflammatoire. Le TNFα a été décrit initialement comme un facteur sérique induisant la nécrose des tumeurs, cependant son rôle a depuis été élargi à des fonctions homéostatiques. De nombreuses études laissent à penser que les fonctions antitumorales des cellules NK ne se limitent pas à l’élimination des cellules tumorales. Malgré les progrès importants réalisés dans la compréhension des cellules NK, de nombreux travaux sont encore à mener pour exploiter pleinement leur potentiel antitumoral.Notre équipe a démontré l’importance capitale des cellules NK dans les GIST. Ainsi l’infiltrat NK prédit la survie sans progression des patients. De plus nous avons montré que l’expression préférentielle de l’isoforme immunosuppressive NKp30c impactait négativement le pronostic des patients GIST. Suite à ces résultats, nous avons cherché à mieux caractériser l’impact des isoformes du récepteur NKp30 chez les patients GIST en réponse à l’IM. Dans un premier temps, nous avons démontré qu’un haut ratio d’expression entre NKp30b et NKp30c prédisait une meilleure réponse à l’imatinib mesylate (IM, un inhibiteur de tyrosine kinase, traitement de référence des GIST) et que l’expression des isoformes de NKp30 impactait l’environnement cytokinique de la tumeur. De plus, nous avons établi pour la première fois le lien entre la présence de ligands solubles de NKp30, B7 Homolog 6 soluble (sB7-H6) et BCL2 Associated Athanogene 6 soluble (sBAG6), et la diminution de la survie sans évènement des patients GIST traités à l’IM.Malgré l’infiltration immunitaire de nombreuses tumeurs, les fonctions antitumorales des lymphocytes sont inhibées par le microenvironnement tumoral. Ainsi, nous avons étudié quelles voies de signalisation étaient associées à l’inhibition des cellules NK présentes dans cet environnement. Pour cela, nous avons réalisé un microarray à partir des cellules NK infiltrant les GIST et avons mis en évidence le rôle délétère de la voie TNFα/TNF Receptor 2/Baculoviral IAP Repeat Containing 3 (BIRC3)/TNF Receptor Associated Factor 1 (TRAF1) dans la fonctionnalité des cellules NK. En effet, l’activation de cette voie dans les cellules NK entraine la diminution de la transcription du gène du récepteur activateur NKp46 ainsi que son expression membranaire. Cette diminution était corrélée avec l’expression de l’isoforme NKp30c. Par ailleurs, nous avons pu mettre en évidence chez la souris que le TNFα facilitait la dissémination métastatique de la lignée tumorale sensible aux cellules NK B16F10.Nos résultats sur les cellules NK ont renforcé leur grand potentiel en tant que cible thérapeutique pour l’immunothérapie anticancéreuse. En effet, l’importance du récepteur NKp30 et de ses isoformes dans la prédiction de la réponse à l’IM dans les GIST et la mise en évidence d’un nouveau mécanisme inhibiteur des cellules NK par la voie TNFα/TNFR2/BIRC3/TRAF1 ouvrent la voie à de nouvelles stratégies dans le traitement des cancers
Over the last 10 years, immunotherapy has been at the forefront of cancer therapy. Natural Killer (NK) cells are part of the innate immune system and have the unique ability to lyse tumor cells without any antigen specific priming. They have a key prognostic role in several hematological and solid cancers including gastrointestinal stromal tumors (GIST). A balance between activating and inhibitory receptors triggers NK cell activation. Natural cytotoxicity receptors (NCR) are among the most clinically relevant activating receptors and include NKp30, NKp44 and NKp46. NKp30 can be expressed in 3 different isoforms: NKp30a and NKp30b are both immunostimulatory, inducing interferon (IFN) γ and tumor necrosis factor (TNF) α secretion whereas NKp30c is immunosuppressive, producing interleukin 10 (IL-10). IFNγ is a potent activator of immune cells whereas IL-10 is an anti-inflammatory cytokine. TNFα was first described as a serum factor, inducing tumor necrosis but its role has since been broadened to homeostatic functions. Ample evidence suggests that anti-tumor functions of NK cells are tightly regulated and expand far beyond the simple killing of malignant cells. Despite the tremendous progress in understanding NK cell biology, further work is warranted to fully exploit the anticancer potential of these cells.Our group demonstrated the crucial role that NK cells have in GIST. Indeed, NK cell infiltrate positively correlates with progression-free survival. Moreover, we showed that the preferential expression of the immunosuppressive isoform NKp30c, negatively impacts the clinical outcome of GIST patients. To further extend these observations, we explored the influence of various NKp30 isoforms in GIST patients.Firstly, we revealed that a high ratio between the expression of NKp30b and NKp30c isoforms predicted a stronger imatinib mesylate (IM) response (a tyrosine kinase inhibitor, TKI – first line standard of care in GIST) and that tumor cytokine milieu is modified following NKp30 isoform expression. Furthermore, we demonstrated a link between the presence of soluble ligands of NKp30, soluble B7 Homolog 6 (sB7-H6) and soluble BCL2 Associated Athanogene 6 (sBAG6), and a decrease in event-free survival in IM-treated GIST patients.Despite the presence of immune infiltration in many tumors, antitumor functions of lymphocytes are inhibited by the tumor microenvironment. Thus, we explored which signaling pathways were associated with NK cell inhibition in the tumor microenvironment. To do so, we performed a microarray from GIST infiltrating NK cells which highlighted the deleterious effect of TNFα/TNF Receptor 2/Baculoviral IAP Repeat Containing 3 (BIRC3)/TNF Receptor Associated Factor 1 (TRAF1) pathway on the function of NK cells. Next, we demonstrated that activation of this pathway in NK cells decreased gene transcription and protein expression of the activating receptor NKp46 (also called Natural Cytotoxicity Triggering Receptor 1 NCR1). This decrease positively correlated with NKp30c isoform expression. Moreover we showed that in mice, TNFα increases the metastatic dissemination of the NK sensitive tumor cell line, B16F10.Results from our research on NK cells strengthen the potential of NK cells as a therapeutic target for anti-tumor immunotherapy. Taken together, this thesis demonstrates the key role of the NKp30 receptor and its isoforms in the IM therapy as predictive marker in GIST response and describes for the first time a new NK cell inhibitory mechanism via the TNFα/TNFR2/BIRC3/TRAF1 pathway, paving the way for novel therapeutic strategies in cancer treatment

Les recherches qui se font pour modéliser l'évolution de trafic Internet sur une grande échelle de temps et pour développer des modèles de prédictions à court et à long terme constituent les domaines les plus intéressés par les chercheurs en technologies de l'information. En effet, pour compléter et affiner la caractérisation du trafic introduite par les premières études et recherches, il est fort utile de modéliser de façon nouvelle et efficace le trafic Internet. Jusqu'à présent, les ingénieurs et chercheurs en réseau utilisaient des modèles Mathématiques et Statistiques pour modéliser les processus de trafic. Pour ce, il faudrait proposer de nouveaux modèles de trafic réalistes. On peut notamment citer le trafic réseau le plus réaliste en intégrant les notions d'auto-similarité et de dépendance à long terme LRD. En utilisant des outils mathématiques, on a commencé par chercher le type du processus à partir des historiques de l'information et savoir le type de trafic pour des différentes échelles de temps, ceci exige une grande collection de mesures sur une longue durée de temps. Ce que nous a permit de montrer que le trafic dans un réseau Internet est exposé à des fortes périodicités et des variabilités aux multiples échelles de temps. Une autre contribution importante, décrite en détail dans ce mémoire, consiste à utiliser les résultats des simulations de trafic Internet plus réalistes afin d'appliquer des algorithmes de prédiction sur ces séries simulées. Quatre algorithmes ont été testés dans ce cadre intégrant des modèles mathématiques afin d'offrir des preuves et des validations du bon fonctionnement des solutions proposées, pour en sortir à la fin, le meilleur algorithme qui permet de donner un taux d'erreurs minimum ainsi qu'une grande simplicité dans son application.