Large scale urban transport control for enhanced resilience : Analysis via complex networks, artificial intelligence and Big Data processing
Contrôle sur un réseau de transport à large échelle pour une résilience accrue : analyses via des réseaux complexes, de l'intelligence artificielle et des calculs Big Data
Résumé
The growth of population inside urban areas has become a major issue for transportation systems. The economic and social development of modern cities relies on the efficiency and reliability of transportation systems. The latter has thus become a major research challenge involving multiple disciplines, related to urban activities. Old infrastructures and their limited capacity make cities more and more vulnerable to unpredictable events and increasing demand and congestions. Over the past decades, congestions have become a major issue for road networks. Solutions to improve traffic conditions, in terms of health, security and traffic management are more precise, embracing the generalized use of Artificial Intelligence, jointly with Big Data technologies for data collection, storage and computing. Moreover, traffic simulations are now based on various data sources and more accurate information to better reproduce traffic dynamics and travelers' behaviors. However, analyzing such complex data in a large scale context is still a significant research challenge requiring solutions based on agent-based modelling, distribution and parallelization. Moreover, the characterization and modelling of transport vulnerabilities for improving human mobility is still at early stages of research. To prevent congestion and identify vulnerable locations (areas or sections) where failures would have high cost consequences, two types of vulnerability analyses are most common in the domain of transport: dynamic system-based, and static topological based, both studied in this thesis. The first approach is the dynamic system-based representation, simulating travelers, their trips and the infrastructure over a given period of time, enhanced by the large volume of data now collected. The second approach is a topological analysis based on graph theory and static topological considerations. To reduce vulnerability inside road networks, we propose in this thesis a control strategy that dynamically identifies and recommends new routes to drivers for congestion avoidance. Our strategy relies on a hierarchical cooperative multi-agent algorithm. Road infrastructures and vehicles are modeled as agents and dynamically react to traffic conditions. This control strategy enables congestion avoidance or a reduction of the congestion duration. We take into consideration drivers behaviours to find a balance between system performance improvement and individual travel choices, as well as privacy constraints that are now necessary for realistic applications. We prove the robustness of our approach by testing it on different demand scenarios and show that identifying critical spots of the network improves our strategy. To identify such vulnerable spots, our solution integrates the computation of Betweenness Centrality (BC), a metric usually studied with topological approaches. It is indeed quite unusual to include BC in dynamic congestion avoidance approaches whereas the BC is a popular metric in many domains for critical spot identification in static graph analysis. This is due to the high computation time and the difficulty of computing it on large graphs in a context of real-time applications. This second problem of BC computation for static vulnerability analysis is addressed in this thesis with a distributed algorithm for the exact and fast BC computation developed for large graphs. We provide mathematical proofs of our algorithm exactness and show its high scalability, in an optimized framework for parallel computation. Through distributed approaches, we can design a robust solution based on a combination of control and topological study to dynamically reduce vulnerability inside cities in a real-time context. The proposed solution for computation of BC on large-scale graphs can be extended for real-time computation on time-varying weighted graphs and further enhance our control solution based on dynamic vulnerability detection of road networks.
La croissance de la population urbaine est devenue un enjeu majeur des systèmes de transport. Le développement économique et social des villes modernes repose sur l'efficacité et la fiabilité de ces systèmes. Les transports sont donc un défi crucial touchant plusieurs domaines liés à l'activité des villes. L'ancienneté de certaines infrastructures et leur capacité d'accueil limitée rendent les villes plus vulnérables aux événements imprévisibles et à une demande et des embouteillages croissants. Les solutions améliorant les conditions de transport (santé, sécurité, gestion du trafic) sont de plus en plus précises, grâce à l'usage généralisé de l'IA, et au développement des technologies Big Data de stockage, détection, communication et calcul. Les simulations de trafic sont maintenant basées sur des sources de données variées et de l'information plus précise pour mieux reproduire les dynamiques de trafic et le comportement des utilisateurs. L'analyse de telles données complexes et volumineuses reste cependant un défi qui requiert des solutions comme le calcul distribué, les modélisations multi-agent et la parallélisation, l'étude de la caractérisation et de la modélisation des vulnérabilités des réseaux de transport améliorant la mobilité urbaine n'étant encore qu'à ses débuts. Pour prévenir les congestions et identifier les endroits vulnérables du réseau où les défaillances (congestions, inaccessibilité) auraient d'importantes conséquences, deux types d'analyse de vulnérabilité sont courantes dans le domaine du transport : une analyse dynamique basée sur la modélisation des systèmes, et une analyse statique basée sur la topologie des réseaux, toutes deux étudiées dans cette thèse. La première approche encouragée par le volume et la qualité des données collectées simule dynamiquement voyageurs, trajets et infrastructures de transport sur une période de temps. La deuxième approche est basée sur la théorie des graphes et des considérations statiques de topologie. Dans ce contexte, nous proposons d'abord une stratégie de contrôle recommandant dynamiquement de nouvelles routes aux conducteurs pour éviter la création de congestions et ainsi réduire la vulnérabilité des réseaux urbains. Notre stratégie repose sur un algorithme multi-agent de coopération hiérarchique où le réseau routier et les véhicules sont modélisés comme des agents, réagissant en temps réel aux conditions de trafic. Cette stratégie de contrôle permet une diminution de création de congestion ou une réduction de la durée des embouteillages. Nous prenons en considération le comportement des conducteurs pour trouver un équilibre entre les performances du système et les préférences individuelles ainsi que les contraintes liées à la protection des données. Nous montrons la robustesse de notre approche en la testant sur différents scénarios de demande et nous montrons que l'identification des noeuds vulnérables du réseau améliore la qualité de notre stratégie. Nous identifions ces noeuds grâce à la Betweenness Centrality (BC), mesure de résilience en analyse topologique de vulnérabilité rarement incluse dans les approches dynamiques alors qu'utilisée dans de nombreux domaines. Cela est dû à la difficulté de calculer la BC dans un contexte temps réel sur de grands réseaux statiques. Ce problème de calcul est étudié dans un deuxième temps avec un algorithme distribué de calcul exact et rapide de BC sur grands graphes. Nous apportons les preuves mathématiques de l'exactitude de la BC calculée ainsi et montrons que dans un contexte de calcul distribué cette approche est scalable. Notre solution de réduction dynamique de vulnérabilité d'un réseau urbain via du contrôle combiné à une étude topologique est robuste et fonctionne dans un contexte de temps réel. La solution proposée pour calculer la BC sur de grands graphes peut être étendue pour du calcul temps réel sur graphes pondérés et ainsi compléter la solution de contrôle via de la détection dynamique de vulnérabilité.
Domaines
Intelligence artificielle [cs.AI]| Origine | Version validée par le jury (STAR) |
|---|