FR3106112A1 - Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier - Google Patents
Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier Download PDFInfo
- Publication number
- FR3106112A1 FR3106112A1 FR2000249A FR2000249A FR3106112A1 FR 3106112 A1 FR3106112 A1 FR 3106112A1 FR 2000249 A FR2000249 A FR 2000249A FR 2000249 A FR2000249 A FR 2000249A FR 3106112 A1 FR3106112 A1 FR 3106112A1
- Authority
- FR
- France
- Prior art keywords
- segment
- weather
- prediction
- value
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000000576 coating method Methods 0.000 description 6
- 239000011248 coating agent Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
L’invention concerne un procédé et un dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment d’un réseau routier. Le procédé comprend des étapes d’obtention d’une localisation et de mesures d’une caractéristique météo de surface de la chaussée d’un segment routier sur lequel circule un véhicule de mesure, de prédiction d’une caractéristique météo de surface sur le segment routier à partir d’un historique d’observations météo et d’un premier modèle de prédiction associé au segment routier, d’association d’un second modèle de prédiction au segment routier lorsqu’un écart entre la caractéristique mesurée et la caractéristique prédite est supérieure à un seuil, et de transmission vers un véhicule d’une prédiction réalisée par l’application du modèle associé à l’historique d’observations météo. Figure 2
Description
L’invention concerne la prédiction de conditions de surface de la chaussée d’un segment routier. Elle concerne en particulier une méthode adaptative pour prédire des conditions météo de surface sur un segment routier particulier.
Art antérieur
Les conditions météo à la surface d’un réseau routier ont un impact considérable sur le comportement et la sécurité des véhicules. En effet, l’adhérence d’un véhicule à la chaussée est fortement liée aux conditions météo de surface de la chaussée, les distances de freinages pouvant être sensiblement allongées selon que la chaussée est sèche, humide, verglacée ou enneigée.
Des événements localisés, comme par exemple des plaques de verglas ou des quantités d’eau importantes peuvent également surprendre les automobilistes.
Afin de prévoir les conditions de surface et améliorer la sécurité sur les routes, différents systèmes ont été proposés.
On connait par exemple des systèmes utilisant des données météo obtenues à partir de stations météo fixes réparties sur le réseau routier pour établir une cartographique des conditions météo de surface du réseau routier. De telles stations météo comprennent par exemple des caméras ou autres capteurs adaptés pour mesurer une hauteur d’eau sur la chaussée. Ces données peuvent ainsi être transmises à d’autres véhicules circulant sur le réseau, afin d’informer des automobilistes sur d’éventuelles zones à risque.
Les investissements nécessaires à la mise en œuvre d’une telle solution, notamment le coût d’installation de stations météo sur le réseau routier, sont un frein à sa mise en œuvre. Ainsi, d’autres méthodes ont été proposées. On connaît par exemple des méthodes utilisant des modèles thermodynamiques permettant de prédire l’état de la chaussée à partir d’observations météo. De tels modèles peuvent par exemple prédire une quantité d’eau sur la chaussée ou sa température à un instant donné à partir d’un relevé des précipitations et de conditions atmosphériques telles que la température ambiante, l’ensoleillement et la vitesse du vent.
Ces techniques permettent ainsi de limiter le nombre de stations météo nécessaires sur le réseau routier. Toutefois, ces modèles thermodynamiques étant adaptés pour un type de chaussée particulier, ils peuvent s’avérer incapable d’effectuer des prédictions fiables en cas de modification des caractéristiques de la chaussée. Or, les caractéristiques d’une chaussée sont variables dans le temps: le développement de la végétation environnante, la présence de boues ou encore l’usure progressive de la chaussée peuvent par exemple avoir une influence sur le temps de séchage d’une route après une averse et rendre un modèle thermodynamique inadapté.
Ainsi, il existe un besoin pour une solution de prédiction adaptative, permettant de fournir des prédictions fiables concernant des conditions météo de surface d’un segment routier même en cas de modification locale de l’environnement.
A cet effet, il est proposé un procédé de prédiction adaptatif d’une caractéristique météo de surface d’un segment d’un réseau routier, le procédé étant tel qu’il comprend les étapes suivantes:
- Réception, en provenance d’un véhicule de mesure,
- d’une localisation du véhicule de mesure et
- d’une seconde caractéristique météo de surface du segment routier mesurée par un capteur du véhicule de mesure à ladite localisation,
- Détermination d’un segment routier sur lequel circule le premier véhicule à partir de la localisation reçue,
- Sélection, parmi une pluralité de modèles de prédiction, d’un premier modèle de prédiction associé au segment routier déterminé,
- Prédiction d’une première caractéristique météo de surface par application du premier modèle de prédiction à un historique d’observations météo obtenues pour le segment déterminé,
- Calcul d’une première valeur E1 représentative de l’écart entre la première caractéristique météo prédite pour le segment routier et la seconde caractéristique météo mesurée par le véhicule de mesure, et
- Lorsque la première valeur calculée E1 est supérieure à un premier seuil :
- Prédiction d’une seconde caractéristique météo par application d’au moins un second modèle de prédiction à l’historique d’observations météo relevées pour le segment déterminé,
- Calcul d’une seconde valeur E2 représentative de l’écart entre la caractéristique météo mesurée par le véhicule de mesure et la seconde caractéristique météo prédite,
- Lorsque la seconde valeur E2 est inférieure au la première valeur E1, association du second modèle de prédiction au segment routier,
- Transmission vers au moins un second véhicule circulant sur le segment d’une caractéristique météo de surface prédite par application du modèle de prédiction associé au segment à l’historique d’observations météo relevé sur le segment.
Chaque segment d’un réseau routier est associé à un modèle de prédiction entrainé spécifiquement pour prédire des conditions météo de surface du segment auquel il est associé. Chaque segment routier étant associé à un modèle de prédiction spécifique, selon par exemple le type de revêtement ou la topographie du lieu, le procédé permet d’obtenir des prédictions particulièrement fiables. Le procédé propose d’associer un modèle de prédiction alternatif plus pertinent lorsque les prédictions réalisées pour le segment ne correspondent pas à des observations réalisées par des véhicules de contrôle.
Lorsqu’un véhicule souhaite obtenir une prédiction météo de surface pour un segment routier sur lequel il circule, le modèle associé au segment est appliqué à un historique d’observations météo relevées pour le segment routier. De telles observations sont par exemple fournies par un service d’observations météo locales et/ou par un second véhicule circulant sur le segment.
Afin de garantir la fiabilité des prédictions, il est proposé d’évaluer la performance du modèle de prédiction en confrontant la prédiction à des observations réalisées par ou plusieurs un véhicule de mesure circulant sur le segment.
Pour cela, il est proposé de calculer une valeur représentative d’un écart entre les observations mesurées par le véhicule de mesure et la prédiction du modèle associé au segment.
Lorsque l’écart calculé est supérieur à un premier seuil, il est proposé de réaliser de nouvelles prédictions à partir de modèles de prédiction alternatifs sélectionnés selon une stratégie de sélection consistant par exemple à sélectionner des modèles associés à des segments routiers de même type, ou de type voisin. Lorsqu’au moins un des modèles alternatifs a prédit une caractéristique météo de surface présentant un écart moindre avec les observations du véhicule de mesure, ce modèle alternatif est associé au segment à la place du premier modèle. Ainsi, lorsqu’un modèle n’est plus apte à prédire avec une fiabilité suffisante une condition météo de surface, un modèle plus performant est associé au segment.
Ainsi, lorsque par exemple des services d’entretiens effectuent le remplacement du revêtement de la chaussée, le modèle initialement associé au segment sera défaillant et un modèle alternatif, par exemple un modèle entrainé pour prédire des conditions météo de surface sur une chaussée neuve, donc plus adapté aux nouvelles conditions du segment, sera sélectionné et associé au segment.
Le procédé est ainsi capable de s’adapter aux changements pouvant survenir sur un segment routier. Les prédictions sont ainsi plus fiables dans le temps et permettent aux véhicules faisant usage de ces prédictions de circuler de manière plus sûre.
Dans la présente description, un segment routier correspond à une section d’un axe routier comprise entre deux intersections. Toutefois, lorsque la distance séparant deux intersections consécutives est supérieure à une distance prédéfinie, la section est subdivisée en segments d’une longueur maximum prédéfinie, par exemple en segments de cent mètres.
On entend par caractéristique météo de surface une conséquence des conditions climatiques sur la surface de la chaussée, comme une hauteur d’eau, la présence de verglas ou de neige.
L’historique d’observations météo relevées pour le segment déterminé à partir duquel est prédit la caractéristique de surface comprend des observations ou des prévisions réalisées sur une fenêtre temporelle prédéfinie précédant la date de l’entrainement ou de la prédiction. Par exemple, cette fenêtre temporelle comprend des observations météo réalisées sur les 3 jours précédant la mesure d’une caractéristique de surface dans le cas d’un entrainement, ou sur les 3 jours précédant l’instant auquel est réalisé une prédiction.
Dans la description qui va suivre, un «modèle de prédiction» se rapportent à un modèle d’apprentissage supervisé tel qu’un réseau de neurones artificiels.
Dans un mode particulier de réalisation, lorsque la première valeur E1 est inférieure ou égale à la seconde valeur E2, et comprise entre le premier seuil S1 et un second seuil S2, le premier modèle de prédiction est réentrainé à partir de l’historique des observations météo sur le segment et des caractéristiques de surface mesurée par le véhicule de mesure.
De cette façon lorsque qu’aucun modèle alternatif n’est plus performant que le premier modèle pour le segment, et lorsque l’écart entre la prédiction du premier modèle est les observations du véhicule de mesure est inférieur à un second seuil, c’est-à-dire lorsque la prédiction ne diverge pas de manière excessive des observations, il est proposé d’utiliser les observations réalisées par le véhicule de mesure pour réaliser un nouvel entrainement du premier modèle associé au segment. Le procédé permet ainsi d’adapter les prédictions à des changements mineurs et/ou progressifs pouvant survenir sur le segment en question, comme une modification de l’ensoleillement dû à un changement de saison.
Selon un mode de réalisation particulier, lorsque la première valeur E1 est inférieure ou égale à la seconde valeur E2 et supérieure au second seuil S2, le procédé comporte en outre les étapes suivantes:
- Entrainement d’un troisième modèle de prédiction à partir d’une pluralité d’historiques d’observations météo et d’une pluralité de caractéristiques de surface mesurées par au moins un véhicule de mesure, et
- Association du troisième modèle au segment routier.
Lorsque les prédictions du modèle associé au segment routier présentent une différence particulièrement importante par rapport aux observations du véhicule de mesure, et lorsqu’aucun des modèles alternatifs sélectionnés n’a pu prédire avec une précision suffisante la caractéristique météo mesurée par le véhicule de mesure, un nouveau modèle de prédiction est entrainé à partir des mesures et des observations effectuées sur le segment, puis ce nouveau modèle de prédiction est associé au segment.
De cette manière, le procédé permet de garantir des prédictions fiables, même lorsque les caractéristiques d’un segment routier évoluent de manière telle que les modèles disponibles ne sont plus appropriés.
Selon un mode particulier de réalisation, les premiers et seconds seuils sont définis selon une valeur représentative de la fiabilité de la mesure de la seconde caractéristique météo de surface par le véhicule de mesure.
Une valeur représentative de la fiabilité est par exemple une marge d’erreur du capteur équipant le véhicule de mesure, donnée par le fabricant du capteur ou déterminée selon des conditions d’utilisation du capteur.
En variante ou en combinaison avec la valeur représentative de la fiabilité de la mesure, les premiers et seconds seuils sont pondérés selon un indice de confiance déterminé pour le modèle associé au segment. L’indice de confiance est par exemple incrémenté lorsque l’écart entre une prédiction réalisée par le modèle associé au segment et la caractéristique mesurée par un véhicule de mesure est inférieur au premier seuil, et décrémenté lorsque l’écart est supérieur au premier seuil.
Ainsi, les seuils définissant l’acceptabilité d’une prédiction varient en fonction de la fiabilité des observations terrain.
Selon un mode de réalisation particulier, la durée de la fenêtre temporelle varie en fonction d’une donnée contextuelle.
Ainsi par exemple en hiver, l’historique peut comprendre des observations météo relevées sur une période de six jours, alors qu’en été la durée de la fenêtre temporelle peut être réduite.
Une telle disposition permet de prendre en compte des spécificités climatiques, comme par exemple une couche neigeuse pouvant perdurer plusieurs jours en hiver, ou un séchage rapide de la chaussée après une averse en été. La phase d’apprentissage est ainsi optimisée.
Selon un autre aspect, l’invention concerne un dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment d’un réseau routier comprenant une interface de communication, un processeur et une mémoire, le processeur et l’interface de communication étant configurés par des instructions enregistrées dans la mémoire et configurées pour mettre en œuvre les étapes suivantes:
- Réception, en provenance d’un véhicule de mesure,
- d’une localisation du véhicule de mesure et
- d’une seconde caractéristique météo de surface du segment routier mesurée par un capteur du véhicule de mesure à ladite localisation,
- Détermination d’un segment routier sur lequel circule le premier véhicule à partir de la localisation reçue,
- Sélection, parmi une pluralité de modèles de prédiction, d’un premier modèle de prédiction associé au segment routier déterminé,
- Prédiction d’une première caractéristique météo de surface par application du premier modèle de prédiction à un historique d’observations météo obtenues pour le segment déterminé,
- Calcul d’une première valeur E1 représentative de l’écart entre la première caractéristique météo prédite pour le segment routier et la seconde caractéristique météo mesurée par le véhicule de mesure, et
- Lorsque la première valeur calculée E1 est supérieure à un premier seuil :
- Prédiction d’une seconde caractéristique météo par application d’au moins un second modèle de prédiction à l’historique d’observations météo relevées pour le segment déterminé,
- Calcul d’une seconde valeur E2 représentative de l’écart entre la caractéristique météo mesurée par le véhicule de mesure et la seconde caractéristique météo prédite,
- Lorsque la seconde valeur E2 est inférieure au la première valeur E1, association du second modèle de prédiction au segment routier,
- Transmission vers au moins un second véhicule circulant sur le segment d’une caractéristique météo de surface prédite par application du modèle de prédiction associé au segment à l’historique d’observations météo relevé sur le segment.
Selon encore un autre aspect, l’invention concerne un serveur comprenant un tel dispositif de prédiction.
Enfin, l’invention concerne un support d'informations lisible par un processeur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l’exécution des étapes d’un procédé de prédiction tel que décrit ci-avant.
Le support d'information peut être un support d'information non transitoire tel qu'un disque dur, une mémoire flash, ou un disque optique par exemple.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker des instructions. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, RAM, PROM, EPROM, un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Les différents modes ou caractéristiques de réalisation précités peuvent être ajoutés indépendamment ou en combinaison les uns avec les autres, aux étapes du procédé de prédiction.
Les dispositifs, serveurs et supports d’informations présentent au moins des avantages analogues à ceux conférés par le procédé auquel ils se rapportent.
D’autres caractéristiques, détails et avantages de l’invention apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, parmi lesquels :
Description d’un mode de réalisation
La figure 1 représente un véhicule de mesure 100 circulant sur un segment routier 101. Le véhicule 100 est adapté pour déterminer une condition de surface de la chaussée sur laquelle il circule. Par exemple, le véhicule comprend un microphone 102 relié à une unité de traitement 103 telle qu’un ECU (Electronic Control Unit). L’unité de traitement 103 comprend un logiciel de traitement du signal adapté pour déterminer une quantité d’eau sur la chaussée à partir du signal audio capturé par le microphone 102.
Le véhicule 100 comprend également des moyens de communication 104, par exemple une interface réseau cellulaire de type 2G, 3G, 4G, WiFi, Wimax ou LTE, lui permettant d’échanger des messages avec d’autres dispositifs par l’intermédiaire d’un réseau d’accès cellulaire 105. En particulier, le véhicule 100 peut échanger des messages avec un serveur 106 d’un réseau de communication 107.
Le serveur 106 comprend des moyens de communication, comme une interface réseau Ethernet, lui permettant d’échanger des messages avec d’autres dispositifs, en particulier avec le véhicule 100. Le serveur 106 comprend également un processeur et une mémoire dans laquelle sont enregistrées des instructions de programme d’ordinateur. Les instructions sont configurées pour mettre en œuvre le procédé de prédiction adaptatif selon un mode particulier de réalisation, lorsqu’elles sont exécutées par le processeur.
Le serveur 106 dispose d’un accès à des bases de données 108 et 109. Les bases de données 108 et 109 peuvent être locales au serveur ou bien distantes et accessible au travers du réseau de communication 107.
La base de données 109 comprend un historique d’observations météo associées à des localisations géographiques. De telles observations météo sont par exemple fournies par des fournisseurs de prévisions ou d’observations météo pour différentes localisations géographiques. De cette façon, le serveur 106 peut par exemple obtenir au moyen d’une requête adaptée vers la base de données 109, un historique des précipitations sur le segment 101, ou sur tout autre segment d’un réseau routier.
La base de données 108 comprend des enregistrements permettant d’associer chaque segment considéré d’un réseau routier avec au moins un modèle de prédiction particulier. Par exemple, le segment 101 est associé à un modèle de prédiction particulier adapté pour prédire des conditions météo de surface du segment 101 à partir de l’historique des conditions météo de surface observées pour le segment 101.
Le procédé de prédiction adaptatif va maintenant être décrit en référence à la figure 2.
Lors d’une première étape 200, le serveur 106 reçoit une donnée de localisation du véhicule de mesure 100, par exemple des coordonnées GNSS (Global Navigation Satellite System) comprenant une latitude et une longitude, ainsi qu’une caractéristique météo de surface mesurée par le véhicule à l’emplacement désigné par la donnée de localisation. Ces données sont reçues par les moyens de communication du serveur 106, par exemple sous la forme d’un message au format JSON (JavaScript Object Notation) ou XML (Extensible Markup Language), ou dans tout autre format adapté. Le message comprend en outre une donnée d’horodatage correspondant à la date et à l’heure à laquelle la mesure a été réalisée.
A partir de la donnée de localisation reçue, le serveur 106 détermine lors d’une étape 201 un segment routier sur lequel a été réalisée la mesure de la caractéristique de surface. Pour cela, le serveur 106 met en relation les coordonnées GNSS reçues avec une représentation numérique du réseau routier de façon à déterminer un segment comprenant le point désigné par les coordonnées GNSS. Une telle étape peut être réalisée par une technique connue de «map-matching».
De cette façon, le serveur 106 connaît les conditions météo de surface sur un segment particulier du réseau routier.
A l’étape 202, le serveur 106 consulte la base de données 108 pour déterminer un modèle de prédiction associé au segment routier identifié à l’étape 201. Pour cela, le serveur effectue une requête, par exemple une requête SQL (Structured Query Language) comprenant un identifiant du segment afin d’obtenir en retour un identifiant de modèle de prédiction associé à l’identifiant du segment. Dans une réalisation particulière, la requête comprend en outre un critère de sélection du modèle de prédiction, par exemple une date. De cette façon, lorsque plusieurs modèles de prédiction sont associés un même segment routier, la sélection du modèle est effectuée selon ce critère. Ainsi par exemple, un modèle particulier peut être sélectionné selon qu’on est en été ou en hiver.
Les modèles de prédiction auxquels sont associés les segments du réseau routier sont entrainés afin de prédire, à partir d’un historique d’observations météo, une condition de surface du segment. Pour cela, un segment particulier est associé à un modèle de prédiction particulier selon une caractéristique du segment, par exemple de façon non exhaustive, selon le type de revêtement(enrobé récent, enrobé ancien, béton, pavés, etc…), le type de voie (autoroute, périphérique, réseau secondaire), l’environnement (forêt, montagne, plaine, etc…) ou encore une région géographique.
Lors d’une étape 204, le modèle de prédiction associé au segment est inféré à partir d’un historique d’observations météo pour obtenir une première prédiction P1. L’historique d’observations météo est obtenu auprès d’une base de données 109 ou d’un fournisseur de prévisions météo lors d’une étape d’obtention 203. Les observations obtenues sont comprises sur une fenêtre temporelle de durée déterminée précédant immédiatement la date et l’heure à laquelle le véhicule de mesure 100 a mesuré la caractéristique météo de surface reçue à l’étape 200. Par exemple, l’historique comprend des observations météo sur les 3 jours qui précédent l’instant de mesure. Le serveur 106 obtient l’historique d’observation en exécutant par exemple une requête SQL vers une base de données 109 dans laquelle sont enregistrées les observations météo, la requête SQL comprenant une date de début et une date de fin de la fenêtre temporelle. En variante, le serveur peut interroger un serveur d’un fournisseur de prévisions météo par exemple au moyen d’une requête http adaptée, en paramètres de laquelle sont passés les instants de début et de fin de la période considérée, et en retour de laquelle le serveur reçoit, par exemple sous la forme d’un document JSON, CSV (Comma-separated values) ou XML, une pluralité d’observations météo.
Selon un mode particulier de réalisation, la durée de la fenêtre temporelle correspondant à l’historique d’observations météo est variable selon une donnée de contexte. La donnée de contexte est par exemple une période de l’année et/ou une région géographique. Ainsi, en hiver par exemple, le modèle de prédiction est inféré à partir d’observation météo portant sur les six derniers jours, alors qu’en été, il est inféré à partir d’observations portant sur les trois derniers jours. Bien entendu d’autres durées de périodes d’historique peuvent être utilisées sans modifier le procédé.
A l’étape 205, le serveur 106 calcule un écart E1 entre la prédiction réalisée à l’étape 204 sur la base des observations obtenues à l’étape 203 et les caractéristiques météo de surface mesurées et transmises par le véhicule de mesure 100 à l’étape 200. Cet écart correspond par exemple à la différence entre la hauteur d’eau mesurée par le véhicule 100 et la hauteur d’eau prédite à l’étape 204 par le modèle à partir des observations météo, ou encore à l’écart entre une température de surface de la chaussée du segment 101 et une température prédite, ou toute valeur représentative d’un écart entre la prédiction d’une caractéristique de surface sur le segment 101 et une mesure de cette caractéristique par le véhicule 100.
Dans un mode particulier de réalisation, la valeur E1 représentative d’un écart entre la prévision du modèle et les observations météo est une probabilité conditionnelle d’une prédiction particulière P1 sachant les observations météo mesurées par le véhicule et obtenues à l’étape 200. Une telle probabilité est représentative de la fiabilité du modèle pour prédire une caractéristique de surface dans des conditions particulière, par exemple sur route mouillée. Lorsque les valeurs représentatives d’un écart entre les prédictions et les observations sont des probabilités, les termes des comparaisons effectuées aux étapes 206, 209 et 212 telles que décrites ci-après peuvent être inversés sans modifier l’invention En effet, lorsque la valeur E1 est une probabilité, une valeur de 1 indique un modèle particulièrement fiable, alors que lorsque la valeur E1 correspond par exemple à un écart de hauteur d’eau, c’est une valeur nulle qui indique un modèle fiable.
Lors d’une étape 206, le serveur compare l’écart E1 calculé à l’étape 205 à un premier seuil S1 par exemple un seuil de 5%.
Selon une réalisation particulière, le premier seuil S1 est déterminé selon une valeur représentative de la fiabilité de la mesure de la seconde caractéristique météo de surface par le véhicule de mesure. Pour cela, le serveur 106 le message reçu en provenance du véhicule de mesure à l’étape 200 comprend une valeur de fiabilité de la mesure effectuée par le capteur du véhicule. Un tel indicateur dépend par exemple du modèle de capteur utilisé ou des conditions d’utilisation de ce capteur. La valeur de fiabilité correspond par exemple à une marge d’erreur donnée par le fabriquant du capteur ou à une incertitude de mesure déterminée par le capteur.
Lorsque la valeur représentative de l’écart E1 est supérieure ou égale au premier seuil S1, c’est-à-dire lorsque la prédiction réalisée par le modèle courant ne correspond pas aux observations réalisées par le véhicule, le serveur infère au moins modèle de prédiction alternatif lors d’une étape 207 à partir de l’historique d’observations météo associé au segment 101. Le modèle de prédiction alternatif est un modèle distinct du modèle associé au segment 101 sélectionné parmi les modèles associés à d’autres segments routiers du réseau routier. Le modèle alternatif est sélectionné selon un critère de similarité avec le segment 101, ou bien selon une donnée de contexte, comme une période de l’année. Par exemple, le serveur 106 sélectionne un modèle de prédiction associé à un segment routier dont le revêtement est similaire au revêtement du segment 101 mais plus ancien. Pour cela, les modèles de prédictions associés à des segments du réseau routier peuvent être arrangés selon un critère de similarité dans un vecteur ou une matrice de telle sorte que les modèles alternatifs sont sélectionnés parmi les voisins du modèle dans le vecteur ou la matrice en question.
La figure 3 représente une matrice à deux dimensions comprenant des identifiants de modèles de prédiction M00 à Mij. Dans cet exemple de matrice, chaque colonne correspond à un type de revêtement et chaque ligne correspond à un degré d’usure du revêtement. Par exemple, dans la première colonne, les modèles M00 à M0j correspondent à des modèles de prédiction entrainés pour prédire une caractéristique météo de surface pour des revêtements de type «pavés», le modèle M00 étant associé à un revêtement neuf alors que le modèle M0j est associé à un revêtement très ancien. Dans la seconde colonne, les modèles M10 à M1j correspondent par exemple à un revêtement de type «béton », etc… Ainsi, les modèles sont organisés dans la matrice de telle sorte que deux modèles voisins sont adaptés pour prédire des caractéristiques météo de surface pour des revêtements possédant des propriétés semblables. Bien entendu, les modèles peuvent être organisés selon des critères différents dans une matrice possédant plus de deux dimensions.
Ainsi, si par exemple le modèle M11 est associé au segment 101, le serveur sélectionnera les modèles alternatifs voisins M00, M10, M20, M21, M22, M12, M02 et M01. Le serveur infère chacun des modèles alternatifs sélectionnés à partir de l’historique d’observations météo obtenu à l’étape 203 pour obtenir une pluralité de prédictions alternatives.
Selon une réalisation particulière, au moins un modèle alternatif est sélectionné parmi une pluralité de modèles alternatifs selon la valeur d’un indice de confiance associé à chacun de la pluralité de modèles. L’indice de confiance est représentatif de la capacité d’un modèle à prédire avec précision une caractéristique de surface pour un segment particulier.
L’indice de confiance d’un modèle associé au segment 101 est augmenté lorsque le modèle effectue des prédictions qui correspondent aux observations du véhicule. Par exemple, l’indice de confiance est modifié à l’étape 206 selon le résultat de la comparaison de la valeur d’écart E1 avec le seuil S1. Si l’écart E1 est inférieur au premier seuil S1, le serveur incrémente une valeur de confiance associée au modèle. A l’inverse, si l’écart E1 est supérieur ou égal au premier seuil S1, l’indice de confiance est diminué. De cette façon, l’indice de confiance est représentatif de la pertinence d’un modèle pour prédire une caractéristique de surface sur le segment 101. La base de données 108 mémorise ainsi un indice de confiance en association avec chaque modèle de prédiction et au moins un segment. De cette façon, lorsque qu’un modèle n’effectue plus de prédiction satisfaisante pour un segment routier particulier, il est remplacé par le modèle alternatif dont l’indice de confiance pour prédire une caractéristique de surface de ce segment est le plus élevé.
A l’étape 208, le serveur 106 calcule une seconde valeur E2 représentative de l’écart entre la caractéristique météo de surface mesurée par le véhicule de mesure 100 et les caractéristiques météo prédites par chacun des modèles alternatifs sélectionnés. Le serveur détermine ainsi une valeur E2 représentative de l’écart entre la caractéristique météo de surface mesurée par le véhicule de mesure 100 et les caractéristiques météo prédites par le modèle alternatif ayant réalisé la prédiction la plus proche des observations du véhicule 100. L’écart est calculé selon une technique similaire à celle décrite en référence à l’étape 205.
Le serveur 106 compare la seconde valeur d’écart E2 à la première valeur d’écart E1 lors d’une étape 209. Lorsque la valeur d’écart E2 est inférieure à la valeur d’écart E1, c’est-à-dire lorsqu’au moins un modèle parmi les modèles alternatifs sélectionnés a réalisé une prédiction meilleure que celle du modèle associé au segment, le serveur associe au segment 101 le modèle alternatif ayant effectué la prédiction la plus proche des observations du véhicule 100. Un modèle plus performant est ainsi associé au segment 101 lors d’une étape 210, en remplacement du modèle précédemment associé. La nouvelle association est mise à jour dans la base de données 108 de façon que les nouvelles prédictions pour le segment 101 soient réalisées par le modèle nouvellement associé.
Enfin, à l’étape 211, le serveur 106 transmet vers au moins un second véhicule circulant sur le segment 101, une caractéristique météo de surface du segment 101 prédite par application du modèle de prédiction associé au segment à l’historique d’observations météo relevé sur le segment. Pour cela, le serveur reçoit par exemple une demande de prédiction en provenance d’un second véhicule, par exemple un véhicule de tourisme, circulant sur le segment 101. La demande de prédiction comprend la localisation du véhicule, à partir de laquelle le serveur peut déterminer le segment routier, comme décrit précédemment. Le serveur 106 obtient le modèle de prédiction associé au segment en consultant la base de données 108. Le modèle de prédiction associé au segment 101 a par exemple été mis à jour selon les étapes 200 à 210 décrites ci-avant. Le serveur peut alors transmettre au second véhicule un message comprenant la caractéristique de surface prédite.
Selon un mode particulier de réalisation, le serveur infère une pluralité de modèles associés aux segments compris sur une région particulière d’un réseau routier, à partir d’un historique d’observations météo sur ces différents segments. A partir des prédictions ainsi obtenues, le serveur peut mettre à jour une carte numérique comprenant des conditions météo de surface pour chaque segment d’une région particulière d’un réseau routier. Une telle carte est transmise vers au moins un second véhicule circulant dans ladite région particulière.
Selon un mode de réalisation particulier, lorsqu’à l’issue de l’étape 209 le serveur constate que la valeur d’écart E2 est supérieure à la valeur d’écart E1, c’est-à-dire lorsqu’aucun des modèles alternatifs sélectionné n’a pu fournir une prédiction meilleure que celle du modèle de prédiction déjà associé au segment, le serveur met en œuvre une étape 212 de comparaison de la première valeur d’écart E1 avec un second seuil S2.
Lorsque l’écart E1 est inférieur ou égal au second seuil S2, c’est-à-dire lorsque la différence constatée entre les observations du véhicule de mesure et la prédiction réalisée par le meilleur modèle alternatif n’excède pas une valeur limite, le serveur effectue un nouvel entrainement du modèle associé au segment 101 lors d’une étape de réentrainement 213. Pour cela, le serveur utilise au moins l’historique d’observations météo pour le segment 101 et les caractéristiques de surface mesurées par le véhicule de mesure 100 sur le segment 101 pour réaliser un entrainement supervisé du modèle associé au segment. Le modèle de prédiction est ainsi rendu plus fiable.
A l’inverse, lorsque l’écarte E1 est supérieur au second seuil S2, le serveur 106 débute l’entrainement d’un nouveau modèle de prédiction au cours d’une étape 214. L’entrainement de ce nouveau modèle est réalisé au moins à partir d’une pluralité de mesures réalisées par des véhicules sur le segment et une pluralité d’observations météo. Ce nouveau modèle de prédiction, une fois entrainéest associé au segment 101 dans la base de données 108.
La figure 4 représente l’architecture d’un dispositif 400 adapté pour mettre en œuvre le procédé de prédiction adaptatif selon un mode particulier de réalisation.
Le dispositif 400 comprend un espace de stockage 402, par exemple une mémoire MEM, une unité de traitement 401 équipée par exemple d’un processeur PROC. L’unité de traitement peut être pilotée par un programme 403, par exemple un programme d’ordinateur PGR, mettant en œuvre le procédé de prédiction adaptatif selon les étapes 200 à 214 décrites précédemment en référence à la figure 2.
À l’initialisation, les instructions du programme d’ordinateur 403 sont par exemple chargées dans une mémoire RAM 402 (Random Access Memory en anglais) avant d’être exécutées par le processeur de l’unité de traitement 401. Le processeur de l’unité de traitement 401 met en œuvre les étapes du procédé de prédiction adaptatif selon les instructions du programme d’ordinateur 403.
Pour cela, outre la mémoire 402 et l’unité de traitement 401, le dispositif 400 comprend des moyens de communication 404, par exemple une interface réseau Ethernet ou tout autre interface réseau adaptée pour permettre au dispositif 400 d’échanger des données avec d’autres dispositifs conformément à un protocole de communication, et en particulier pour échanger des données avec des véhicules connectés tels que le véhicule 100. Les moyens de communication 504 sont configurés par les instructions du programme d’ordinateur 403 pour recevoir un message comprenant au moins une caractéristique météo de surface mesurée par le véhicule et une localisation du véhicule au moment de la mesure. Le message est par exemple un message conforme au format JSON, CSV ou XML transmis par un protocole de transport de type TCP/IP.
Le dispositif 400 comprend en outre un module 405 de mise en correspondance d’au moins une localisation comprise dans le message reçu par le module 404 avec une carte routière numérique, afin d’identifier un segment routier sur lequel la caractéristique de surface comprise dans le message a été mesurée. Le module 405 est par exemple mis en œuvre par des instructions de programme d’ordinateur configurées pour mettre en œuvre un algorithme de type « map matching » permettant de façon connue une mise en correspondance une donnée de localisation avec un segment d’un réseau routier.
Le dispositif 400 comprend un module 406 de sélection, parmi une pluralité de modèles de prédiction, d’un modèle de prédiction associé au segment identifié par le module 405. Pour cela, le module 406 peut être mis en œuvre par des instructions de programme d’ordinateur configurées pour effectuer une requête vers une base de données comprenant des associations entre des segments routiers et des modèles de prédiction, et obtenir en retour un identifiant d’un modèle de prédiction associé audit segment.
Le dispositif 400 comprend aussi un module de prédiction 407. Le module de prédiction est adapté pour inférer un modèle de prédiction particulier, par exemple le modèle sélectionné par le modèle de sélection 406, à partir d’un historique d’observations météo. Le module 407 comprend par exemple un réseau de neurones entrainé avec mesures de caractéristique météo de surface effectuées sur le segment identifié par le module 405 ou un segment dont les caractéristiques sont similaires et un historique d’observations météo obtenues sur une fenêtre temporelle précédant la mesure. Un tel module peut être mis en œuvre par des instructions de programme d’ordinateur adaptées pour être exécutées par le processeur PROC de l’unité de traitement 401.
La prédiction réalisée par le module 406 est utilisée par un calculateur 408 configuré pour calculer la valeur d’un écart entre la caractéristique de surface prédite et la mesure de caractéristique de surface reçue par le module 404. Le calculateur 408 est mis en œuvre par des instructions adaptées pour être exécutées par le processeur de l’unité de traitement 401 et par exemple configurées pour calculer une différence entre une valeur de hauteur d’eau mesurée par un véhicule de mesure et une hauteur d’eau prédite par le réseau de neurones 407.
Le dispositif comprend également un module 409 de sélection d’un modèle de prédiction alternatif. Le module 409 comprend des instructions pour comparer la valeur d’écart calculée par le calculateur 408 avec un seuil particulier, et lorsque la valeur d’écart est supérieure au seuil, pour configurer le module de prédiction 407 et le module de calcul 408 de façon à inférer une pluralité de modèles alternatifs et calculer une valeur d’écart entre les différentes prédictions obtenues par les modèles alternatifs sélectionnés et les mesures reçues par le module de communication 404. Le module 409 est en outre configuré pour déterminer, par comparaison des valeurs d’écart calculées pour chaque modèle alternatif, le modèle alternatif dont les prédictions présentent le moins d’écart avec les caractéristiques mesurée.
Le dispositif 400 comprend aussi un module de mise à jour 410. Le module 410 est mis en œuvre par des instructions configurées pour associer au segment identifié par le module 405 le modèle alternatif dont les prédictions présentent le moins d’écart avec les caractéristiques mesurée et reçues par le module 404. Pour cela, le module 410 effectue par exemple une requête SQL vers une base de données pour modifier l’association du segment et du modèle de prédiction.
Le module de communication 404 est en outre configuré pour transmettre une prédiction réalisée par le module de prédiction 407 par inférence du modèle alternatif associé au segment par le module 410 sur la base d’un historique d’observations météo sur le segment.
Selon un mode particulier de réalisation, le dispositif est mis en œuvre dans un serveur.
Claims (8)
- Procédé de prédiction adaptatif d’une caractéristique météo de surface d’un segment d’un réseau routier, le procédé étant caractérisé en ce qu’il comprend les étapes suivantes:
- Réception (200), en provenance d’un véhicule de mesure,
- d’une localisation du véhicule de mesure et
- d’une seconde caractéristique météo de surface du segment routier mesurée par un capteur du véhicule de mesure à ladite localisation,
- Détermination (201) d’un segment routier sur lequel circule le premier véhicule à partir de la localisation reçue,
- Sélection (202), parmi une pluralité de modèles de prédiction, d’un premier modèle de prédiction associé au segment routier déterminé,
- Prédiction (204) d’une première caractéristique météo de surface par application du premier modèle de prédiction à un historique d’observations météo obtenues (203) pour le segment déterminé,
- Calcul (205) d’une première valeur E1 représentative de l’écart entre la première caractéristique météo prédite pour le segment routier et la seconde caractéristique météo mesurée par le véhicule de mesure, et
- Lorsque la première valeur calculée E1 est supérieure à un premier seuil :
- Prédiction (207) d’une seconde caractéristique météo par application d’au moins un second modèle de prédiction à l’historique d’observations météo relevées pour le segment déterminé,
- Calcul (208) d’une seconde valeur E2 représentative de l’écart entre la caractéristique météo mesurée par le véhicule de mesure et la seconde caractéristique météo prédite,
- Lorsque la seconde valeur E2 est inférieure au la première valeur E1, association (210) du second modèle de prédiction au segment routier,
- Transmission (211) vers au moins un second véhicule circulant sur le segment d’une caractéristique météo de surface prédite par application du modèle de prédiction associé au segment à l’historique d’observations météo relevé sur le segment.
- Réception (200), en provenance d’un véhicule de mesure,
- Procédé selon la revendication 1 dans lequel lorsque la première valeur E1 est inférieure ou égale à la seconde valeur E2, et comprise entre le premier seuil S1 et un second seuil S2, le premier modèle de prédiction est réentrainé à partir de l’historique des observations météo sur le segment et des caractéristiques de surface mesurée par le véhicule de mesure.
- Procédé selon la revendication 2 tel qu’il comporte en outre les étapes suivantes, lorsque la première valeur E1 est inférieure ou égale à la seconde valeur E2 et supérieure au second seuil S2:
- Entrainement d’un troisième modèle de prédiction à partir d’une pluralité d’historiques d’observations météo et d’une pluralité de caractéristiques de surface mesurées par au moins un véhicule de mesure, et
- Association du troisième modèle au segment routier.
- Procédé selon l’une quelconque des revendications 2 à 3 dans lequel les premiers et seconds seuils sont définis selon une valeur représentative de la fiabilité de la mesure de la seconde caractéristique météo de surface par le véhicule de mesure.
- Procédé selon l’une quelconque des revendications précédentes dans lequel l’historique de prévision météo est obtenu pour une fenêtre temporelle dont la durée varie en fonction d’une donnée contextuelle.
- Dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment d’un réseau routier caractérisé en ce qu’il comprend une interface de communication, un processeur et une mémoire, le processeur et l’interface de communication étant configurés par des instructions enregistrées dans la mémoire et configurées pour mettre en œuvre les étapes suivantes:
- Réception, en provenance d’un véhicule de mesure,
- d’une localisation du véhicule de mesure et
- d’une seconde caractéristique météo de surface du segment routier mesurée par un capteur du véhicule de mesure à ladite localisation,
- Détermination d’un segment routier sur lequel circule le premier véhicule à partir de la localisation reçue,
- Sélection, parmi une pluralité de modèles de prédiction, d’un premier modèle de prédiction associé au segment routier déterminé,
- Prédiction d’une première caractéristique météo de surface par application du premier modèle de prédiction à un historique d’observations météo obtenues pour le segment déterminé,
- Calcul d’une première valeur E1 représentative de l’écart entre la première caractéristique météo prédite pour le segment routier et la seconde caractéristique météo mesurée par le véhicule de mesure, et
- Lorsque la première valeur calculée E1 est supérieure à un premier seuil :
- Prédiction d’une seconde caractéristique météo par application d’au moins un second modèle de prédiction à l’historique d’observations météo relevées pour le segment déterminé,
- Calcul d’une seconde valeur E2 représentative de l’écart entre la caractéristique météo mesurée par le véhicule de mesure et la seconde caractéristique météo prédite,
- Lorsque la seconde valeur E2 est inférieure au la première valeur E1, association du second modèle de prédiction au segment routier, et
- Transmission vers au moins un second véhicule circulant sur le segment d’une caractéristique météo de surface prédite par application du modèle de prédiction associé au segment à l’historique d’observations météo relevé sur le segment.
- Réception, en provenance d’un véhicule de mesure,
- Serveur comprenant un tel dispositif de prédiction selon la revendication 6.
- Support d'informations lisible par un processeur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l’exécution des étapes d’un procédé de prédiction selon l’une quelconque des revendications 1 à 5.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2000249A FR3106112B1 (fr) | 2020-01-13 | 2020-01-13 | Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier |
| PCT/EP2021/050022 WO2021144158A1 (fr) | 2020-01-13 | 2021-01-04 | Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier |
| CN202180008862.7A CN114902083A (zh) | 2020-01-13 | 2021-01-04 | 路段的路面气象特征的自适应预测方法和装置 |
| US17/785,604 US11630237B2 (en) | 2020-01-13 | 2021-01-04 | Adaptive method and device for prediction of a weather characteristic of a surface of a road segment |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2000249A FR3106112B1 (fr) | 2020-01-13 | 2020-01-13 | Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier |
| FR2000249 | 2020-01-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3106112A1 true FR3106112A1 (fr) | 2021-07-16 |
| FR3106112B1 FR3106112B1 (fr) | 2021-12-03 |
Family
ID=71094434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2000249A Active FR3106112B1 (fr) | 2020-01-13 | 2020-01-13 | Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11630237B2 (fr) |
| CN (1) | CN114902083A (fr) |
| FR (1) | FR3106112B1 (fr) |
| WO (1) | WO2021144158A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023036621A1 (fr) * | 2021-09-13 | 2023-03-16 | Continental Automotive Gmbh | Procédé de prédiction d'une condition météo de surface d'un segment routier |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3128178B1 (fr) * | 2021-10-20 | 2024-04-19 | Continental Automotive Gmbh | Procédé de prédiction d’une condition de surface d’un segment routier |
| US11835678B2 (en) * | 2021-12-20 | 2023-12-05 | GM Global Technology Operations LLC | Weather data with connected vehicles |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110029243A1 (en) * | 2009-07-31 | 2011-02-03 | Gallagher Daniel R | System and Method for Determining Road Conditions |
| US20170349148A1 (en) * | 2016-06-03 | 2017-12-07 | GM Global Technology Operations LLC | Method and apparatus for detecting road condition data and weather condition data using vehicular crowd-sensing |
| EP3480629A1 (fr) * | 2016-06-30 | 2019-05-08 | Bridgestone Corporation | Procédé de détermination de l'état de la surface d'une route |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6919821B1 (en) * | 2000-05-19 | 2005-07-19 | Navteq North America, Llc | Method and system for collecting meteorological data using in-vehicle systems |
| US8521426B2 (en) * | 2008-02-04 | 2013-08-27 | Weather Central, Lp | System and method for weather mapping to road segments |
| US9613529B2 (en) * | 2014-02-03 | 2017-04-04 | Here Global B.V. | Predictive incident aggregation |
| US10048082B2 (en) * | 2014-08-29 | 2018-08-14 | Ford Global Technologies, Llc | Route and model based energy estimation |
| US9524435B2 (en) * | 2015-03-20 | 2016-12-20 | Google Inc. | Detecting the location of a mobile device based on semantic indicators |
| EP3130945B1 (fr) * | 2015-08-11 | 2018-05-02 | Continental Automotive GmbH | Système et procédé de positionnement de véhicule de précision |
| TWI619036B (zh) * | 2016-02-22 | 2018-03-21 | 財團法人資訊工業策進會 | 交通時間預測系統、交通時間預測方法以及交通模型建立方法 |
| RU2629875C1 (ru) * | 2016-04-04 | 2017-09-04 | Общество С Ограниченной Ответственностью "Яндекс" | Способы и системы прогнозирования условий вождения |
| US10018475B2 (en) * | 2016-09-09 | 2018-07-10 | Ford Global Technologies, Llc | Water depth detection for vehicle navigation |
| CH714036B1 (de) * | 2016-11-07 | 2020-03-31 | Swiss reinsurance co ltd | System und Verfahren zur Vorhersage von absoluten und relativen Risiken von Autounfällen. |
| KR101898577B1 (ko) * | 2017-09-29 | 2018-09-13 | 숭실대학교산학협력단 | 도로 상태 예측 시스템 및 도로 상태 예측 방법 |
| KR20190057501A (ko) * | 2017-11-20 | 2019-05-29 | 디토닉 주식회사 | 기상 상황에 따른 도로 위험도 예측 시스템 및 방법 |
| CN110021161B (zh) * | 2018-01-09 | 2021-12-21 | 株式会社日立制作所 | 一种交通流向的预测方法及*** |
| US10319229B1 (en) * | 2018-02-02 | 2019-06-11 | International Business Machines Corporation | Data mining for alerts regarding road conditions |
| CN109559512B (zh) * | 2018-12-05 | 2021-08-24 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
| CN109738091B (zh) * | 2019-01-28 | 2021-04-27 | 象谱信息产业有限公司 | 基于公路地理环境预测路面温度的***及方法 |
| JP6698898B2 (ja) * | 2019-02-21 | 2020-05-27 | 三菱電機株式会社 | 運転支援方法、車載器、及びサービスサーバ |
| CN110599789B (zh) * | 2019-09-17 | 2021-04-27 | 北京心中有数科技有限公司 | 一种道路气象预测方法、装置、电子设备及存储介质 |
-
2020
- 2020-01-13 FR FR2000249A patent/FR3106112B1/fr active Active
-
2021
- 2021-01-04 WO PCT/EP2021/050022 patent/WO2021144158A1/fr active Application Filing
- 2021-01-04 US US17/785,604 patent/US11630237B2/en active Active
- 2021-01-04 CN CN202180008862.7A patent/CN114902083A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110029243A1 (en) * | 2009-07-31 | 2011-02-03 | Gallagher Daniel R | System and Method for Determining Road Conditions |
| US20170349148A1 (en) * | 2016-06-03 | 2017-12-07 | GM Global Technology Operations LLC | Method and apparatus for detecting road condition data and weather condition data using vehicular crowd-sensing |
| EP3480629A1 (fr) * | 2016-06-30 | 2019-05-08 | Bridgestone Corporation | Procédé de détermination de l'état de la surface d'une route |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023036621A1 (fr) * | 2021-09-13 | 2023-03-16 | Continental Automotive Gmbh | Procédé de prédiction d'une condition météo de surface d'un segment routier |
| FR3127065A1 (fr) * | 2021-09-13 | 2023-03-17 | Continental Automotive | Procédé de prédiction d’une condition météo de surface d’un segment routier |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230026008A1 (en) | 2023-01-26 |
| FR3106112B1 (fr) | 2021-12-03 |
| CN114902083A (zh) | 2022-08-12 |
| WO2021144158A1 (fr) | 2021-07-22 |
| US11630237B2 (en) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021144158A1 (fr) | Procédé et dispositif de prédiction adaptatif d'une caractéristique météo de surface d'un segment routier | |
| EP2079984B1 (fr) | Procede de construction d'un modele numerique d'une route | |
| FR3113328A1 (fr) | Procédé et dispositif de prédiction d’une condition météorologie sur un réseau routier | |
| CA2954230A1 (fr) | Thermostat connecte temps reel a consigne flottante | |
| WO2018083200A1 (fr) | Procédé d`élaboration d`une carte d`autonomie de navigation pour un véhicule | |
| WO2020120686A1 (fr) | Procédé de caractérisation de virages pour l'avertissement de conducteurs | |
| FR2907620A1 (fr) | Procede et dispositif de localisation par detection d'emetteurs de signaux hertziens. | |
| FR2918495A1 (fr) | Estimation de trafic dans un reseau routier | |
| FR3103305A1 (fr) | Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier. | |
| US20200126161A1 (en) | System and method for providing and insuring a public service | |
| EP3957028B1 (fr) | Procédé de prédiction d'une qualité de signal et/ou de service et dispositif associé | |
| WO2023066710A1 (fr) | Procédé de prédiction d'une condition de surface d'un segment routier | |
| WO2023036621A1 (fr) | Procédé de prédiction d'une condition météo de surface d'un segment routier | |
| FR2859792A1 (fr) | Procede pour detecter la presence ou l'absence d'un terminal mobile sur un chemin | |
| EP2082253A1 (fr) | Procede et dispositif d'estimation d'une trajectoire decrite par un vehicule | |
| WO2020057787A1 (fr) | Procédé de réattribution d'un serveur périphérique de traitement de données | |
| FR3099961A1 (fr) | Estimation de la vitesse moyenne d’un trafic d’au moins un vehicule sur un troncon de route | |
| FR3106686A1 (fr) | Procédé et dispositif de préchargement de données cartographiques | |
| FR3052567A1 (fr) | Procede , produit programme d'ordinateur et systeme de pilotage dynamique d'un reseau fluidique | |
| FR3138534A1 (fr) | Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau d’usure des plaquettes de frein | |
| FR3089463A1 (fr) | Procédé de détermination de l’autonomie d’un véhicule | |
| FR3130487A1 (fr) | Procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X, dispositif de prédiction et programme d’ordinateur correspondants. | |
| FR3109662A1 (fr) | Procédé et système informatique de suivi de trafic routier | |
| FR3136304A1 (fr) | Procédé d’aide à la circulation de véhicules connectés | |
| FR3115874A1 (fr) | Procédé et dispositif de mise à jour participative d’une cartographie |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210716 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| TP | Transmission of property |
Owner name: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH, DE Effective date: 20230807 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |