Notre méthode proposée

Le modèle proposé est représenté dans la figure 12. Pour construire un tel outil, trois étapes doivent être effectuées. Premièrement, une BD doit être construite à partir de vraies traces du trafic pendant une période suffisamment longue. Deuxièmement, une architecture et un algorithme d'apprentissage appropriés de RN doivent être choisis. Troisièmement, ce RN doit être entraîné et validé. De plus, une stratégie de ``recyclage'' doit être choisie (voir la section 1.7.2.5 pour des résultats expérimentaux concernant ce point). Chacune des BD d'apprentissage et de test devrait se composer de 5 parties. La première est la fenêtre ``aujourd'hui'', qui se compose des valeurs $F(T)\ldots F(T-n)$, où $F(T)$ est la valeur courante du trafic et $F(T-n)$ représente la valeur à la $n^{\mbox{ème}}$ étape précédente. La deuxième partie est la fenêtre ``jour précédent'', qui se compose des valeurs $F_y(T)\ldots F_y(T-j)$, où $F_y(T)$ est la valeur du trafic le jour précédent au même instant que ``aujourd'hui''. De même, la troisième partie est la fenêtre ``semaine précédente'', qui se compose des valeurs $F_w(T)\ldots F_w(T-k)$, où $F_w(T)$ est la valeur du trafic dans la semaine passée, le même jour et au même instant que ``aujourd'hui''. La quatrième partie est le ``jour'' de la semaine et le ``temps'' d'aujourd'hui. Le ``jour'' prend de valeurs entre 0 et 6, et le ``temps'' prend de valeurs entre 0 et 24 heures. La partie finale est la prochaine valeur du trafic, $F(T+1)$, qui représente la sortie de RN. Toutes ces données devraient être normalisées entre 0 et 1. La fenêtre ``aujourd'hui'' représente l'information à courte portée du processus du trafic. Toutes les autres entrées représentent l'information à longue portée.

Figure: Une représentation de boîte noire de notre outil pour prévoir en temps réel le futur trafic, où, $F(T)$ est le trafic actuel, $F(T-n)$ est celui à la $n^{\mbox{ème}}$ étape précédente. $F_y(T)$ est celui pour le même instant mais le jour précédent, $F_w(T)$ est celui dans la semaine précédente.