Protocole de Communication Adaptatif base sur l’Apprentissage Machine pour l’Optimisation du Trafic Urbain en Temps Reel

Abstract

La croissance rapide du nombre de v´ehicules dans les zones urbaines pose des d´efis majeurs en mati`ere de gestion du trafic, notamment l’augmentation du temps d’attente, la congestion routi`ere et les ´emissions polluantes. Pour faire face `a ces enjeux, ce travail propose un syst`eme intelligent de contrˆole adaptatif des feux de circulation bas´e sur l’apprentissage par renforcement profond multi-agent. L’approche adopt´ee repose sur l’algorithme MADDPG (Multi-Agent Deep Determinis tic Policy Gradient), permettant un apprentissage centralis´e et une ex´ecution d´ecentralis´ee (CTDE).Chaqueintersection est mod´elis´ee comme un agent autonome, capable de prendre des d´ecisions en fonction de son ´etat local et des informations re¸cues de ses voisins. Le syst`eme est mis en œuvre dans un environnement de simulation r´ealiste via SUMO (Simulation of Urban Mobility), en int´egrant des m´etriques cl´es telles que le temps d’at tente, la longueur des files d’attente, et les ´emissions de CO2. L’architecture du r´eseau neuronal inclut des couches d’attention pour am´eliorer la prise de d´ecision dans des envi ronnements dynamiques. Les r´esultats exp´erimentaux d´emontrent que le syst`eme propos´e r´eduit significative ment les indicateurs n´egatifs du trafic par rapport aux m´ethodes classiques. Ce travail ouvre la voie `a des applications concr`etes dans le cadre des villes intelligentes, en combi nant apprentissage automatique, simulation et optimisation du trafic.