Dans les grandes villes canadiennes, les automobilistes passent 40, 50, voire 60 heures par année dans les bouchons, selon le tableau de bord du trafic mondial de 2023 dressé par INRIX (en anglais seulement). Or, les conséquences vont bien au-delà de la frustration ressentie au volant.
À Toronto, ville classée parmi les pires d’Amérique du Nord en matière de circulation, les embouteillages coûtent des milliards de dollars (en anglais seulement) annuellement en perte de temps et de carburant. Ils font grimper le coût des marchandises et provoquent davantage de collisions (en anglais seulement). De plus, les bouchons augmentent de 200 % (en anglais seulement) la quantité d’émissions de gaz à effet de serre par rapport à une circulation fluide. Enfin, ils génèrent davantage de pollution atmosphérique, ce qui contribue à toutes sortes de problèmes de santé, depuis l’asthme jusqu’aux maladies cardiaques.
En tant que codirecteur du laboratoire de mobilité améliorée par l’IA de l’Université McMaster (en anglais seulement), Hao Yang se tourne vers l’intelligence artificielle pour trouver des solutions à ce problème. « Nous voulons résorber les embouteillages et fluidifier l’ensemble du réseau routier », explique l’ingénieur en transports.
Prévoir les bouchons avant qu’ils ne se forment et ce, grâce à l’IA
À l’heure actuelle, des applications telles que Google Maps utilisent les données des téléphones intelligents des automobilistes afin de donner des renseignements sur les conditions de trafic en temps réel. Or, Hao Yang souhaite anticiper les embouteillages avant qu’ils ne se forment.
C’est pourquoi son équipe élabore une plateforme alimentée par l’IA qui, à partir de données provenant de diverses sources telles que les caméras de surveillance routière, les véhicules connectés et les fournisseurs tiers, permet d’anticiper les conditions de trafic. Il s’agit notamment de prédire l’écoulement de la circulation habituelle au cours d’une journée. Il s’agit aussi de détecter les collisions, les travaux et autres entraves à la circulation et de prévoir leur incidence.
Dans un premier temps, l’équipe de recherche a modélisé le réseau de transport de la ville de Hamilton, en Ontario. Elle y a ensuite intégré des données de trafic routier, minute par minute, provenant de fournisseurs tiers, puis simulé divers incidents routiers afin de former ses modèles d’apprentissage automatique.
La réalisation de ces simulations rigoureuses à l’échelle d’une ville nécessite une puissance de calcul considérable afin de mesurer l’incidence de l’ensemble des facteurs, des conditions météorologiques aux comportements des piétons, en passant par le caractère aléatoire des habitudes de conduite des êtres humains. C’est là qu’un serveur d’IA financé par la FCI et un simulateur de circulation de pointe se sont avérés indispensables, puisqu’ils ont permis à l’équipe de Hao Yang de recueillir et d’analyser d’énormes quantités de données complexes.
« Le système de transport est très compliqué, explique Hao Yang. C’est très difficile de modéliser les répercussions d’un incident qui se produit à un endroit donné sur les zones avoisinantes et l’ensemble du réseau. »
Des systèmes de transport plus intelligents, plus sûrs et plus fluides
Bien que chaque ville présente des conditions uniques, Hao Yang vise à développer un ensemble d’algorithmes d’IA pouvant être appliqué partout dans le monde afin d’optimiser l’écoulement de la circulation. Ainsi, la plateforme est déjà utilisée à Melbourne, en Australie.
Les données ainsi obtenues peuvent ensuite être utilisées en vue d’améliorer la gestion du trafic de diverses manières, par exemple en réglant les feux de circulation aux carrefours ou en mettant à jour les panneaux d’affichage numérique sur l’autoroute. La plateforme pourrait également émettre des alertes et suggérer des itinéraires aux automobilistes connectés, afin de leur permettre d’éviter les bouchons qui se forment sur leur route.
Toutefois, Hao Yang estime que l’incidence la plus importante se concrétisera lorsqu’une masse critique de véhicules sera dotée de capacités autonomes leur permettant de traiter des données alimentées par l’IA. À ce stade, les véhicules pourront ajuster en une fraction de seconde leur itinéraire, leur vitesse ou la distance qui les sépare des autres automobilistes afin d’assurer la fluidité du trafic.
« Selon moi, il s’agit de l’un des moyens les plus efficaces d’améliorer les services de transport, affirme le chercheur. En contrôlant ou en régulant le comportement de ces véhicules, nous pouvons améliorer la mobilité sur l’ensemble du réseau. »
La modélisation des systèmes de transport nécessite une importante puissance de calcul. Sans le financement de la FCI, nous ne pourrions pas réaliser ces études à l’échelle d’une ville. »
– Hao Yang, Université McMaster
