Titre du projet: Développement d’un système de détection et de prévision des embouteillages urbains basé sur l’apprentissage fédéré et les données multimodales intégrant des capteurs IoT et des caméras visuables

Project Abstract

Le système proposé vise à améliorer la détection et la prévision des embouteillages urbains en combinant l’apprentissage fédéré et l’analyse de données multimodales issues de capteurs IoT et de caméras visibles. L’approche fédérée permet d’entraîner des modèles locaux sur des véhicules connectés, des capteurs routiers et des postes de surveillance dispersés dans la ville, tout en conservant la confidentialité des données et en réduisant les coûts de transmission. Les données multimodales exploitées incluent des flux vidéo en temps réel, des séries temporelles de vitesse et de densité de trafic, des mesures environnementales (température, pluviométrie, niveau de pollution) et des informations dérivées des capteurs d’inclinaison et d’occupation des segments routiers. Le cadre proposé intègre des méthodes avancées d’apprentissage fédéré parfaitement adaptées aux environnements dynamiques et hétérogènes, telles que le fédéré par marquage des clients et l’agrégation adaptative de modèles avec des mécanismes de pondération contextuelle, afin de garantir une généralisation robuste à travers différents quartiers et conditions climatiques. Pour la détection en temps réel, le système combine des réseaux convolutionnels profonds pour l’analyse des flux vidéo et des réseaux récurrents ou transformer-based pour la modélisation des dépendances spatio-temporelles dans les données multi-capteurs. La prévision des embouteillages s’appuie sur des modèles prédictifs multi-variés qui anticipent les goulets d’étranglement à horizon court et moyen (2 à 15 minutes) en s’appuyant sur des signaux d’entrée tels que l’évolution des flux entrants et sortants d’un tronçon, les événements locaux (accidents, travaux), et les conditions météorologiques. Un module d’alerte adaptatif générera des recommandations opérationnelles pour les gestionnaires de trafic et des itinéraires alternatifs pour les usagers, avec des interfaces destinées aux opérateurs et aux applications mobiles. Le cadre d’évaluation repose sur des jeux de données réels collectés dans divers environnements urbains et sur des scénarios simulés, avec des métriques telles que la précision de détection des embouteillages, la MAE et MAPE pour les prévisions de trafic, le gain de confidentialité (fidelity avec les modèles centraux) et l’efficacité énergétique du système fédéré. Les résultats attendus démontrent une amélioration significative des performances de détection et de prévision par rapport à des approches centralisées et non fédérées, une meilleure robustesse face à la variabilité spatiale et temporelle, ainsi qu’une réduction des coûts de communication et des risques liés à la confidentialité des données.

Project Overview

What This Project Is About

---

This project explores how city traffic can be better understood and predicted using a mix of everyday sensors and cameras. It combines data from small devices in the street (IoT sensors) with live video feeds to detect congestion and forecast how it will change over time, using a collaborative learning approach that keeps data on local devices.

---

---

The Problem It Addresses

---

---

---

Objectives of the Project

---

1. Understand how different data sources (sensors and cameras) can be used together to assess traffic flow.
2. Implement a beginner-friendly method for federated learning to train models across devices without sharing raw data.
3. Develop simple prediction models that forecast near-term congestion levels.
4. Evaluate the approach on simulated or small-scale real-world data and compare with basic baselines.

---

---

What You Will Do Step by Step

---

1. Review basic concepts of traffic data and privacy-friendly learning.

2. Set up mock data collection from IoT sensors and camera footage in a safe, low-risk environment.

3. Build a lightweight federated learning workflow that trains locally and shares model updates.

4. Create simple traffic prediction models and test their accuracy on held-out data.

5. Analyze results, test robustness to missing data, and compare with non-federated approaches.

6. Document a practical workflow and potential deployment steps for cities.

---

---

Expected Outcome

An accessible, privacy-conscious framework that can detect and forecast urban traffic jams using mixed IoT and camera data, with clear guidance for small-scale pilots and potential city-wide expansion.