Une infrastructure hybride de Cloud Computing pour l'optimisation des VANET
Une infrastructure hybride de Cloud Computing pour l'optimisation des VANET
Résumé
L’évolution de la technologie des dispositifs intelligents et l’évolution des capacités Internet
font que les réseaux de véhicules ad hoc (VANET) convergent vers le paradigme Cloud
Computing Véhiculaire (CCV). A la lumière de cette convergence, de nombreuses applications
innovantes émergent pour améliorer le routage des véhicules, atténuer la congestion du trafic
grâce à un calcul efficace des données statiques. Pour atteindre le niveau de fiabilité souhaité,
ces applications reposent sur l’utilisation instantanée de centres de données distantes, et des
ressources de véhicules inutilisables afin d’assurer des prestations de stockage, de calcul et
de communication. Les ressources véhiculaires inopérables peuvent être localisées dans les
parkings, les aéroports et les autoroutes.
En période de pointe, la capacité de la route peut être dépassée, car le nombre de demandes
pour traverser des sections ou tronçon de route est assez important, ce qui ralentit la vitesse de
circulation. Dans de telles conditions où le trafic présente un encombrement, le diagramme
macroscopique fondamental (MFD) des modèles de flux de trafic présente une corrélation
non linéaire entre les données de flux de trafic et la capacité routière. La faible corrélation
prolongera l’heure prévue d’arrivée du conducteur vers sa destination, rendant ainsi la
prévision du processus de flux de trafic plus complexe. Sur la base de cette tendance, la solution
la plus fiable pour la planification routière à long terme serait une meilleure utilisation de la
capacité routière plutôt que l’extension de la capacité des routes existantes. Cette solution
améliorera la fluidité de la circulation qui est affectée par l’état actuel des routes (i.e., les
panneaux d’arrêt et les passages pour piétons) et réduira le coût de la congestion afin de
minimiser la perte de temps aux heures de pointe.
Dans cette thèse, nous nous intéressons à l’amélioration des modèles de circulation
automobile dans des situations d’encombrement. Tout d’abord, sur la base de données de
trafic empirique, nous adaptons un modèle d’interaction entre les paramètres de trafic en
utilisant un modèle de classification binaire (régression logistique). Le modèle prédit la
probabilité d’incidents entrants sur la route en cas de ralentissement soudain de la vitesse.
Pour justifier la pertinence et la qualité de la classification, notre modèle est soumis à plusieurs
tests statistiques. Les résultats des tests montrent qu’il existe plusieurs interactions entre les
paramètres de trafic permettant d’interpréter précisément le phénomène de congestion.
Ensuite, nous nous concentrerons sur la dérivation d’une nouvelle fonction d’apprentissage
à base d’intégrale floue pour prédire des informations de trafic fiables et efficaces en temps
réel. Les données d’apprentissage sont collectées à partir de sources de trafic multiples telles
que les détecteurs de trafic, les données échangées entre les véhicules en temps réel et les
données historiques du trafic. Le modèle proposé permet de modéliser les interactions entre
les variables de trafic sauvegardées dans ces sources. Enfin, nous intégrerons la fonction de
prédiction proposée dans notre couche VANET-Cloud, qui comprend à son tour deux types de
services de trafic : les services potentiels (services à la demande) et les services automatiques.
De toute évidence, l’objectif est de concevoir un modèle de livraison élastique pour prendre en
charge de nombreuses fonctionnalités en termes de prédiction et de notification.
L’évolution de la technologie des dispositifs intelligents et l’évolution des capacités Internet
font que les réseaux de véhicules ad hoc (VANET) convergent vers le paradigme Cloud
Computing Véhiculaire (CCV). A la lumière de cette convergence, de nombreuses applications
innovantes émergent pour améliorer le routage des véhicules, atténuer la congestion du trafic
grâce à un calcul efficace des données statiques. Pour atteindre le niveau de fiabilité souhaité,
ces applications reposent sur l’utilisation instantanée de centres de données distantes, et des
ressources de véhicules inutilisables afin d’assurer des prestations de stockage, de calcul et
de communication. Les ressources véhiculaires inopérables peuvent être localisées dans les
parkings, les aéroports et les autoroutes.
En période de pointe, la capacité de la route peut être dépassée, car le nombre de demandes
pour traverser des sections ou tronçon de route est assez important, ce qui ralentit la vitesse de
circulation. Dans de telles conditions où le trafic présente un encombrement, le diagramme
macroscopique fondamental (MFD) des modèles de flux de trafic présente une corrélation
non linéaire entre les données de flux de trafic et la capacité routière. La faible corrélation
prolongera l’heure prévue d’arrivée du conducteur vers sa destination, rendant ainsi la
prévision du processus de flux de trafic plus complexe. Sur la base de cette tendance, la solution
la plus fiable pour la planification routière à long terme serait une meilleure utilisation de la
capacité routière plutôt que l’extension de la capacité des routes existantes. Cette solution
améliorera la fluidité de la circulation qui est affectée par l’état actuel des routes (i.e., les
panneaux d’arrêt et les passages pour piétons) et réduira le coût de la congestion afin de
minimiser la perte de temps aux heures de pointe.
Dans cette thèse, nous nous intéressons à l’amélioration des modèles de circulation
automobile dans des situations d’encombrement. Tout d’abord, sur la base de données de
trafic empirique, nous adaptons un modèle d’interaction entre les paramètres de trafic en
utilisant un modèle de classification binaire (régression logistique). Le modèle prédit la
probabilité d’incidents entrants sur la route en cas de ralentissement soudain de la vitesse.
Pour justifier la pertinence et la qualité de la classification, notre modèle est soumis à plusieurs
tests statistiques. Les résultats des tests montrent qu’il existe plusieurs interactions entre les
paramètres de trafic permettant d’interpréter précisément le phénomène de congestion.
Ensuite, nous nous concentrerons sur la dérivation d’une nouvelle fonction d’apprentissage
à base d’intégrale floue pour prédire des informations de trafic fiables et efficaces en temps
réel. Les données d’apprentissage sont collectées à partir de sources de trafic multiples telles
que les détecteurs de trafic, les données échangées entre les véhicules en temps réel et les
données historiques du trafic. Le modèle proposé permet de modéliser les interactions entre
les variables de trafic sauvegardées dans ces sources. Enfin, nous intégrerons la fonction de
prédiction proposée dans notre couche VANET-Cloud, qui comprend à son tour deux types de
services de trafic : les services potentiels (services à la demande) et les services automatiques.
De toute évidence, l’objectif est de concevoir un modèle de livraison élastique pour prendre en
charge de nombreuses fonctionnalités en termes de prédiction et de notification.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...