1. SmartPark
Elaboré par:
Sadok LADHARI
Encadrants:
Prof. Dr. Yassin Aziz REKIK
Dr. Riadh TÉBOURBI
Cycle de formation des ingénieurs en
Télécommunications
Option : Cyber Security and Defense
Projet de fin d’études
Année universitaire : 2015-2016
4. SmartPark – HEPIA Genève
Introduction
CONGESTION DU TRAFIC
4
Problème critique à l'échelle
mondiale
Recherche prolongée d’une place de
stationnement libre.
La perte de temps et de carburant
10. SmartPark – HEPIA Genève
TRAVAIL DEMANDÉ
AMÉLIORATION DE LA SOLUTION EXISTANTE
10
Collaboration afin d’optimiser et améliorer la solution existante:
•Minimiser le coût de la solution, par analyse des zones de stationnements similaires
Prédire la disponibilité des places de stationnement :
Conception et développement d’un système d’information de stationnement
intelligent.
Développement d’un service web pour afficher et prédire la disponibilité des
places de stationnement
11. SmartPark – HEPIA Genève
TRAVAIL DEMANDÉ
DONNÉES DISPONIBLES
11
L’OPEN DATA de Genève fourni des données géographiques
et des services web en libre accès.
Localisation des places de stationnement sur voirie
Localisation et niveau de disponibilité des places de
stationnement hors voirie
Besoin de simuler les horodateurs/ les capteurs.
Afficher les états des places de stationnement en temps réel.
Remplacer la simulation par les données réels après avoir un
accès aux services web.
16. SmartPark – HEPIA Genève
Conception
DIAGRAMME DES CAS D'UTILISATION
16
17. SmartPark – HEPIA Genève
Conception
ARCHITECTURE DU SYSTÈME D’INFORMATION
17
18. Réalisation
Collecte et préparation des données
Simulation des horodateurs
Publication des services web géographiques
Développement d’un service web de prédiction
19. SmartPark – HEPIA Genève
Réalisation
COLLECTE ET PRÉPARATION DES DONNÉES
19
Données collectées (hors voirie) de l’Open Data
Préparation des données simulées (sur voirie)
20. SmartPark – HEPIA Genève
Réalisation
SIMULATION DES HORODATEURS
20
La simulation des horodateurs et les services utilisés
21. SmartPark – HEPIA Genève
Réalisation
SIMULATION DES HORODATEURS
21
Fichier de simulation
ArcGis GeoEvent Simulator
22. SmartPark – HEPIA Genève
Réalisation
SIMULATION DES HORODATEURS
22
Définition du
WebSocket
Test de la
simulation
23. SmartPark – HEPIA Genève
Réalisation
PUBLICATION DES SERVICES WEB GÉOGRAPHIQUES DANS ARCGIS SERVER
23
Publication des services web et création de la base de
données spatiale avec ArcMap
24. SmartPark – HEPIA Genève
Réalisation
PUBLICATION DES SERVICES WEB GÉOGRAPHIQUES DANS ARCGIS SERVER
24
Test des services web déployés dans une interface web avec l’API ArcGis Js
25. SmartPark – HEPIA Genève
Réalisation
DÉVELOPPEMENT D’UN SERVICE WEB DE PRÉDICTION ET GÉO-TRAITEMENT
25
Les données nécessaires à la
prédiction :
Historique de stationnement
Les conditions météorologiques
Les modes de transport
alternatives
…
Apprentissage supervisé
26. SmartPark – HEPIA Genève
Réalisation
DÉVELOPPEMENT D’UN SERVICE WEB DE PRÉDICTION ET GÉO-TRAITEMENT
26
Démarche suivie:
Préparation et analyse des données
Mode d’apprentissage
Apprentissage et évaluation du modèle
Modèle de stationnement sur voirie
Prédiction par zone
27. SmartPark – HEPIA Genève
Réalisation
PRÉPARATION DES DONNÉES
27
Historique des données sous forme JSON
29. SmartPark – HEPIA Genève
Réalisation
ANALYSE DES DONNÉES
29
Évolution de la disponibilité dans le parking de « Moillesulaz » le samedi 09-07-2016
30. SmartPark – HEPIA Genève
Réalisation
ANALYSE DES DONNÉES
30
Évolution de la disponibilité dans le parking de « Moillesulaz » pendant la 1er
semaine de Juillet
Dimanche
Samedi
Du Lundi
au
Vendredi
32. SmartPark – HEPIA Genève
Réalisation
APPRENTISSAGE ET ÉVALUATION DU MODÈLE
32
Pourcentage de prédiction correcte des modèles
Modèles
Nature de prédiction
Nombre
de places
Etat de disponibilité
(3 classes)
K plus proches voisins (KNN) 20% 79%
Machines à vecteurs de support (SVM) 11% 76%
Réseau de neurones (NN) 25% 85%
Les 3 classes utilisés sont : Parking complet, Parking dense, Parking libre
Un autre choix de prédiction : avec les intervalles de disponibilité
Clustering : 7 Classes
La méthode d’évaluation est la méthode de validation croisée (Cross validation)
33. SmartPark – HEPIA Genève
Réalisation
MODÈLE DE STATIONNEMENT SUR VOIRIE
33
Les lots de parking remplacent les parkings couverts
Lots de faible densité des places de parking (16 max)
Amélioration de prédiction de disponibilité
34. SmartPark – HEPIA Genève
Réalisation
PRÉDICTION PAR ZONE
34
Test du service web de prédiction par zone Création d’une couche de données de
stationnement par zone
Pourcentage de
disponibilité de
stationnement sur
voirie
Place de
stationnement
hors voirie
35. SmartPark – HEPIA Genève
Réalisation
PRÉDICTION PAR ZONE
35
Modèles Pourcentage de prédiction correcte
K plus proches voisins 74%
Machines à vecteurs de support 78%
Réseau de neurones 81%
Pourcentage de prédiction correcte des modèles
Création d’une DataSet des zones de stationnement à partir de l’ancienne DataSet.
36. SmartPark – HEPIA Genève
Réalisation
PRÉDICTION PAR ZONE
36
Test du service web de prédiction par zone
Pourcentage de
disponibilité de
stationnement sur
voirie
0-20 %
21-42 %
43-63 %
64-83 %
84-100 %
Pourcentage de
disponibilité de
stationnement
hors voirie
37. SmartPark – HEPIA Genève
Réalisation
DÉVELOPPEMENT D’UN SERVICE WEB DE PRÉDICTION
37
38. Conclusion et perspectives
Mise en application des connaissances théoriques et pratiques
Complexité du projet
Insuffisance des données
Accès limités
Prototype de prédiction simplifié
Amélioration du modèle de prédiction
Utilisation d’un système d’information distribué
Merci madame le president de jury , les membres honorables bonjour, j’ai l’honneur de vous présenter mon pfe inutile smartpark , qui a été élaboré à l’haute ecole du paysage ,d’ingenierie et d’architecture de geneve sous l’encadrement de ….
Alors le plan de cette presentation est le suivant : tout d’abord je vais commencé par l’introduction du projet après je citerai le contexte général ensuite la conception et l’architecture puis par les diferentes etapes de la réalisation et on fini par une conclusion et des perspectives
Commençant par l’introduction
Vous savez très bien que la congestion du trafic est considéré comme étant un problème critique à l'échelle mondiale et qu’il a connu une croissance exponentielle ces dernières années.
L’un des causes majeur de ce problème est la recherche prolongée d’une place de stationnement libre ce qui est considérer comme une perte de temps et de carburant.
Cette problématique nous encourage a mettre en question l’efficacité des systèmes de gestion de stationnement existant ?
Plus particuliérement on va mettre l’accent sur les systemes de gestion de stationnement de genève dans la partie suivante.
Plus particuliérement on va mettre l’accent sur les systemes de gestion de stationnement de genève dans la partie suivante.
C’est pour cette raison que le canton de généve a mis plusieurs stratégies et procédure de gestion de stationnement afin de réduire cette congestion et fluidifier le trafic
C’est ce que je vais présenter dans la deuxième partie de cette présentation ainsi que l’etude de l’existant et le travail demandé
Afin de garantir les fonctions économiques, commerciales, touristiques dans la commune de Genève plusieurs mesures pour organiser et gérer le stationnement ont été faite notamment:
La Tarification et la Limitation temporelle de parking vise à favoriser le stationnement de courte durée
Zones a macaron permettant aux habitants et aux entreprises de stationner sur les zones de stationnement de leur secteur pour une durée illimitée.
Les parking relais ayant pour but d’inciter les pendulaires à utiliser les transports publics pour aller au centre ville.
Enfin les agents de contrôle qui vérifie les véhicules dépassant le temps de stationnement autorisé
zone bleue gratuite
zone blanche payante
Et dans le but d’améliorer la qualité et l'attractivité des places des centres urbains une partie des voies publiques a été libéré et remplacé par d’autres usages comme les pistes cyclables, arrêts de bus
Les places supprimées sont compensées par d’autres places dans les parking souterrains (55% des espaces souterrains sont des parkings)
Ce qui va diminuer le nbr de places sur voirie
Pour trouver un compromis, et de maximiser le taux de rotation des véhicules un système de stationnement intelligent s'avère nécessaire
Tout d’abord on doit définir c koi un système de stationnement intelligent
Le système de stationnement intelligent est composé de plusieurs capteurs de détection de véhicule installés dans chaque place de stationnement, ces capteurs vont transmettre leurs données d’occupation vers un système d’information .
une application mobile connecté au ce SI permet de guider les automobilistes vers les places libres
Ce qui permet à l’utilisateur de gagner du temps en trouvant aisément une place vacante par la détection des véhicules en temps réel donc une maximisation du taux de rotation.
Ensuite ce stationnement intelligent va réduire le trafic au centre urbain , puisque 30% des véhicules sont à la recherche des places de parking, aussi ce système va réduire le nombre d’agents de contrôle de stationnement donc d’augmenter la recette
L’implémentation de ce système a été lancé par la Fondation des Parkings en janvier 2015 à Genève.
Pendant la première phase du projet , 16 capteurs ont été déployés par l’entreprise genevoise IEM à fin de tester la solution et d’évaluer la possibilité de développer ce projet dans tout le canton.
La communication des données est effectuée grâce à la technologie LoRa,
D’un coté Le portail operateur permet de détecter le dépassement de temps de stationnement autorisé. D’un autre coté le portail usager permet de guider les automobilistes vers places vacantes.
qui permet de transférer l’état d’occupation des places de stationnement vers le système d’information.
C’est dans le cadre de l’optimisation de ce système intelligent une collaboration entre l’entreprise IEM et HEPIA a été faite.
L’optimisation consiste à réduire principalement le cout du projet. Cette optimisation est composé de 2 grande parties:
Premièrement, l’analyse et le groupement des zones similaires (même densité de population, disponibilité des services administratifs …)
Deuxièmement l’utilisation des données de disponibilité d’une zone, pour en déduire la disponibilité de la zone qui lui est similaire en utilisant une prédiction. @oneToMany
Cette tache de prédiction m’a été accordé dans le cadre de ce PFE :
Le travail demandé alors consite à faire la Conception et développement d’un système d’information qui permet la collecte et la gestion des données pour la tache de prédiction.
Enfin le développement d’un service web d’affichge des etats de disponibilité et de prédiction
(analyse géographique,...)
dans les zones non équipés d’horodateurs/capteurs
permettant le stockage, analyse et affichage des données géographiques
Les données qu’on veut collectés se trouvent dans l’opendata sous 2 formes : l’information de localisation (shapefile) et la disponibilité des places de stationnement sous forme de services web.
Malheuresement on n’ a pas pu acceder a tous les services web plus precisement les données de disponibilités des sur voirie (prob de collaboration)
Donc on doit simuler ces données pour afficher tous les états des places de stationnement(sur et hors) en temps réel, puis on va remplacer la simulation par les services web dés qu’on aura l’accès.
le système d'information du territoire à Genève sitg
(10% sont disponibles)
Decembre 2016
Voici un exemples des données spatiales disponibles qui sont publiés sur l’open data par le système d’information du teritoire de geneve
Et voici les données de disponibilité des parking hors voirie gérer par la fondation des parking.
Ces données sont réactualisées toutes les 5 minutes
Le SI qu’on souhaite developpée doit être capable de collecté les données provenant des horodateurs ou capteurs et bien sur les services web de l’opendata
Ce SI doit pouvoir ainsi prédire la ….
Afficher les etats des place
Recevoir en temps réel les notifications ou les nouvelles données de disponibilité suite au changement d’etat
Et il doit s’authentifier avant tout faire
La frequence de l‘envoie des requetes est de l’ordre de 5min
(10% sont disponibles)
Puis nous avons utilisé la simulation pour mettre a jour ces attributs a l’aide du service wfs
Puis on a creé un websocket pour diffusé les données simulés au clients connecté en mode push server a fin de minimiser l’intorragation du serveur
Puisque ce projet est un prototype on a créer des données aléatoires dans un fichier csv pour envoyer ces données simulé a l’arcgis geoevent afin
Afin de créer un websocket et diffuser les données dedans
Après on créer la base de données spatiale a laide d’arcmap pour pouvoir publier les couches de données sous forme de services web WFS
L’indexation spatiale
Types de données spatiales point , ligne
Les fonctions spatiales (sql)
Dans le prochaine étpae on a juste tester les services publiés par l’api arcgis JS
Passant a l’etape de l’apprentissage automatique et developement du service de prediction, on choisie l’apprentissage supervisé puisque nos données possendent des labels
Comme j’ai déjà les donnes nec …. Mais comme on a pas des données prepapré pour le cas de stationnement on juste utilisé l’historique de stationnement
Les labels dans notre cas le nombre de places libre / l’etat de disponibilité
La démarche suivie est la suivante
En premier lieu on a collecté les données de disponibilité sous forme JSON a partir de la base de données MongoDB puis on a éliminer les donnes redondantes et les données fausses
Ensuite on a converti les données sous forme des listes et on a selectionnée les attributs qu’on utilisé , on a passé par l’etape de normalisation de données pour les algorithmes choisis peuvent faire l’apprentissage
On a utilisé dans l’apprentissage 24 000 d’exemples collectés dans 3 mois , sous cette forme : 5 caractéristiques et 2 labels
Dans la partie analyse des données on a voulu voir de proche les données ,(logique ou pas ) et vérifier l’existence d’un modèle simple , donc on a afficher l’evolution
Dans ce schema on a afficher l’evolution de la disponibilité durant toute une semaine , voici les données du dimanche celle la du samedi et cella du lundi au vendredi
Pour faire de l’apprentissage automatique on a choisie le mode hors ligne puisque on a remarqué que la partie entrainement du modèle consomme beacoup de ressources physique en terme de mémoire et du temps aussi
Après apprentissage des algorthmes knn et svm et reseau de neurone qu »on a choisie suite a une recherche faite au stanford on a évaluer le précision de l’algorithme par la méthode validation croisée qui a montré que l’algorithme reseau de neurones est le plus performant en terme de precision mais moins performant en terme de temps de calcule
Temps d’apprentissage KNN-> SVM -> NN
Les intervalles de disponibilité les plus utilisés
Les nbr de places => les gestionnaires de parking ( 1place != 2 places)
Etat de disponibilité => pour les automobilistes ( libre ou occupé )
Même démarche dans le cas du stationnement sur voirie
Temps d’apprentissage KNN-> SVM -> NN
analogie
Temps d’apprentissage KNN-> SVM -> NN
Pour conclure , j’ai mis en application mes connaissances théoriques et pratiques a fin de concevoir et développé ce projet, j’ai pu trouver des solutions aux problèmes rencontrés tout le long de ce projet
Pour les perspectives : Le prototype de prédiction est un prototype simplifié vu le manque des données météorologiques, de trafic , des evenements,
Je suis en cours de passation du projet a un autre collègue qui va prendre en charge l’amelioration et l’enrichissement du modele de prediction sous un système distribué plus performant
analogie