À Montréal, la neige est à la fois appréciée et redoutée. Si beaucoup aiment la voir tomber, affronter la neige, surtout en conduisant, est une autre histoire. Les équipes de déneigement travaillent dur pour déblayer les 10 000 km de rues afin de maintenir la ville en mouvement et d'assurer la sécurité de tous [1]. Cependant, le déneigement n'est pas aussi simple qu'il y paraît. Il s'agit d'une opération complexe qui nécessite une planification rigoureuse, un équilibre entre les coûts, le temps et l'équipement disponible et, surtout, la satisfaction des besoins du public.
À mesure que les villes grandissent et que la mobilité augmente, le déneigement doit s’adapter. Un des défis majeurs est de prioriser les routes à déneiger. Traditionnellement, cela se fait selon le type de route et les bâtiments desservis. Cependant, l’importance d’une route varie selon l’heure, la circulation, les travaux et la météo. Pour optimiser le déneigement, il faut établir des priorités dynamiques basées sur des informations actualisées du réseau routier.
L’intelligence artificielle au service du déneigement
L'intelligence artificielle peut révolutionner le déneigement en offrant des informations en temps réel sur l'état des routes et en ajustant les opérations en fonction des nécessités du terrain. Montréal dispose d'un vaste réseau de caméras de circulation, placées à des intersections clés, qui captent des images pouvant fournir des informations pertinentes pour le déneigement. En introduisant ces images dans des algorithmes d’apprentissage profond, nous pouvons prédire des informations, telles que les niveaux de neige et le volume de la circulation, qui aident à prendre des décisions sur les routes devant être déneigées en premier. Dans cet article, nous expliquons comment nous mettons en œuvre cette approche pour permettre des opérations de déneigement plus efficaces.
Notre méthode comporte deux composantes principales : l'une pour les routes équipées de caméras et l'autre pour les routes sans caméras. Dans les deux cas, l'objectif est de prédire le niveau d'enneigement de la route et le volume de la circulation.
Routes avec et sans caméras
Pour le première composante, nous avons collecté et annoté plus de 40 000 images de caméras de circulation de Montréal prises durant les hivers 2022 et 2023. Nous avons ensuite entraîné un réseau neuronal convolutif (CNN) à classer les images en quatre catégories de couverture de la neige, alignées avec les opérations de déneigement de la ville, comme illustré à la figure 1. Cette classification permet de déterminer l'opération à effectuer et contribue au calcul de la priorité. Le CNN atteint une précision allant jusqu’à 97 %, mais qui chute à 79 % sous conditions météorologiques extrêmes, lorsque la visibilité est faible. Pour estimer l'importance relative de la circulation sur le réseau routier, nous utilisons le modèle de détection d'objets YOLOv5, qui permet d’identifier et de compter les véhicules en mouvement tout en filtrant les véhicules stationnés.
La deuxième composante étend les connaissances acquises sur les routes équipées de caméras au reste du réseau routier. Nous représentons ce dernier sous la forme d'un graphe, où chaque nœud correspond à une intersection. Pour les rues connectées aux intersections, nous supposons qu'elles partagent les mêmes attributs que ceux à portée de la caméra. Cependant, les routes sans caméra ne disposent pas d'informations directes. Pour combler ces lacunes, nous utilisons une technique d'apprentissage des graphes appelée Graph Convolutional Network (GCN). Le GCN tire parti de la structure spatiale du graphe pour propager les données des nœuds surveillés par les caméras aux intersections voisines et aux routes qui leur sont connectées, ce qui nous permet d'extrapoler les informations sur le niveau d'enneigement et le volume de la circulation dans les zones non desservies par les caméras.
Disposant désormais des informations sur la neige et la circulation pour toutes les routes, nous pouvons établir des priorités en combinant ces données dynamiques avec des critères, tels que le type de rue (primaire, secondaire, tertiaire, résidentielle) et les bâtiments desservis (hôpitaux, écoles, casernes de pompiers, etc.). Cela permet de prioriser les routes qui assurent l'accès aux services essentiels. Pour faciliter la planification du déneigement, nous classons les priorités en quatre niveaux, utilisés comme poids dans le graphe du réseau routier. La figure 2 présente la répartition des priorités dans l’arrondissement Ville-Marie lors de la chute de neige du 18 février 2022.
Une fois les priorités définies, la ville peut utiliser un algorithme de routage pour planifier le déneigement. Pour les tests, nous avons implanté un algorithme de routage qui privilégie le déneigement des routes dont la priorité est plus élevée. Nous l'avons comparé à un algorithme classique qui trouve le chemin le plus court entre deux points sans priorité. Le tableau 1 présente un extrait des résultats des simulations dans différents arrondissements. Bien que notre méthode prenne plus de temps que l'approche du chemin le plus court, elle donne la priorité aux routes les plus critiques et les plus prioritaires comme indiqué dans la deuxième colonne. À première vue, opter pour le chemin le plus court entre deux points peut sembler pratique parce que plus rapide et plus rentable. Toutefois, du point de vue de la qualité du service, il est plus avantageux de dégager les routes prioritaires, même si cela entraîne de légers retards.
Tableau 1 : Temps d’opération (min) selon le type d’algorithme de routage
Bien que nos tests ne couvrent pas toutes les variables du monde réel, notre méthode offre une avancée prometteuse pour améliorer le déneigement en ciblant les zones où il est le plus nécessaire. Nous visons à fournir aux municipalités un cadre assurant un meilleur service et une meilleure qualité de vie en hiver. Avec une infrastructure de caméras adéquate, cette priorisation dynamique peut s'intégrer aux algorithmes de routage, améliorant ainsi l'efficacité des opérations.
Références:
[1] Ville de Montréal. « Tout savoir sur le déneigement à Montréal ». https://montreal.ca/articles/t....
[2] Karaa, Mohamed, Hakim Ghazzai, Yehia Massoud et Lokman Sboui. 2024. « A Computer Vision-Based Framework for Snow Removal Operation Routing ». IEEE Open Journal of Circuits and Systems, vol. 5, p. 81‑91.