Une infrastructure hybride de Cloud Computing pour l’optimisation des VANET

Abstract

L ’évolution de la technologie des dispositifs intelligents et l’évolution des capacités d’Internet font que les réseaux de véhicules ad hoc (VANET) convergent vers le paradigme Cloud Computing Véhiculaire (CCV). A la lumière de cette convergence, de nombreuses applications innovantes émergent pour améliorer le routage des véhicules, atténuer la congestion du trafic grâce à un calcul efficace des données statiques. Pour atteindre le niveau de fiabilité souhaité, ces applications reposent sur l’utilisation instantanée de centres de données distantes, et des ressources de véhicules inutilisées afin d’assurer des prestations de stockage, de calcul et de communication. Les ressources véhiculaires inutilisées peuvent être localisées dans les parkings, les aéroports et les autoroutes. En période de pointe, la capacité de la route peut être dépassée, car le nombre de demandes pour traverser des sections ou tronçon de route est trop important, ce qui ralentit la vitesse de circulation. Dans de telles conditions où le trafic présente un encombrement, le Diagramme Macroscopique Fondamental (MFD) des modèles de flux de trafic présente une corrélation non linéaire entre les données de flux de trafic et la capacité routière. La faible corrélation prolongera l’heure prévue d’arrivée du conducteur vers sa destination, rendant ainsi la prévision du processus de flux de trafic plus complexe. Sur la base de cette tendance, la solution la plus fiable pour la planification routière à long terme serait une meilleure utilisation de la capacité routière plutôt que l’extension de la capacité des routes existantes. Cette solution améliorera la fluidité de la circulation qui est affectée par l’état actuel des routes (i.e., les panneaux d’arrêt et les passages pour piétons) et réduira le coût de la congestion afin de minimiser la perte de temps aux heures de pointe. Dans cette thèse, nous nous intéressons à l’amélioration des modèles de circulation automobile dans des situations d’encombrement. Tout d’abord, sur la base de données de trafic empirique, nous adaptons un modèle d’interaction entre les paramètres de trafic en utilisant un modèle de classification binaire (régression logistique). Le modèle prédit la probabilité d’incidents entrants sur la route en cas de ralentissement soudain de la vitesse. Pour justifier la pertinence et la qualité de la classification, notre modèle est soumis à plusieurs tests statistiques. Les résultats des tests montrent qu’il existe plusieurs interactions entre les paramètres de trafic permettant d’interpréter précisément le phénomène de congestion. Ensuite, nous nous concentrerons sur la dérivation d’une nouvelle fonction d’apprentissage à base d’intégrale floue pour prédire des informations de trafic fiables et efficaces en temps réel. Les données d’apprentissage sont collectées à partir de sources de trafic multiples telles que les détecteurs de trafic, les données échangées entre les véhicules en temps réel et les données historiques du trafic. Le modèle proposé permet de modéliser les interactions entre les variables de trafic sauvegardées dans ces sources. Enfin, nous intégrerons la fonction de prédiction proposée dans notre couche VANET-Cloud, qui comprend à son tour deux types de services de trafic : les services potentiels (services à la demande) et les services automatiques. L’objectif est de concevoir un modèle de livraison élastique pour prendre en charge de nombreuses fonctionnalités en termes de prédiction et de notification.