Les embouteillages constituent un problème majeur, entraînant des pertes économiques et des pertes de temps. Le coût des embouteillages urbains aux États-Unis est passé de 42 milliards de dollars en 1982 à 160 milliards de dollars en 2015. Alors que les données en temps réel améliorent la planification des itinéraires et la prévision des embouteillages, le réacheminement continu est coûteux en termes de calcul et nécessite une bande passante importante. Cet article évalue les avantages des stratégies de réacheminement à l'aide de données réelles provenant de villes comme New York et Londres. Il révèle que le réacheminement est rarement nécessaire et qu'il n'apporte que des améliorations limitées en termes de temps de trajet. L'étude suggère que le réacheminement en temps réel peut améliorer les temps de trajet dans les cas de congestion grave, mais qu'une approche plus collective de la gestion des véhicules pourrait optimiser davantage le flux de trafic. Les travaux futurs se concentreront sur l'amélioration des mises à jour d'itinéraires et l'exploration de stratégies coopératives pour mieux équilibrer le trafic.
La planification des itinéraires représente un défi majeur ayant un impact substantiel sur la sécurité, l'économie et même le climat. L'augmentation constante de la population urbaine a entraîné une augmentation significative des temps de trajet, soulignant ainsi l'importance d'une planification efficace des itinéraires en temps réel. En substance, l'objectif est de calculer l'itinéraire le plus rapide pour atteindre l'emplacement cible dans un environnement réaliste où les conditions de circulation évoluent dans le temps. Par conséquent, un grand volume de données sur le trafic est potentiellement nécessaire et l'itinéraire est continuellement mis à jour. Nous abordons donc le problème du réacheminement pour répondre à des questions telles que : quand, à quelle fréquence et où le réacheminement est-il utile ? Nous basons notre étude sur un ensemble de données réelles, comprenant les temps de parcours des segments routiers de New York, Londres et Chicago, collectés sur une période de trois mois. En exploitant cet ensemble de données, nous mettons en œuvre un algorithme optimal, capable d'imiter les prédictions idéales des vitesses des segments de route dans le réseau. Cela nous permet de calculer la limite inférieure du temps de trajet qui servira de référence par rapport à d'autres techniques de routage. Nous quantifions principalement le gain de temps de trajet obtenu avec une stratégie statique, sans réacheminement et avec un réacheminement continu. De manière surprenante, nous constatons que les conditions de circulation sont suffisamment stables sur de courtes périodes et que le réacheminement d'un véhicule est très rarement utile lorsque l'on exploite des statistiques précises au moment du départ. En règle générale, le réacheminement en temps réel ne devrait être déclenché qu'aux heures de pointe, pour les longs itinéraires, en passant par des segments de route bien identifiés.
.svg){kind=icon}
.svg){kind=icon}
.svg){kind=icon}
.svg){kind=icon}
