Système optimal de gestion du trafic routier basé sur un réseau neuronal profond pour un environnement de ville intelligente fondé sur l'Internet des objets

Pourquoi un trafic plus intelligent est important pour la vie urbaine

Les embouteillages aux heures de pointe sont plus qu'une nuisance : ils gaspillent du carburant, polluent l'air, retardent les véhicules d'urgence et empiètent sur le temps passé en famille. À mesure que les villes grandissent et que le nombre de voitures augmente, les feux de circulation fixes traditionnels et les centres de contrôle manuels peinent à suivre. Cette étude explore comment des réseaux de capteurs et une forme avancée d'intelligence artificielle peuvent coopérer en temps réel pour détecter les bouchons, prévoir les problèmes et ajuster les signaux avant que la circulation ne s'arrête.

Des rues connectées à un cerveau pour le trafic

L'article étudie des villes où routes, feux de signalisation et véhicules sont reliés par « l'Internet des objets », c'est‑à‑dire qu'ils envoient en permanence des informations numériques sur la situation réelle des rues. Des capteurs et des caméras suivent le nombre de véhicules traversant un carrefour, leur vitesse, le type de véhicules, ainsi que la météo, les accidents et l'état des signaux. Plutôt que de confier l'analyse de toutes ces données à des opérateurs humains, les auteurs proposent un système d'aide à la décision automatisé capable de comprendre ces motifs et de suggérer une gestion plus intelligente des signaux et des itinéraires.

Nettoyer et choisir les bons indicateurs

Les données de trafic réelles sont désordonnées : les capteurs tombent en panne, des valeurs manquent, et différentes mesures peuvent être sur des échelles très variables. Le système commence donc par une phase de nettoyage soignée, comblant les rares lectures manquantes et remise à l'échelle de toutes les mesures pour assurer une comparaison équitable. Vient ensuite une étape cruciale : décider quelles informations permettent réellement de distinguer les différentes situations de trafic. Le modèle combine trois familles de techniques de sélection, chacune analysant les données sous un angle légèrement différent. Ensemble, elles éliminent les détails inutiles ou redondants et ne conservent que les caractéristiques qui signalent vraiment si la congestion est critique, forte, modérée ou faible, ce qui accélère aussi les traitements ultérieurs.

Comment le modèle apprend les évolutions du trafic dans le temps

Le trafic ne se réduit pas à un instantané : il évolue sur des minutes et des heures à mesure que les feux se succèdent et que le comportement des conducteurs change. Pour capter ces motifs évolutifs, les auteurs utilisent un réseau neuronal profond conçu pour les données temporelles. Ce réseau parcourt des séquences de mesures de trafic, employant des couches convolutionnelles empilées pour détecter à la fois des poussées brèves et des accumulations de congestion à plus long terme. Un mécanisme d'attention se focalise ensuite de manière sélective sur les instants les plus révélateurs de chaque séquence, permettant au système de pondérer davantage les pics ou chutes récents lorsqu'il évalue le niveau de congestion d'une route. Le résultat est une attribution claire de chaque situation à l'un des quatre niveaux de congestion, associée dans l'étude à des actions spécifiques telles que l'allongement du temps de vert ou l'activation d'itinéraires alternatifs.

Mettre le système à l'épreuve

Les chercheurs ont entraîné et évalué leur approche sur un jeu de données de trafic ouvert représentant un réseau urbain intelligent. Chaque enregistrement comprend des comptages de véhicules, des vitesses, des conditions météorologiques, des horodatages, des emplacements et des stratégies de signalisation. Pour éviter le biais lié au fait que la congestion sévère est beaucoup plus fréquente que le trafic léger dans les données, ils ont utilisé des techniques d'équilibrage et une validation rigoureuse. Sur plusieurs découpages entraînement–test, leur système a correctement classé les états de trafic dans près de 99 % des cas, surpassant une série d'autres méthodes modernes. Il a atteint ces performances tout en restant relativement léger en besoins de calcul et de mémoire, un avantage pratique pour des opérations urbaines en temps réel.

Ce que cela signifie pour les navetteurs quotidiens

Concrètement, l'étude montre qu'un système d'IA bien conçu peut jouer le rôle de conseiller rapide et fondé sur les données pour les centres de gestion du trafic, transformant les flux bruts de capteurs en actions de contrôle concrètes et opportunes. Bien que le travail actuel repose sur un jeu de données unique et ne prenne pas encore pleinement en compte des perturbations comme des travaux routiers ou de grands événements, il ouvre la voie vers un futur où feux de circulation et suggestions d'itinéraires s'adaptent en continu aux conditions changeantes. Pour l'usager moyen, cela pourrait se traduire par des trajets plus courts, des flux plus fluides et des rues plus sûres, à mesure que les villes deviennent meilleures pour écouter — et agir sur — le pouls numérique de leurs routes.

Citation: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Mots-clés: gestion intelligente du trafic, Internet des objets, apprentissage profond, villes intelligentes, prévision des congestions