Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à presentation
Similaire à presentation (20)
presentation
- 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
- 2. Plan Introduction 1)Contexte général 2)Conception et architecture de la solution 3)Réalisation Conclusion et perspectives
- 3. Introduction
- 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
- 5. Contexte général Gestion de stationnement Étude de l'existant Travail demandé
- 6. SmartPark – HEPIA Genève GESTION DE STATIONNEMENT MESURES DE GESTION DU STATIONNEMENT 6 Tarification Limitation temporelle Zones à macaron Parkings relais Contrôle
- 7. SmartPark – HEPIA Genève GESTION DE STATIONNEMENT MOBILITÉ URBAINE Améliorer la qualité et l'attractivité des places des centres urbains 7
- 8. SmartPark – HEPIA Genève ÉTUDE DE L'EXISTANT LE STATIONNEMENT INTELLIGENT 8
- 9. SmartPark – HEPIA Genève ÉTUDE DE L'EXISTANT ARCHITECTURE EXISTANTE 9
- 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.
- 12. SmartPark – HEPIA Genève TRAVAIL DEMANDÉ DONNÉES DISPONIBLES 12
- 13. SmartPark – HEPIA Genève TRAVAIL DEMANDÉ DONNÉES DISPONIBLES 13 Historique des données sous forme JSON
- 14. Conception et architecture de la solution Architecture générale Diagramme des cas d'utilisation Architecture du système d’information
- 15. SmartPark – HEPIA Genève Conception ARCHITECTURE GÉNÉRALE 15
- 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
- 28. SmartPark – HEPIA Genève Réalisation PRÉPARATION DES DONNÉES 28 Création du DataSet responsable à l’apprentissage automatique Mois Jour/mois Jour/semaine Heure Minute Places Libres Etat 6 1 5 9 35 62 Libre 6 1 5 9 40 61 Libre 6 1 5 9 45 59 Libre 6 1 5 9 55 54 Dense 6 1 5 10 0 52 Dense 6 1 5 10 5 50 Dense 6 14 4 13 25 16 Complet 6 14 4 13 30 19 Dense Les caractéristiques Les labels 24k exemples utilisés : 27/05 - 03/09/2016
- 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
- 31. SmartPark – HEPIA Genève Réalisation MODE D’APPRENTISSAGE 31 Apprentissage automatique hors ligne
- 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
Notes de l'éditeur
- 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