{"id":728,"date":"2025-01-27T09:41:02","date_gmt":"2025-01-27T08:41:02","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil2\/?p=728"},"modified":"2025-11-27T16:36:01","modified_gmt":"2025-11-27T15:36:01","slug":"qui-se-deplace-ou-comment-et-quand-le-deep-learning-contribue-a-demeler-lecheveau-du-trafic-urbain","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/qui-se-deplace-ou-comment-et-quand-le-deep-learning-contribue-a-demeler-lecheveau-du-trafic-urbain\/","title":{"rendered":"D\u00e9m\u00ealer le trafic urbain : quand l\u2019IA observe les flux, comprend les mobilit\u00e9s et les anticipe"},"content":{"rendered":"\n

Texte original publi\u00e9 sur https:\/\/wp.unil.ch\/geoblog\/2024\/03\/qui-se-deplace-ou-comment-et-quand-le-deep-learning-contribue-a-demeler-lecheveau-du-trafic-urbain\/<\/a><\/em><\/p>\n\n\n\n

\n
\n

Comment mieux comprendre les flux urbains dans une ville en mouvement perp\u00e9tuel ? Christian Kaiser, sp\u00e9cialiste en g\u00e9ographie computationnelle \u00e0 l\u2019UNIL, utilise l\u2019intelligence artificielle pour analyser les d\u00e9placements urbains \u00e0 partir d\u2019images capt\u00e9es en temps r\u00e9el. Gr\u00e2ce au deep learning, les comportements de mobilit\u00e9, \u00e0 pied, \u00e0 v\u00e9lo ou en voiture, sont mod\u00e9lis\u00e9s avec pr\u00e9cision, offrant de pr\u00e9cieux outils pour la planification urbaine. Mais cette innovation soul\u00e8ve aussi des questions \u00e9thiques, que le chercheur aborde avec vigilance dans ses collaborations avec la Ville de Lausanne et d’autres partenaires acad\u00e9miques.<\/p>\n<\/div>\n\n\n\n

Lorsque l\u2019on d\u00e9sire \u00e9tudier le trafic dans une agglom\u00e9ration ou un quartier, il est n\u00e9cessaire de d\u00e9terminer les d\u00e9placements effectu\u00e9s par ses nombreux usagers. Dans ce but, Christian Kaiser utilise des cam\u00e9ras situ\u00e9es aux endroits strat\u00e9giques de la ville qui transmettent directement les informations capt\u00e9es aux logiciels de visualisation (ces cam\u00e9ras n\u2019enregistrent pas de film pr\u00e9servant ainsi la confidentialit\u00e9 des donn\u00e9es). Gr\u00e2ce au deep-learning, il entra\u00eene ces logiciels \u00e0 reconna\u00eetre les diff\u00e9rents objets qui se d\u00e9placent (pi\u00e9tons, cyclistes, voitures). L\u2019enjeu est d\u2019obtenir une reconnaissance suffisante de chaque objet, pour pouvoir le distinguer des autres, et d\u00e9terminer son parcours propre ou son temps de d\u00e9placement par exemple. <\/p>\n\n\n\n

Cette m\u00e9thode a permis d\u2019am\u00e9liorer nettement les capacit\u00e9s de reconnaissance des logiciels de visualisation. On atteint ainsi actuellement une reconnaissance fiable de 90% des objets \u00e9voluant dans le trafic, contre 70% initialement. Les d\u00e9placements individuels sont ainsi mieux d\u00e9termin\u00e9s, donnant de pr\u00e9cieuses informations sur les trajets pr\u00e9f\u00e9rentiels ou les alternatives choisies par les diff\u00e9rents usagers. Par ailleurs les algorithmes permettent \u00e9galement de regrouper des comportements de d\u00e9placement similaires (clustering), trop complexes \u00e0 identifier de mani\u00e8re imm\u00e9diate en raison du nombre tr\u00e8s \u00e9lev\u00e9 d\u2019images \u00e0 interpr\u00e9ter.<\/p>\n\n\n\n

L\u2019IA, un net progr\u00e8s pour les outils de visualisation num\u00e9rique et d\u2019autres d\u00e9veloppements \u00e0 venir<\/h3>\n\n\n\n

Si Christian Kaiser n\u2019aime pas le terme intelligence artificielle<\/em> (auquel il pr\u00e9f\u00e8re apprentissage statistique<\/em>), il rel\u00e8ve les progr\u00e8s \u00e9normes engendr\u00e9s dans le domaine de la visualisation num\u00e9rique. \u00ab On est pass\u00e9 de blocs informes \u00e0 des structures reconnaissables \u00bb.<\/em> Par ailleurs le nombre et la qualit\u00e9 des donn\u00e9es \u00e0 disposition se sont \u00e9galement am\u00e9lior\u00e9es. Il est par exemple possible de discerner les bandes cyclables sur les images satellites ou d\u00e9terminer la fonction d\u2019un b\u00e2timent selon les all\u00e9es et venues r\u00e9pertori\u00e9es \u00e0 ses alentours. Pour la suite, Christian Kaiser entrevoit un potentiel d\u2019\u00e9volution sur la reconnaissance de texte et la possibilit\u00e9 de faire dessiner des cartes sur la base de descriptions \u00e9crites.<\/p>\n\n\n\n

Ce que l\u2019on veut faire, que l\u2019on peut faire et qu\u2019on a le droit de faire<\/h3>\n\n\n\n

Si les r\u00e9sultats obtenus en utilisant l\u2019apprentissage automatique sont tr\u00e8s bons, il faut cependant rester vigilant quant \u00e0 son utilisation \u00ab Il y a ce que l\u2019on veut faire, ce que l\u2019on peut faire et ce qu\u2019on a le droit de faire. Les cadres l\u00e9gaux  d\u00e9finissent tr\u00e8s clairement des r\u00e8gles emp\u00eachant d\u2019empi\u00e9ter sur la vie priv\u00e9e des gens, ce qui est tr\u00e8s bien \u00bb<\/em>. Dans le contexte de recherches en milieu urbain bas\u00e9es sur la visualisation et la reconnaissance d\u2019images, il est important de pouvoir se fier \u00e0 ces cadres et de veiller \u00e0 s\u2019y tenir.<\/p>\n\n\n\n

Observer pour mieux planifier : l\u2019IA au service des d\u00e9placements urbains<\/h3>\n\n\n\n

Christian Kaiser contribue \u00e0 un projet financ\u00e9 par Interact<\/mark><\/a> en collaboration avec Patrick R\u00e9rat (professeur \u00e0 l\u2019IGD) et St\u00e9phane Bolognini (chef de section au service de mobilit\u00e9 de la Ville de Lausanne). Ce projet vise \u00e0 d\u00e9terminer les comportements des cyclistes, suite \u00e0 l\u2019introduction de la possibilit\u00e9 de tourner \u00e0 droite \u00e0 certains feux rouges. Plusieurs cam\u00e9ras dispos\u00e9es \u00e0 des carrefours avec et sans cette option pour analyser le comportement des cyclistes : utilisent-ils cette possibilit\u00e9 ou non ? Si oui comment le font-ils ? Si non quelles sont leur r\u00e9ticences \u00e0 le faire etc.. Dans le cadre de ce projet le deep-learning servira au traitement automatique des donn\u00e9es transmises par les cam\u00e9ras.Le groupe du CIMA (secteur \u00ab Gestion des risques d\u2019incendie et conservation des for\u00eats \u00bb) avait con\u00e7u un mod\u00e8le d\u00e9terministe tr\u00e8s sophistiqu\u00e9 qu\u2019ils souhaitaient comparer aux mod\u00e8les int\u00e9grant le machine learning<\/em>. Les deux approches ont pu \u00eatre compar\u00e9es sur la base de 80% des donn\u00e9es existantes, en faisant des projections sur un 20% des donn\u00e9e ind\u00e9pendantes. Le mod\u00e8le bas\u00e9 sur l\u2019AI a obtenu des r\u00e9sultats bien meilleurs que le mod\u00e8le d\u00e9terministe plus \u00ab classique \u00bb. Marj Tonini nous indique que suite \u00e0 ces r\u00e9sultats \u00ab le mod\u00e8le a finalement \u00e9t\u00e9 adopt\u00e9 comme standard pour la cartographie du risque incendie \u00e9labor\u00e9e au niveau locale et europ\u00e9en par le centre CIMA<\/em> \u00bb.<\/p>\n\n\n\n

\n
Plus d’infos<\/a><\/div>\n<\/div>\n\n\n\n
\n
\n\n\n\n
\n
\n
\n

Dr. Christian Kaiser<\/strong> est ma\u00eetre d\u2019enseignement et de recherche en g\u00e9ographie computationnelle. Il utilise l\u2019intelligence artificielle pour analyser les flux de mobilit\u00e9 urbaine en temps r\u00e9el, en collaboration avec la Ville de Lausanne, afin d\u2019am\u00e9liorer la planification urbaine et les politiques de mobilit\u00e9.<\/strong><\/strong><\/p>\n\n\n\n

Facult\u00e9 des g\u00e9osciences et de l\u2019environnement<\/strong><\/p>\n\n\n\n

\n
Profil<\/a><\/div>\n\n\n\n
Publications<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\"ck<\/figure>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Reconna\u00eetre un cycliste, suivre un pi\u00e9ton, analyser un carrefour \u2026 Christian Kaiser utilise le deep learning pour cartographier la mobilit\u00e9 tout en pr\u00e9servant la vie priv\u00e9e.<\/p>\n","protected":false},"author":1002618,"featured_media":3247,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":{"0":"post-728","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-recherche"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/728","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/1002618"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=728"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/728\/revisions"}],"predecessor-version":[{"id":2569,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/728\/revisions\/2569"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/3247"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=728"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=728"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=728"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}