Continuous Learning and Cooperative Prediction Based on Adaptive Multi-Agent System Applied for Traffic Dynamics Prediction - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2024

Continuous Learning and Cooperative Prediction Based on Adaptive Multi-Agent System Applied for Traffic Dynamics Prediction

Apprentissage continu et prédiction coopérative basés sur les systèmes de multi-agents adaptatifs appliqués à la prévision de la dynamique du trafic

Résumé

Rapid advances in hardware, software, and communication technologies of transportation systems have come up with both promising opportunities and significant challenges for human society. Along with improving transportation quality, the increase in vehicles has led to frequent traffic congestion, especially in big cities at peak hours. Traffic congestion leads to numerous consequences for the economic cost, environment, human mental health, and traffic safety. Thus, predicting traffic dynamics towards anticipating the appearance of traffic congestion is an important task, helping to prevent and mitigate disrupted traffic situations, as well as dangerous collisions at the end of a jam’s queue. Nowadays, advances in Intelligent Transportation Systems (ITS) technologies have brought diverse and large-scale traffic data sets that are continuously collected and transferred between devices as real-time data streams. Consequently, many Intelligent Transportation Systems (ITS) services have been developed based on Big Data Analytics, including traffic prediction. However, traffic contains many varied and unpredictable factors that make modeling, analyzing, and learning historical traffic evolution challenging. Thus, our proposed system aims to fulfill five following components for a traffic prediction system: temporal analysis, spatial analysis, interpretability, streaming analysis, and multiple data scale adaptability to capture historical traffic patterns from traffic data streams, provide the explicit explanation of input-output causality and enable different applications with various scenarios. To achieve the mentioned objectives, we propose an agent model based on dynamic clustering and adaptive multi-agent system theory to provide continuous learning and cooperative prediction mechanisms. The proposed agent model comprises two interdependent processes functioning in parallel: local continuous learning and cooperative prediction. The learning process aims to detect, at the agent level, different representative states from the received data streams. Based on dynamic clustering, this process enables continuous updates of the learned database of the representative states adapting to new data. Simultaneously, the prediction process leverages the learned database from the learning process, aiming at estimating the future potential states that can be observed. This process takes into account the spatial dependency analysis by integrating the cooperation between the agents and their neighborhood. The interactions between agents are designed based on the Adaptive Multi-Agent System (AMAS) theory with the set of self-adaptation mechanisms including self-organization, self- correction and self-evolution, allowing the system to avoid perturbations, manage the prediction quality and take into account the newly learned information in the prediction calculation. The conducted experiments in the context of traffic dynamics prediction evaluate the system on both generated and real-world data sets in various data scales and scenarios. The obtained results have shown the outperformance of our proposal compared to the baselines when traffic data expresses high variations. Moreover, the same conclusions drawn from different study cases enhance the system’s ability for multi-scale applications.
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.
Fichier principal
Vignette du fichier
2024TLSES043.pdf (4.1 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04680090 , version 1 (28-08-2024)

Identifiants

  • HAL Id : tel-04680090 , version 1

Citer

Ha-Nhi Ngo. Continuous Learning and Cooperative Prediction Based on Adaptive Multi-Agent System Applied for Traffic Dynamics Prediction. Artificial Intelligence [cs.AI]. Université de Toulouse, 2024. English. ⟨NNT : 2024TLSES043⟩. ⟨tel-04680090⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More