Abstract FR:

Dans cette thèse, nous présentons un processus complet permettant de passer de données brutes de trafic routier mesurées par un réseau de capteurs fixes géoréférencé à l'identification de motifs spatio-temporels aidant aux prédictions lorsque le trafic est inhabituel. Dans un premier temps, on se focalise sur la préparation des données. La question du stockage des données est étudiée par la proposition d'une architecture logicielle adaptée au contexte de masse de données spatio-temporelles. Pour réduire la dimension des données, on introduit la méthode Space Time Principal Component Analysis (STPCA) fondée sur l'application simultanée d'une analyse en composantes principales dans les dimensions spatiales et temporelles. Une adaptation de cette méthode à un ensemble de données comportant des valeurs manquantes est ensuite proposée. La définition, à partir de la loi fondamentale du trafic, d'une nouvelle variable d'état de circulation permet également de réduire la dimension en offrant une sémantique intelligible pour le trafic. L'analyse STPCA appliquée aux données d'état de circualtion permettant d'estimer très fidèlement le comportement usuel du trafic aux capteurs. Elle apporte également un très bon outil pour détecter les situations atypiques au sens de l'occurrence. Dans un contexte prévisionnel, on propose d'identifier par la combinaison de l'information mutuelle et de l'algorithme Isomap des motifs spatio-temporels de propagation de cas atypiques. Différentes validations à court et moyens termes, suite à un apprentissage des motifs sur une portion ou la totalité des données sont effectuées afin de mesurer la pertinence de ces motifs.