Gestion Adaptative Des Véhicules D'Urgence Utilisant Des Informations en Temps Reél

UNIVERSITE DU QUEBEC EN OUTAOUAIS
GESTION ADAPTATIVE DES VÉHICULES

D’URGENCE UTILISANT DES INFORMATIONS
EN TEMPS REÉL
MÉMOIRE DE MAÎTRISE
PRÉSENTÉ
COMME ÉXIGENCE PARTIELLE

DE LA MAÎTRISE EN INFORMATIQUE
PAR :
HANENE BEN YEDDER
Mai 2014
UNIVERSITE DU QUEBEC EN OUTAOUAIS
Département d’informatique et d’ingénierie
Mémoire:
GESTION ADAPTATIVE DES VEHICULES

D’URGENCE UTILISANT DES INFORMATIONS
EN TEMPS REEL
Présenté par : Hanene Ben Yedder
Pour l’obtention de maîtrise en Informatique
Mai 2014
Évalué par un jury composé de :
Ilham Benyahia………………………………….Directrice de recherche
Jean-Yves Potvin………………………………..Co-directeur de recherche
Luigi Logrippo……………………..……………Président du Jury
Ana-Maria Cretu…………………………………Membre du Jury

Remerciement
Tout d'abord, je remercie Allah pour la patience, la force, la volonté et la santé qu'Il m'a
données afin de réaliser ce travail.
Mes chaleureux remerciements s'adressent à ma directrice de recherche Dr. Ilham

Benyahia pour son soutien, ses directives, ses conseils et le temps qu'elle a bien voulu me
consacrer.
Mes vifs remerciements s'adressent également à mon co-directeur de recherche Dr. Jean-
Yves Potvin, pour sa précieuse contribution, ses conseils et son aide, et a Dr Luigi Logrippo pour
son aide, ses conseils et ses encouragements continus.
Un grand merci à mon mari, mes parents, ma petite Salsabil, ma sœur et toute ma famille
pour leurs soutiens moraux, leurs encouragements et leurs sacrifices tout le long de ma
formation.
Je tiens aussi à rendre hommage à ceux qui ont cru en mes capacités malgré les courants
contraires qui ont tout fait pour m’arrêter. Pour cela, je tiens à remercier particulièrement mes
parents pour leur présence constante et leur aide indispensable ainsi que pour leur amour
inestimable.
Je remercie tous ceux qui m’ont aidé à franchir ce cap malgré toutes les difficultés de la
vie courante.
À tous ceux qui ont été présents de près et de loin, je tiens à dédier ce mémoire.
Table des matières
Remerciement................................................................................................................................................ i
Résumé .......................................................................................................................................................... i
Abstract .......................................................................................................................................................... i
Introduction .................................................................................................................................................. 1
Chapitre 1 : Contexte et problématique ....................................................................................................... 3
1. Contexte ............................................................................................................................................ 3
1.1. Incident et impacts.................................................................................................................... 3
1.2. La gestion des incidents ............................................................................................................ 4
2. Aperçu sur les travaux existants relatifs à la gestion des incidents .................................................. 5
2.1. Méthodes de calcul du délai ..................................................................................................... 5
2.2. Détection de l’incident .............................................................................................................. 6
2.3. Durée totale de l'incident ......................................................................................................... 7
3. Problématique de la répartition des véhicules d’urgence ................................................................ 9
3.1. Exemples de scénarios de congestion imprévisible ................................................................ 11
3.2. Potentialité de la gestion en temps réel ................................................................................. 13
3.3. Besoins apparents de la gestion en temps réel ...................................................................... 15
4. Objectif de la recherche .................................................................................................................. 16
Chapitre 2: État de l’art ............................................................................................................................... 18
1. Introduction au problème de routage et répartition de véhicules................................................. 19
1.1. Variantes du problème de tournées de véhicules .................................................................. 20
1.2. Problème de répartition de véhicules d’urgence en temps réel ............................................ 21
2. Un aperçu des contributions portant sur les systèmes d’urgence ................................................. 22
2.1. Problème de répartition avec temps de parcours statique .................................................... 23
2.2. Problème de répartition dynamique ...................................................................................... 24
3. Architecture de gestion des flottes de véhicules ............................................................................ 28
3.1. Architecture centralisée.......................................................................................................... 28
3.2. Architecture décentralisée...................................................................................................... 29
3.3. Architecture hybride .............................................................................................................. 30
3.4. Architecture reconfigurable ................................................................................................... 32
i
4. Approches de résolution pour le VRP ............................................................................................. 33
4.1. Un aperçu sur le principe de base des méthodes de résolution ............................................ 33
4.2. Un aperçu sur l’optimisation dynamique................................................................................ 34
4.3. Approches de résolution utilisées dans la littérature ............................................................. 36
5. Le problème du plus court chemin dynamique .............................................................................. 40
5.1. Les algorithmes du plus court chemin .................................................................................... 40
5.2. Les modèles de prévision du temps de parcours.................................................................... 42
6. Conclusion des discussions sur les approches existantes ............................................................... 43
Chapitre 3 : Méthodologie .......................................................................................................................... 46
1. Construction de la solution ............................................................................................................. 46
1.1. Modélisation du système de gestion des véhicules d’urgence.............................................. 46
1.2. Identification des principaux événements ............................................................................... 47
1.3. Définition d’approche de reconfiguration réduisant l’impact des variations......................... 48
1.4. Maximisation de l’utilisation de la flotte de véhicules ............................................................ 49
2. Approche de résolution .................................................................................................................. 50
2.1. Architecture de résolution ...................................................................................................... 50
2.2. Méthodologie décisionnelle ................................................................................................... 53
2.3. Modélisation de la structure décisionnelle............................................................................. 57
2.4. Séquence décisionnelle :......................................................................................................... 70
3. Conclusion ....................................................................................................................................... 71
Chapitre 4 : Simulation et résultats ............................................................................................................ 72
1. Introduction .................................................................................................................................... 72
2. Environnement de simulation......................................................................................................... 72
2.1. Modèle de simulation ............................................................................................................. 73
2.2. Outils de simulation SUMO ..................................................................................................... 73
2.3. Environnement connecté........................................................................................................ 74
2.4. Paramètres d’entrée de la simulation .................................................................................... 79
2.5. Collecte, agrégation et contrôle des données ........................................................................ 81
2.6. Hypothèses de simulation....................................................................................................... 84
2.7. Indice de performance utilisé ................................................................................................. 86
3. Expérimentation et résultats .......................................................................................................... 86
3.1. Scénario de congestion en route ............................................................................................ 87
ii
3.2. Scénario d’un véhicule en panne ............................................................................................ 92
3.3. Analyse des résultats .............................................................................................................. 98
Conclusion, Contributions et Travaux futurs ............................................................................................ 101
1. Conclusion ..................................................................................................................................... 101
2. Travaux futurs ............................................................................................................................... 103
Références ................................................................................................................................................ 104
Annexe 1: Voisinage dynamique ............................................................................................................... 112
Annexe 2 : Algorithmes du plus court chemin .......................................................................................... 114
iii
LISTE DES FIGURES
FIGURE 1-1 COMPOSANTES DE LA DUREE D’UN INCIDENT (MADANAT ET FEROZE [16]) 8

FIGURE 1-2 UNE COLLISION ENTRE DEUX VOITURES SUR LA ROUTE DU VEHICULE D’URGENCE 11
FIGURE 1-3 CHUTE D’UN ARBRE SUR LA ROUTE DU VEHICULE D’URGENCE 12
FIGURE 2-1 STRUCTURE DU SYSTEME DE GESTION DE VEHICULES D'URGENCE (HAGHANI ET AL. [9]) 27
FIGURE 2-2 ARCHITECTURE MULTI-AGENT POUR LA GESTION DE VEHICULES D'URGENCE (IBRI ET AL. [42]) 31
FIGURE 2-3 MODELISATION D’UNE RESOLUTION PERIODIQUE DU PROBLEME DE ROUTAGE TEMPS REEL [19] 35
FIGURE 3-1 CONCEPT DE VEHICULES CONNECTES VANET 47
FIGURE 3-2 ARCHITECTURE D'APPLICATION COMPLEXE (BENYAHIA ET POTVIN [33]) 51
FIGURE 3-3 LES INTERACTIONS ENTRE LES TROIS COUCHES 53
FIGURE 3-4 DIAGRAMME DE COLLABORATION DU SYSTEME DE GESTION DES VEHICULES 57
FIGURE 3-5 SCENARIO D’EXECUTION POUR NOTIFICATION FORTE CONGESTION SUR LA ROUTE 60
FIGURE 3-6 SCENARIO D’EXECUTION POUR NOTIFICATION DE VEHICULE COINCE PAR UNE CONGESTION 62
FIGURE 3-7 SCENARIO D’EXECUTION DE NOTIFICATION D'UN VEHICULE EN PANNE 64
FIGURE 3-8 EXEMPLE D’UN SOUS-RESEAU DE GRADE-2 EN FONCTION DU CHEMIN P (JIGANG ET AL. [77]) 68
FIGURE 3-9 ARCHITECTURE AVEC DES COMPOSANTS RECONFIGURABLES (INSPIREE DE [33]) 70
FIGURE 4-1 ENVIRONNEMENT D'EXPERIMENTATION 75
FIGURE 4-2 FICHIERS DE CONFIGURATION DE LA CIRCULATION URBAINE 76
FIGURE 4-3 FRAMEWORK DE SIMULATION 79
FIGURE 4-4 LOCALISATION GEOGRAPHIQUE INITIALE DES VEHICULES D'URGENCE 81
FIGURE 4-5 ROUTE PLANIFIEE INITIALEMENT AU VEHICULE D’URGENCE EV2 87
FIGURE 4-6 CAMION EN PANNE SUR LA ROUTE DU VEHICULE D'URGENCE (PRISE DE SUMO) 88
FIGURE 4-7 DEROULEMENT DU SCENARIO 1 89
FIGURE 4-8 NOUVELLE ROUTE DU VEHICULE EV2 90
FIGURE 4-9 VEHICULE D'URGENCE EN PANNE A MI-CHEMIN (PRISE DE SUMO) 93
FIGURE 4-10 ROUTE POTENTIELLE DU VEHICULE EV3 VERS LE SITE D’APPEL D’URGENCE 94
FIGURE 4-11 ROUTE POTENTIELLE DU VEHICULE EV5 VERS LE SITE D’APPEL D’URGENCE 95
FIGURE 4-12 DEROULEMENT DU SCENARIO 2 96
i
LISTE DES TABLEAUX
TABLEAU 1- PROBLEMES LOCAUX DE ROUTAGE ET REPARTITION DYNAMIQUES (GENDREAU ET POTVIN, [30]) ..........21
TABLEAU 2- TABLEAU COMPARATIF DES DIFFERENTES APPROCHES.............................................................................45
TABLEAU 3- BASE DES REGLES.....................................................................................................................................71
TABLEAU 4- ÉTAT INITIAL DE LA FLOTTE DE VEHICULES D’URGENCE ..........................................................................81
TABLEAU 5- CLASSIFICATION DE L’ETAT DU TRAFIC ROUTIER SELON LES VITESSES DE CIRCULATION [89] ..................83
TABLEAU 6- TEMPS EPARGNE PAR LE REROUTAGE D’EV2 PAR LE SYSTEME DE GESTION ADAPTATIF...........................91
TABLEAU 7- VARIATION DU TEMPS EPARGNE AVEC L'AMPLEUR DE LA CONGESTION....................................................92
TABLEAU 8- CARACTERISTIQUES DES ROUTES DES VEHICULES CANDIDATS .................................................................95
TABLEAU 9- RESULTATS DE SIMULATION DU SCENARIO 2 ............................................................................................97
ii
Résumé
Les systèmes de transports intelligents (STI) représentent un domaine multidisciplinaire

combinant des technologies émergentes dans le but d’optimiser les planifications et opérations
des réseaux de transports. Nous considérons particulièrement les STI pour l’étude des problèmes
de recherche liés à la gestion des incidents dont la résolution présente encore des défis et des
difficultés. Comme axe de recherche, nous considérons le problème de répartition dynamique des
véhicules d’urgence vu ses retombées. En effet, l'efficacité du processus de gestion des véhicules
d’urgence permet de minimiser les conséquences des incidents sur les vies humaines, les biens
matériels ainsi que le rétablissement de la fluidité et de la performance du réseau routier. La prise
de décision dans ces situations d’urgence demeure une tâche difficile, vu le nombre de variables
qui entrent en jeu d’une part et le dynamisme et l'imprévisibilité de certains d'entre eux d’autre
part. La littérature montre de nombreuses contributions relatives aux études de ce problème
notamment la définition d’algorithmes d’optimisation basés sur des méta-heuristiques de plus en
plus sophistiquées et leurs combinaisons. Cependant, la plupart des recherches dans ce domaine
ont porté sur la relocalisation dynamique des véhicules de façon à tenir compte du dynamisme
des arrivées des appels tout en négligeant les répercussions des incertitudes de l’environnement
routier sur les solutions. L’intégration d’une telle problématique dans le contexte des transports
représente une innovation qui nous permet de considérer de nouveaux formalismes de ces
problèmes et qui permettent d’étudier le problème dans un contexte dynamique et interactif.
Dans ce contexte, les changements dynamiques et imprévisibles de l'environnement pourraient
être mieux adressés. Nous proposons une approche réactive pour l’affectation des véhicules
d’urgence basée sur une résolution contextuelle et une architecture basée sur des composantes
dynamiquement reconfigurables. Pour expérimenter et valider notre approche, nous avons défini
un cadre de simulation conçu pour mieux supporter notre étude. Nous avons défini et testé
plusieurs scénarios réalistes. Les résultats numériques mettent en évidence l’avantage de notre
approche de répartition proposée pour l’optimisation du temps de réponse définie par la
réduction des délais d’intervention.
Mots clés: affectation dynamique de véhicules, approche contextuelle, architecture

reconfigurable, véhicules d’urgence, système de transports intelligents, simulation.
i
Abstract
Decision making in urban emergency situations is a challenging task since there are several
variables influencing the process, and some of them change unpredictably. Emergency situations
require accurate and timely decisions in order to reduce delay and additional impact of incidents
on human lives and civil property. This process characteristic requires that decision makers
monitor and adjust their decisions almost permanently. Therefore, information availability and
exchange are key to improve the decision making process. Despite sophisticated optimization
contributions in dynamic emergency vehicle dispatching problem, few of them have considered
their integration in Intelligent Transportation Systems architectures. In this context, dynamic and
unforeseen environment changes might be better addressed. This study deals with the emergency
vehicles dispatching problem using reel time information. We propose a reactive approach for
vehicle dispatching based on a context aware and reconfigurable architecture. The model is
intended to help allocate emergency vehicles (ambulances, fire trucks, etc.) to urban emergencies
and adjust their road according to upcoming traffic changes and unforeseeable events.
Optimization focuses mainly on the travel time component of response time since this is the
component most affected by traffic change. Several simulation experiments are performed
considering realistic scenarios. The numerical results highlight the benefits of the proposed
dispatching model in improving the emergency response time and delay reducing hence confirms
the effectiveness of the proposed model.
Key Words: Dynamic Vehicle dispatching, Context Aware, Reactive Dispatching,

Reconfigurable Architecture, Emergency Vehicles, Intelligent Transportation Systems,
Simulation.
i
Introduction
Introduction
Le nombre des utilisateurs du transport routier croit d’une année à une autre de manière
sans précédent. Depuis 20 ans, la circulation routière au Canada a augmenté de 60% et le
Canadien moyen passe désormais l’équivalent de douze jours par année à voyager de chez lui au
travail [1]. Bien que les embouteillages soient pour beaucoup source de frustration, la congestion
grandissante des réseaux routiers engendre des problèmes bien plus graves, notamment la
pollution de l’air, la pollution sonore, la hausse des coûts de livraison et surtout la difficulté pour
les secours à se rendre rapidement sur les lieux d’un accident. Des vies humaines sont ainsi
perdues chaque jour à cause des délais encourus par les véhicules de secours dus à la congestion.
Les systèmes d’urgence opèrent dans des environnements fortement dynamiques et

subissent des perturbations assez fréquentes. Ces perturbations sont dues à deux principaux
facteurs. Le premier réside dans l’arrivée dynamique des demandes de service tout au long de la
journée. Celles-ci peuvent être plus ou moins critiques, mais nécessitent néanmoins des réponses
promptes. Le deuxième facteur correspond aux variations dans les temps de parcours en
référence à différents événements tels que les embouteillages, les accidents routiers, les pannes
de véhicules en service, etc. Ainsi, les routes planifiées peuvent devenir inadaptées à la situation
courante et entraîner une dégradation graduelle de la qualité de service.
Dans les systèmes d’urgence, la durée d'une intervention est un indice important de la
qualité de service et des répercussions potentiellement négatives de l’événement, en particulier
pour les cas graves. L'agence américaine de protection des incendies (NFPA «National Fire
Protection Association ») [2] a mis au point une série de codes qui servent de lignes directrices
dans les opérations réelles. Selon cette norme, au moins 90% des situations d’urgences doivent
être traitées à l’intérieur d’un délai de 5 minutes par la première unité d’intervention.
L’amélioration des temps de réponse aux incidents pourrait considérablement réduire les
répercussions négatives et diminuer les taux de décès ou de pertes de biens. L'intégration des
technologies d’information et de communication allouant une collecte et un échange rapide
d'informations en temps réel sur l’état du trafic routier et des véhicules de secours pourrait
augmenter considérablement la performance des systèmes d’urgence.
1
Introduction
Ce projet s’intègre donc dans un contexte où l’on cherche à définir une stratégie de
répartition dynamique des véhicules d’urgence pour optimiser le temps de réponse dans un
environnement changeant tout en profitant au mieux des informations et technologies
disponibles, plus spécifiquement les outils de télécommunications et les architectures distribuées.
La stratégie de répartition des véhicules doit s’adapter aux variations observées dans
l’environnement et assurer le meilleur compromis possible entre la qualité de la solution fournie
et le temps de calcul requis.
Ce mémoire est organisé comme suit. Nous présentons dans le premier chapitre la
problématique étudiée et la situons dans un contexte précis. Une revue de la littérature portant
sur le problème de répartition dynamique des véhicules d’urgence et de certains thèmes sous-
jacents est présentée au chapitre 2. À la fin de ce chapitre, nous abordons différentes stratégies de
répartition et techniques de décision applicables dans notre cas. Nous discutons dans le chapitre
3 de l’approche de résolution contextuelle et des techniques de reconfiguration applicables à
notre cas. Une étude expérimentale de notre approche et des scénarios pour sa mise en œuvre
dans le domaine des transports intelligents sont présentés dans le chapitre 4. Finalement, le
chapitre 5 présente une conclusion et suggère des travaux futurs.
2
Chapitre 1 : Contexte et problématique

1. Contexte
La sécurité routière s’intéresse à tout ce qui peut protéger les conducteurs, voyageurs et
piétons et leur éviter des incidents et accidents ou, à tout le moins, minimiser leurs conséquences.
Elle constitue l'ensemble des mesures visant à éviter les incidents sur la route (prévention du
risque), ou à atténuer leurs conséquences (prévision). On parle alors de gestion des incidents et
notre projet se situe dans ce contexte.
1.1. Incident et impacts

Par définition, un ‘incident’ non récurrent est défini, dans le contexte de la sécurité
routière, comme tout événement qui entraîne une réduction de la capacité d'une route ou une
augmentation anormale de sa demande. Ces événements comprennent les accidents routiers, les
véhicules en panne, les projets de maintenance et de reconstruction des routes et les événements
spéciaux à caractère "non urgent", par exemple les événements sportifs, les concerts, ou tout
autre événement qui affecte de manière significative le trafic routier.
Le problème le plus souvent associé aux incidents routiers est la réduction de la capacité
effective de la chaussée, ce qui provoque des files d'attente et des retards parfois importants. La
limitation de l'efficacité opérationnelle du réseau de transport met tous les utilisateurs du réseau à
risque et les expose à de lourdes conséquences, dont la sécurité, la pollution, les retards et les
coûts de déplacement dus à la congestion.
Des études sur l’impact des incidents autoroutiers sur la capacité routière montrent qu'un
incident imprévu entraîne une réduction beaucoup plus importante de la capacité de l'autoroute
que la réduction physique de l'espace chaussée causée par l'incident. Ainsi, un incident bloquant
une seule voie d'une autoroute à trois voies réduit sa capacité de près de 50 % [3].
Dans la plupart des régions métropolitaines, les retards liés aux incidents comptent pour
50% à 60% du retard dû à la congestion. Dans les petites régions urbaines, cette proportion peut
être encore plus grande [4].
Tout retard représente un inconvénient majeur pour différentes catégories d’usagers de la

route comme les services de secours qui doivent envisager une augmentation de leurs temps de
3
réponse, voire même le risque d’occurrence d'un second accident, ce qui constitue un problème
encore plus grave. De plus, l'augmentation de la consommation de carburant et tout un ensemble
d'autres impacts environnementaux négatifs sont généralement associés aux incidents routiers.
L'ampleur d’un incident peut s’aggraver s'il n’est pas rapidement traité. Toute réduction
de son impact sur le trafic limite les effets dommageables mentionnés plus haut en plus
d’améliorer la sécurité de ceux qui ne sont pas impliqués. Une gestion efficace des incidents et
accidents constitue donc un enjeu important.
1.2. La gestion des incidents

La gestion des incidents est une fonction essentielle dans la conception et le déploiement
des systèmes avancés de gestion du transport (ATMS « Advanced Traffic Management System»)
et des systèmes avancés d’information pour les voyageurs (ATIS « Advanced Traveler
Information Services »). Elle comprend principalement la détection, la vérification, l'intervention
ou réponse aux incidents et le rétablissement de la fluidité de la circulation.
La gestion des incidents se définit formellement comme l'utilisation systématique,

planifiée et coordonnée des ressources humaines, institutionnelles, mécaniques et techniques afin
de réduire la durée et l'impact des incidents et améliorer la sécurité des automobilistes, des
victimes d'accidents ainsi que des intervenants [5]. Ces ressources sont également utilisées pour
augmenter l'efficacité de fonctionnement, de la sécurité et de la mobilité sur la route par la
réduction systématique du temps de détection et de vérification des incidents et la mise en œuvre
de réponses appropriées incluant le rétablissement de la sécurité sur les routes et la gestion du
flux routier affecté jusqu'à la restauration de la pleine capacité de la route [5].
Différentes techniques de gestion des incidents ont le potentiel de réduire

considérablement la congestion. Certaines de ces techniques, comme l'utilisation de panneaux à
messages variables (PMV) et la radio consultative sur l'autoroute pour informer les voyageurs
des incidents, peuvent être utilisées en réponse à presque tous les incidents indépendamment de
leur gravité. D’autres techniques, comme la soustraction temporaire des restrictions sur les voies
réservées aux véhicules à occupation multiple, ou la fermeture de rampes d’entrée aux autoroutes
ne s’appliquent qu'en cas d’incidents graves qui sont susceptibles d'avoir des répercussions
sérieuses sur le système de transport [5].
4
Les systèmes de gestion de flottes de véhicules d’urgence utilisent actuellement des

capteurs, des techniques de traitement des données et des équipements de télécommunications
pour améliorer leur capacité de gestion et d’intervention. Ces nouvelles facilités aident à détecter
rapidement et fidèlement les incidents et à mettre en œuvre une intervention rapide afin de
minimiser la congestion routière et leurs effets.
Plusieurs travaux de recherche se sont intéressés à la gestion des incidents selon ces
différents axes (ex. [4], [6], [7], [8], [9]). On présentera dans ce qui suit un aperçu générique de
ces travaux.
2. Aperçu sur les travaux existants relatifs à la gestion des incidents

Afin d’optimiser la gestion des incidents, il est important de prendre en compte tous leurs
impacts possibles afin de les minimiser. Plusieurs travaux, dont [10], montrent les liens entre
l’occurrence d’accidents et la congestion additionnelle qu’elle entraîne. Diverses méthodes de
calcul rapportées dans [10], [11], [12] sont proposées pour évaluer les paramètres de congestion
(retards dus à des incidents, aux événements spéciaux, à la fermeture de voies, aux conditions
météorologiques, etc.) afin d’estimer la contribution de chaque paramètre dans le retard total
journalier. Cette quantification des composantes de la congestion sur les sites artériels et les
autoroutes est essentielle pour l’élaboration de stratégies efficaces d'atténuation de la congestion.
Les principales contributions des travaux de recherche portant sur l’optimisation de la

gestion des incidents correspondent à l’introduction de méthodes innovantes à chacune des
phases de la gestion d’un incident, depuis son occurrence jusqu’au rétablissement d’un état
normal des routes. Ces méthodes permettent le calcul du délai [4], la détection d’incident [13], la
prédiction du temps de rétablissement des routes (clearance) [6] et finalement les travaux relatifs
aux méthodes qui permettent de gérer les interventions des véhicules de secours [9], [14].
2.1. Méthodes de calcul du délai

Le calcul du délai désigne en général la différence entre le temps de déplacement actuel
et le temps de circulation libre sur un tronçon de la route [4]. Il peut être déterminé à l’aide de
différentes méthodes adaptées à une grande variété de situations, telles qu’une autoroute ou un
système artériel.
5
Le délai peut être «récurrent» ou «non récurrent». Les retards récurrents constituent les
retards quotidiens rencontrés lors des déplacements et qui peuvent être déduits à partir de
données historiques. Les retards non récurrents sont ceux causés par des incidents ou accidents et
se divisent généralement en deux périodes, soit le délai immédiat et le délai résiduel. Le premier
désigne le retard encouru pendant l'incident alors que le second constitue le retard subi après que
l’incident ait été traité et que les routes aient été rétablies.
Dans [7], les auteurs ont développé une approche pour le calcul du volume des retards
cumulés sur les autoroutes en utilisant deux courbes de volume cumulatif (l'une pour l'arrivée et
l'autre pour le départ du site de l'incident) tracées sur un axe temporel. La zone située entre ces
deux courbes représente le retard supplémentaire dû à l'incident. D’autres approches comme les
diagrammes de files d'attente [15] utilisent des données comme la durée de l'incident, la capacité
de la route avant et après l’incident et la demande du trafic pour calculer le retard. L’estimation
du trafic en temps réel basée sur la simulation informatique constitue un autre moyen de
modélisation des retards pendant les incidents.
2.2. Détection de l’incident

La détection des incidents est une autre étape cruciale qui affecte les actions à
entreprendre et qui détermine la fiabilité et l'efficacité du système de gestion. Une détection
rapide et fiable est désormais fondamentale.
La performance d'un système de détection d'incidents peut être évaluée à deux niveaux,
soit au niveau des technologies de collecte des données et au niveau des algorithmes de
traitement des données. Des efforts considérables ont été consacrés à l’amélioration des
techniques de détection d'incidents, y compris le déploiement de nouvelles technologies de
détection (capteurs) et le développement d'une variété d’algorithmes de traitement.
Récemment, on a observé une tendance à délaisser les algorithmes de traitement des

données basés sur des systèmes de surveillance traditionnels comme les systèmes de détection
par boucle (vu leur taux élevé de fausses alarmes et défaillances fréquentes) pour les remplacer
par des détecteurs/capteurs de trafic tels les systèmes de communications entre véhicules et
infrastructures (VRC « Vehicle to Road side Communication ») ou encore l'identification
automatique des véhicules (AVI « Automatic Vehicle Identification ») et la localisation
6
automatique des véhicules (GPS « Global Positioning System », systèmes de géolocalisation

cellulaire) [13].
Plusieurs catégories d’algorithmes existent pour détecter des incidents [13], par exemple
les algorithmes comparatifs qui comparent certains paramètres du trafic observé à des seuils
préétablis. Cette catégorie comprend les algorithmes d'arbres de décision (DT « Decision
Tree »), certains algorithmes de reconnaissance de formes (PATREG), etc.
D’autres catégories incluent les algorithmes statistiques (ex. séries chronologiques), les
algorithmes utilisés en intelligence artificielle comme les réseaux de neurones, les algorithmes
de traitement d'images, etc. Dans cette dernière catégorie, on suppose que le trafic obéit à des
modèles prévisibles et les incidents sont détectés quand les mesures des capteurs s’écartent
significativement des prévisions [6].
De nouvelles catégories sont aussi apparues récemment comme les algorithmes à base de
sondes et les algorithmes basés sur les véhicules en déplacement [6].
2.3. Durée totale de l'incident

Une utilisation efficace des techniques de gestion des incidents nécessite la capacité de
prédire la gravité d'un incident en temps réel afin d’y apporter la meilleure réponse. La durée
totale d’un incident est une des mesures fréquemment utilisées pour évaluer sa gravité compte
tenu de son impact sur tous les utilisateurs du système [16]. D’autres mesures possibles existent,
comme le temps de rétablissement, la longueur des files d’attente causées par l'incident, ou le
degré des blessures et dommages matériels.
L'intervalle de temps entre l'apparition d’un incident et le retour à des conditions de

circulation normales est appelé durée totale de l'incident. Elle se compose de plusieurs éléments:
le temps de détection / vérification, le temps de réponse des équipes de secours, et le temps de
rétablissement des routes comme le montre la Figure 1-1.
7
Figure 1-1 Composantes de la durée d’un incident (Madanat et Feroze [16])
Le temps de détection des incidents (Tl) est le temps entre l’occurrence de l'incident et sa
détection. Le temps de réponse (T1 + T2 + T3) est le délai entre l'apparition de l'incident et
l'arrivée de l'équipe de secours. Le temps de rétablissement des routes (T4) est le temps entre le
début de l'opération de secours sur place et la fin de l'opération de nettoyage. Cela comprend les
services d'urgence (si nécessaire), l’enquête sur l’incident et le retrait des débris [16].
Les principaux facteurs influençant la durée d’un incident sont: le type d'incident, le
nombre de véhicules impliqués, le nombre et la gravité des blessures, le nombre de voies
affectées, les conditions environnementales, les techniques de localisation et d'intervention [6].
L'approche la plus populaire pour analyser la durée totale d’un incident est basée sur la notion de
danger [17]. Beaucoup d’autres modèles existent pour évaluer la durée d’un incident comme les
modèles de régression linéaire basés sur différentes caractéristiques comme le type d'incident, les
conditions météorologiques, le nombre de véhicules et des voies impliquées. Par ailleurs, les
arbres de décision [18] n'exigent pas la connaissance de toutes les caractéristiques observables
d’un incident. Dans [8], les auteurs suggèrent aussi l'utilisation de la régression non
paramétrique, où la durée d'un incident est basée sur l’occurrence d’incidents semblables dans le
passé.
Même en absence d’un processus formel de gestion d'incidents, les fonctions citées ci-
dessus ont toujours lieu, quoique moins efficacement et plus lentement. Les tâches de gestion
d'incidents se réalisent habituellement de façon simultanée et sont souvent exécutées de façon
répétitive. Le temps économisé avec un système de gestion d'incidents dépend de la bonne
8
gestion de chacune des étapes: la détection, la vérification, la réponse et le rétablissement de la

fluidité de la circulation sur les routes.
L’une des phases importantes de la gestion des incidents en ce qui concerne la sécurité
routière est la phase de réponse, qui correspond à la gestion des véhicules d’urgence, en
particulier la répartition des véhicules d’urgence. Notons que si cette phase n’est pas optimisée,
la qualité des phases suivantes de la gestion des incidents sera affectée et plus particulièrement le
temps nécessaire au rétablissement de la fluidité de la circulation. Nous présentons dans la
section suivante une analyse de la répartition dynamique des véhicules d’urgence.
3. Problématique de la répartition des véhicules d’urgence

La gestion des véhicules d’urgence porte formellement sur la localisation et l’affectation
des véhicules de secours ou d’urgence. Le problème de localisation des véhicules vise à
déterminer leur répartition spatiale de manière à ce qu’un pourcentage donné des incidents, qui
arrivent de façon dynamique durant la journée (90% par exemple), soit associé à un temps de
réponse inférieur à une valeur fixée (8 minutes par exemple). L’affectation quant à elle consiste à
déterminer le véhicule (selon sa nature et sa position courante) qui doit répondre à un appel. Ce
choix est déterminé, entre autres, par le degré d’urgence de l’appel et, pour les cas moins urgents,
par ses conséquences sur la couverture territoriale. La règle de choix la plus fréquemment
utilisée consiste à affecter le véhicule le plus proche du lieu de l’incident, mais d’autres règles
sont possibles comme la minimisation de l’impact de l’affectation sur la couverture territoriale
ou sur le coût de déplacement, surtout lorsque le cas est considéré comme non urgent.
Suite à la détection d’un incident, une réponse est planifiée en fonction de la

compréhension des causes de l'incident et des mesures et/ou des ressources nécessaires pour
rétablir les conditions normales par les équipes de gestion des véhicules d’urgence, soit les
ingénieurs routiers et les représentants des organismes étatiques et locaux. Un plan approprié de
réponse à l’incident (nombre et types d’équipages et de véhicules nécessaires, itinéraire à suivre,
etc.) sera alors fixé et des itinéraires de déviation de la circulation seront déterminés.
Réduire le temps nécessaire au personnel d’urgence et aux équipements pour atteindre le

site d’un accident est prioritaire lors de la mise en place de plans de secours. Toutefois, la
majorité des systèmes de gestion de véhicules d’urgence ne tiennent compte que des événements
9
récurrents sur la route qui incluent les variations du trafic selon les heures de la journée. Par la
suite, aucun plan de suivi n’est défini pour la gestion des événements imprévus. De ce fait, un
véhicule en cours de route doit atteindre sa destination même si un imprévu provoque un délai
considérable sur sa route. Dans le meilleur des cas, un autre véhicule de remplacement sera
acheminé après un certain délai.
Pourtant, les services d’urgence sont parfois confrontés à des événements imprévisibles :
pannes, congestions, demandes incertaines, etc. Des changements dans les conditions du trafic
sur les itinéraires prévus des véhicules de secours sont très probables vu le caractère complexe et
dynamique du réseau routier. Cette dynamique se situe à différents niveaux. Par exemple, l'état
du trafic sur une route donnée varie normalement selon la journée ou l’heure de la journée. Mais
certains évènements imprévus (accidents, pont mobile bloqué, etc.) ou prévus (travaux,
événements sociaux, sportifs, etc.) peuvent influer énormément sur l'état du trafic. De plus, le
comportement des automobilistes a également un impact. En effet, leurs choix individuels
d'itinéraires peuvent provoquer des encombrements plus ou moins importants sur les routes. Ces
paramètres et beaucoup d'autres agissent sur l'état du trafic et, par conséquent, sur l'itinéraire
optimal entre deux points du réseau.
Les systèmes de gestion des véhicules d’urgence doivent donc être en mesure de faire
face à ces incertitudes et à l’évolution en temps réel des conditions du trafic lors de la prise de
décisions. Comme l’état du système est amené à évoluer de façon dynamique, des suivis et
correctifs ponctuels sont nécessaires afin de maintenir un service adéquat.
Un certain nombre de modèles ont été développés pour accommoder ce dynamisme [19],
[20], [21]. Cependant, peu d'entre eux s’adaptent véritablement au degré d'incertitude présent
dans l’environnement.
Afin de mieux comprendre notre contribution dans ce contexte, examinons quelques

scénarios basés sur l'apparition d’une congestion imprévisible sur les parcours planifiés des
véhicules d'urgence. Nous nous concentrerons plus particulièrement sur le temps de parcours
puisque c'est l'élément qui est le plus affecté par les décisions de routage et de répartition.
10
3.1. Exemples de scénarios de congestion imprévisible

Des exemples concrets qui illustrent les risques pour un véhicule d’urgence de se
retrouver dans une congestion suite à des changements ayant un impact sur son itinéraire
préétabli sont présentés dans les Figures 1-2 et 1-3 ci-dessous.
Figure 1-2 Une collision entre deux voitures sur la route du véhicule d’urgence
Considérons dans ces deux exemples un réseau de transport urbain. Dans chacun des
deux cas, un véhicule d’urgence doit répondre à un accident. On suppose que lors du choix des
itinéraires respectifs des véhicules, la circulation était fluide et stable. Cependant, cette stabilité
s’est trouvée affectée ultérieurement par des événements ayant un impact sur les flux et la
capacité de passage en certains points du réseau routier. Dans de tels cas, il y a une possibilité de
congestion et la circulation devient alors plus difficile et risquée.
Dans la Figure 1-2 un deuxième accident, soit une collision entre deux voitures, s’est
produit sur l’itinéraire planifié du véhicule d’urgence (l’itinéraire en rose dans la Figure 1-2).
Ainsi, un risque potentiel de formation d’une queue d’attente sur le site du deuxième accident
ainsi qu’un ralentissement de la circulation sont envisageables.
Dans la Figure 1-3 un obstacle imprévisible, ici la chute d’un arbre qui obstrue la route,
s’est produite sur la route planifiée du véhicule d’urgence (l’itinéraire en rose dans la Figure 1-
3). D’où le risque de fermeture complète des voies de circulation et un ralentissement, voire un
blocage, envisageable de la circulation dans cette direction.
11
Conséquemment, une augmentation du temps de réponse des véhicules d’urgence en

route, une aggravation de la congestion et du retard sur les sites.
Figure 1-3 Chute d’un arbre sur la route du véhicule d’urgence
Dans ces deux exemples, un retard dans la transmission de l’information aux véhicules de
secours qui s’approchent de ces sites ainsi qu’un retard dans la gestion de la nouvelle
information (via, par exemple, la détermination d’itinéraires de déviation de la circulation)
impliqueront inévitablement l’engagement des véhicules dans la file d’attente du deuxième
incident et leur ralentissement.
Plusieurs scénarios quant aux conséquences d’un retard dans les temps de réaction face à
des événements imprévus sont envisageables. Dans un premier scénario, on pourrait songer à un
ralentissement du véhicule de secours qui doit passer près du site du deuxième incident (dans le
cas du premier exemple) ou même un arrêt complet (dans le cas du deuxième exemple).
Dans un deuxième scénario, le véhicule de secours peut attendre le rétablissement de la

circulation. Un autre scénario consiste à envoyer une autre ressource de secours, s’il en existe,
pour remplacer le véhicule coincé sur la route.
12
Les deux premiers scénarios mènent à une augmentation significative, voire même trop
importante, du temps de réponse des équipes de secours (en particulier, dans le cas de la route
obstruée par un arbre) et conséquemment des retards au niveau du rétablissement de la
circulation. Le retard total subi par les autres usagers est ainsi accentué ce qui peut augmenter
leur niveau de frustration et mener à d’autres incidents ou accidents.
Dans le dernier scénario, une perte de ressources physiques et matérielles est subie. De
plus, un autre risque potentiel est l’occurrence d’un autre incident dans la zone de couverture du
véhicule de remplacement, qui risque de devenir non couverte suite à l’engagement de tous ces
véhicules.
En somme, si on examine le retard total calculé par le centre de gestion, à partir

d’algorithmes connus, comme les modèles de régression linéaire, il est fort probable que la
valeur obtenue soit une sous-estimation du retard véritable, étant donné que l’algorithme ne peut
tenir compte de toutes les conséquences du premier incident sur les temps de parcours. Il est
donc nécessaire de recalculer le retard lorsqu’un nouvel événement survient dépendamment du
scénario de recours envisagé par le centre de gestion.
Le temps économisé en utilisant un système de gestion d'incidents dépend ainsi

largement de la bonne gestion de toutes les étapes de résolution d'un incident. Une réaction en
temps réel face aux incertitudes de l’environnement et aux fluctuations des conditions du trafic
s’avère donc cruciale lors de la phase de réponse et de répartition des véhicules d’urgence, vu les
répercussions d’un délai durant cette phase sur durée totale de l'incident. Toutefois, une gestion
de véhicules d’urgence en temps réel est-elle réellement possible ?
3.2. Potentialité de la gestion en temps réel

La réaction en temps réel du système de gestion face aux incertitudes de l’environnement
et aux fluctuations des conditions routières s’avère un défi difficile à relever dans les systèmes
classiques de transport. En effet, ces systèmes reposent souvent sur des informations à moyen
terme, comme des statistiques sur les changements de trafic selon le jour ou l’heure de la
journée.
Les nouvelles technologies de l’information ont heureusement ouvert de nouvelles

perspectives pour les systèmes de gestion. Beaucoup d’efforts ont été consacrés au cours de la
13
dernière décennie sur le déploiement de nouvelles technologies de l'information et de la

communication dans le domaine des transports, menant à ce que l’on appelle les systèmes de
transport intelligent (STI), qui ont pour but dàméliorer la performance des infrastructures
routières en termes de sécurité, fluidité du trafic et réduction des émissions de CO2.
Les nouvelles technologies de l’information permettent essentiellement d’augmenter la

quantité et la qualité des informations, mais touchent également à la rapidité avec laquelle celles-
ci sont transmises. Ainsi, elles permettent d’appréhender de manière totalement originale la
transmission de l’information depuis la détection de l’incident jusqu'à l’arrivée du véhicule
d’urgence sur le lieu d’intervention.
Les systèmes de transport intelligents utilisent actuellement des technologies variées,

allant de systèmes de gestion basiques comme les systèmes de gestion des feux de circulation
aux carrefours, les systèmes de gestion des conteneurs, les panneaux à messages variables,
les radars automatiques ou la vidéosurveillance, jusqu’aux applications plus avancées qui
intègrent des données en temps réel avec retour d'informations provenant de plusieurs sources,
comme les informations météorologiques, les systèmes de navigation embarqués générant des
temps de parcours en temps réel, etc. [22].
Aussi, l’émergence des systèmes de surveillance des réseaux autoroutiers via l’utilisation
des technologies de détection automatique, telles que les boucles électromagnétiques et le
traitement d’images, permettent à l’opérateur de service de visualiser en temps réel, via une
console intelligente, l’état courant du réseau en terme d’incidents et de coordonner le
déclenchement et le suivi des interventions sur le terrain. Ceci permet de réduire les délais de
notification d’incidents, de sélectionner le nombre et le type de véhicules à acheminer et
d’améliorer la qualité de l’évaluation initiale de la gravité de l’incident.
Auparavant, l’équipage d’un véhicule d’urgence était relié uniquement par radio
communication avec le centre de répartition. Il n’était possible de communiquer avec ce dernier
qu’une fois le véhicule arrivé sur le site de l’incident. Les nouveaux systèmes de
télécommunications permettent aujourd’hui d’établir également une liaison numérique et sans fil
entre le centre de répartition et les véhicules de secours, voire même des communications inter-
véhiculaires. En effet, le concept de véhicules connectés basé sur l'intégration de capteurs et de
14
technologies de communication dans les véhicules [20], [23], [24] représente un nouveau cadre
pour la gestion de véhicules qui rend possible la diffusion des informations en temps réel entre
les véhicules. Ainsi, des informations telles que les coordonnées de l’appel, le degré de gravité,
le chemin le plus court pour se rendre sur les lieux, etc. peuvent être communiquées directement
sur l’ordinateur de bord du véhicule.
Il devient alors possible d’apporter des améliorations continues en temps réel et de

fournir les solutions obtenues aux véhicules en cours de route (par exemple, pour dévier un
véhicule de sa destination courante afin d’éviter un obstacle ou servir une demande plus urgente
dans son voisinage).
Les stratégies de gestion et les approches de résolution utilisées pour s’adapter aux
incertitudes et dynamismes du système routier restent primordiales pour la réussite du système
de gestion. Celles-ci doivent faire appel à des traitements beaucoup plus complexes et
sophistiqués qui permettent de gérer et exploiter utilement une énorme quantité d’informations
en temps réel.
Les chercheurs ont donc été amenés à développer et évaluer des systèmes pour les
interventions d'urgence qui exploitent en temps réel des informations sur les temps de
déplacement afin d’affecter les véhicules d'intervention les plus appropriés et les orienter vers les
meilleurs itinéraires possibles.
3.3. Besoins apparents de la gestion en temps réel

Il est clair que les paramètres sur lesquels les décisions de répartition sont fondées
peuvent changer de manière non prévisible (par exemple, les temps de parcours peuvent changer
radicalement suite à un incident sur le réseau). Ainsi, la conception d'un système qui assure un
traitement approprié des paramètres de décision du répartiteur à l'égard de la situation actuelle de
répartition est une tâche difficile qui est aggravée par la nécessité de répondre à des contraintes
temporelles. Plus précisément:
 Les demandes de services arrivent de façon dynamique tout au long de la journée. Ce qui
nécessite une ré optimisation ou une réaffectation dynamique de la solution.
15
 Le système de répartition des véhicules d’urgence est amené à réagir en continu aux
changements dans l’environnement et à décider des modifications à apporter à la solution
courante. Ainsi un haut degré de réactivité est nécessaire.
 La dimension temps réel ajoute une nouvelle contrainte puisqu’il est nécessaire
de concevoir des systèmes qui permettent aux décideurs de trouver non seulement des
solutions optimisées, mais également robustes contre l'incertitude et les fluctuations de
l’environnement tout en demeurant efficaces. D’où la nécessité de systèmes réactifs
capables de réagir rapidement aux changements (ex. diversion d’un véhicule en cours de
route vers un autre appel tout en tenant compte des coûts, inconvénients et bénéfices
reliés à une telle action).
 Prendre des décisions en ligne nécessite des temps de réponses quasi instantanés, car si le
temps alloué pour la prise de décision est trop long, les bénéfices associés à un
changement de parcours ou à une diversion seront perdus. Un temps de calcul trop long
augmente le temps de réponse total et ainsi détériore la performance d'ensemble du
système.
4. Objectif de la recherche
Le problème de gestion dynamique des véhicules d’urgence face à des événements
imprévus et qui tient compte des apports des nouvelles technologies est un problème d’actualité
fort intéressant. La sophistication des méthodes d’optimisation, la puissance de calcul des
ordinateurs actuels, ainsi que l’émergence des technologies des communications inter-
véhiculaires, permettent d’aborder cette problématique avec des chances raisonnables de succès.
Il est donc opportun de procéder à une étude des méthodes déployées jusqu’à présent
pour la répartition des véhicules d’urgence, d’analyser leurs comportements vis-à-vis des
incertitudes de l’environnement et de soulever leurs lacunes et les difficultés potentielles
d’adaptation aux besoins selon les scénarios présentés précédemment. Il est aussi important
d’identifier les défis et contraintes auxquels sera confronté un centre de gestion en ligne des
véhicules et de discuter des possibilités de modifier les approches proposées.
Lòbjectif principal de notre étude est la minimisation des délais dìntervention des
véhicules d’urgence conformément au problème de répartition dynamique des véhicules
d’urgence que nous situons dans le contexte des systèmes de transport intelligents.
16
L’atteinte des objectifs secondaires suivants permet de réaliser l’objectif principal. Il

s’agit de trouver des solutions pour :
1. Modéliser le système de répartition (gestion) dynamique des véhicules en considérant des

communications entre les composantes du réseau de transport et le centre de répartition
des véhicules.
2. Identifier des événements émanant du réseau routier et ayant un impact sur les véhicules
d’urgence.
3. Identifier des approches de ré-optimisation adaptées au contexte.
4. Maximiser l’utilisation de la flotte de véhicules d’urgence.
L'importance de cette recherche réside en partie dans sa nouveauté. À ce jour, l'étude de

la gestion des interventions des véhicules d'urgence dans des environnements dynamiques a reçu
très peu d'attention. Dans le souci de fournir les «premiers secours » dans les meilleurs délais,
une étude sur les bénéfices de l’usage des informations temps réels vis-à-vis les effets des
variations des flux de trafic sur les parcours véhicules d'urgence est d'un grand intérêt.
Ainsi, le but de notre projet est de concevoir une approche adaptative de gestion des
véhicules d’urgence qui tient compte des incertitudes de l’environnement et qui repose sur
l’usage des nouvelles technologies d’informations pour la collecte et l’échange d’informations.
Cette approche permettra aux les véhicules d’urgence d’interagir rapidement avec leur
environnement et minimiser les délais.
L’approche de gestion des véhicules d’urgence que nous concevons sera implémentée
afin de valider son efficacité. Nous considérons des simulations de scénarios de trafic urbain
présentant des événements imprévus (tel que définis dans le sous-objectif 2). Les apports que
nous proposons de prouver par ces simulations concernent essentiellement la minimisation des
délais d’intervention tout en maintenant la stabilité requise du système de gestion en réduisant les
réaffectations en chaine.
17
Chapitre 2: État de l’art
Une bonne gestion d’une flotte de véhicules d'urgence joue un rôle important dans
l'amélioration de la qualité des services offerts par les organismes publics tels que les services de
secours, les services paramédicaux, les pompiers et la police. Ces systèmes d’urgence sont sujets
à des perturbations de leur environnement qui peut engendrer une dégradation de leur qualité de
service. Afin de réduire le plus possible cette dégradation, des approches basées sur l’utilisation
des nouvelles technologies d’information et de communication menant à une meilleure
adaptation dans un contexte dynamique ont fait l’objet de plusieurs études.
Cette revue de la littérature présente les travaux pertinents dans ce domaine avec un
accent sur le caractère dynamique du problème dans un contexte STI. Étant donné le nombre
limité de contributions dans la littérature existante sur cette problématique spécifique, nous
analyserons également les contributions pour le problème générique de tournées de véhicules
afin de donner une vision plus globale des idées applicables à notre problème.
Le problème de tournées de véhicules (VRP « Vehicle routing problem») avec ses

différentes variantes est d’abord introduit et suivi d’une présentation du problème de répartition
des véhicules d’urgence. Nous donnons un aperçu des contributions pour ce problème, en
débutant avec la version statique pour ensuite aborder la version temps réel caractérisée par des
temps de parcours dynamiques. Ceci nous permettra d’aborder le déploiement des nouvelles
technologies d’information et de communication dans le cadre des STI. Ensuite, les architectures
de gestion et les approches de résolution pour le VRP sont examinées avec un accent sur les
méthodes de ré-optimisation. Il sera ensuite question du calcul du plus court chemin dans un
réseau routier intégrant des éléments d’incertitude. Finalement, les critères et les contraintes à
considérer lors du choix d’une solution sont explicités.
Étant donné que notre objectif est de minimiser le temps d’intervention des véhicules
d’urgence dans un environnement incertain, on mettra surtout l’accent sur les architectures de
gestion et les approches de ré-optimisation les plus adaptées à ce contexte. C’est pourquoi nous
étudierons plus particulièrement la modélisation de l’environnement de résolution dans les
systèmes de type STI.
18
Nous essaierons de comprendre tout au long de ce chapitre à quel point les travaux
existants satisfont les exigences de notre problématique. Ainsi, le dynamisme sera étudié dans la
deuxième section. Nous analyserons ensuite dans la troisième section les architectures de
résolution déployées pour satisfaire les exigences du temps réel. Finalement, la réactivité fera
l’objet de la quatrième section. Les idées intéressantes et les lacunes seront analysées à la fin du
chapitre.
1. Introduction au problème de routage et répartition de véhicules

À première vue, le problème de répartition des véhicules d’urgence semble apparenté au
problème classique de tournées de véhicules. Il s’en distingue toutefois du fait qu’un véhicule
d’urgence doit compléter le service à un client avant de pouvoir être affecté à un autre client (il
n’y a donc pas de tournées comme telles). De plus, il faut aussi maintenir une couverture
adéquate de la zone desservie afin de pouvoir répondre aux appels d’urgence dans les meilleurs
délais.
Le problème de tournées de véhicules est un problème classique d'optimisation

combinatoire qui correspond à une généralisation du problème du voyageur de commerce
(« Traveling Salesman Problem », TSP). Dans le problème de VRP, on cherche à déterminer les
meilleures routes possibles afin de desservir des clients à l’aide d’un certain nombre de
véhicules. Le parcours de chaque véhicule débute à un dépôt central et visite un sous-ensemble
de clients pour servir leur demande avant de retourner au dépôt.
Deux points importants doivent être considérés dans ce problème: l’affectation des clients
aux véhicules et le séquencement le plus approprié des clients au sein de la tournée de chaque
véhicule de façon à minimiser la distance totale parcourue.
Des contraintes de capacité ou de distance maximale, des intervalles de service ainsi que
d’autres exigences supplémentaires relatives aux conducteurs et aux véhicules peuvent
également restreindre l’espace des solutions admissibles. Il existe plusieurs formulations du
problème. La formulation introduite dans [25] a l’avantage de présenter explicitement les
différentes caractéristiques du VRP, à savoir l’imbrication des problèmes d’affectation et de
séquencement. Cette formulation est définie sur un graphe G = (V, A) où V est l’ensemble des
sommets de cardinalité n+1, comprenant tous les clients et le sommet 0 qui représente le dépôt
où commence et se termine la tournée de chaque véhicule, et A est l’ensemble des arcs. On
19
retrouve deux types de variables de décision : yik prend la valeur 1 si le sommet i est affecté au
véhicule k (0 sinon), et xijk prend la valeur 1 si le véhicule k parcourt l’arc (i,j)  A pour i ≠ j (0
sinon) [26]. Le modèle est alors le suivant :
Et tel que k= 1….m
i= 1…n
k= 1….m; i= 0…n
où :
cij est le coût de déplacement sur l’arc (i,j), qi est la demande du client i, C est la capacité d’un
véhicule et m est le nombre de véhicules.
Les contraintes assurent respectivement le respect de la capacité des véhicules,

l’affectation de chaque client à un seul véhicule et le respect du nombre de véhicules disponibles.
La dernière contrainte assure la continuité de la route, à savoir qu’un véhicule qui entre dans un
sommet doit en sortir.
L’une des principales motivations pour étudier le VRP est son adéquation à de
nombreuses applications pratiques en logistique. Optimiser des tournées de véhicules a
également des retombées économiques et environnementales liées à la minimisation des coûts de
transport [27] [28] [29]. Ainsi, selon Toth and Vigo [27], les frais de transport représentent
habituellement entre 10% et 20% du coût final des marchandises sur le marché, et les procédures
informatisées basées sur des méthodes d'optimisation permettent de faire des économies de
l'ordre de 5% à 20% sur les coûts de transport.
1.1. Variantes du problème de tournées de véhicules

Les problèmes de tournées de véhicules modélisent une variété d’applications
importantes comme, par exemple, les services de collecte et de livraison du courrier, les services
de réparation résidentiels, le transport des personnes âgées ou handicapées, etc. Différents
critères de classification existent dans la littérature dont [30] :
20
 L’étendue de la zone de service (local, régional, national, international).

 Le nombre de véhicules (un ou plusieurs).
 Le type de service (problème de collecte ou de livraison ou les deux en même temps).
 La prise en compte de la dépendance au temps des temps de parcours.
 La prise en compte de fenêtres de temps pour le service aux clients
 L’existence de contraintes de capacité
Des exemples d’applications classées selon les critères de capacité et de type de service
sont présentés dans le tableau suivant :
Tableau 1- Problèmes locaux de routage et répartition dynamiques (Gendreau et Potvin, [30])
Collecte et livraison Collecte ou livraison
Capacité limitée Transport à la Taxi

demande (TAD)
Capacité illimitée Courrier express Services de courrier
et de réparation
Dans le cas des problèmes de nature dynamique, on considère aussi le degré de

dynamisme de l’environnement. Nous porterons une attention spéciale à cet aspect dans la suite,
puisque nous nous intéressons tout particulièrement au dynamisme de l’environnement dans
cette étude.
1.2. Problème de répartition de véhicules d’urgence en temps réel

Le problème de répartition des véhicules d'urgence (police, pompiers, ambulances) est un
exemple de problème dynamique. Cependant, il n’y a pas de tournées comme telles, car chaque
véhicule s’occupe d’un seul appel à la fois. Une fois sa tâche terminée, le véhicule se
repositionne en attendant le prochain appel qui lui sera affecté. Le problème est alors d'affecter le
véhicule le plus approprié (par exemple le plus proche) à chaque nouvel appel. Lorsqu’on prend
en compte la priorité des appels d’urgence et les types de véhicules, ce problème d'affectation
devient similaire à un problème d'affectation généralisée (« general assignment problem » GAP)
(affecter n tâches à m machines de la meilleure façon possible). Le problème d'affectation
généralisée (GAP) est un problème bien connu en optimisation combinatoire [31].
Les méthodologies de répartition dans les services d'urgence sont très souvent basées sur
l'analyse de la zone desservie pour décider quel véhicule doit être affecté à un nouvel appel et où
21
relocaliser les véhicules et les équipages inactifs. Celles-ci sont aussi basées sur des stratégies
propres à chaque organisation.
L’objectif principal des décideurs dans les systèmes d'urgence est de sauver des vies
humaines en prenant des décisions rapides afin d’acheminer des véhicules dans les plus courts
délais vers le site de l’appel tout en gardant une couverture appropriée de la zone desservie. C’est
pourquoi les systèmes de répartition de véhicules d’urgence sont soumis aux contraintes les plus
exigeantes en termes de qualité de service (temps de réponse ici). De ce fait, la minimisation du
temps de réponse constitue l’objectif principal d’un système d'urgence.
Les décideurs doivent garder une trace en temps réel de l’état courant de chaque véhicule
afin de réagir de façon appropriée à tout nouvel événement. Les stratégies utilisées dans la
pratique comprennent principalement la réaffectation et le ré-routage qui nécessitent un bon
support technologique. La réaffectation consiste à rediriger un véhicule déjà en route pour servir
un appel vers un nouvel appel d'urgence plus grave qui vient tout juste d’être reçu. Le re-routage,
d’autre part, signifie que les véhicules peuvent modifier leur itinéraire pour se rendre sur le site
d’un appel en fonction de l’état du trafic. Ces problématiques se prêtent donc bien à l’émergence
des nouvelles technologies. C’est ainsi que la possibilité d’obtenir et d’exploiter des informations
en temps réel ouvre la porte à de nouveaux champs d’études.
Dans ce qui suit, nous présentons les principales contributions et innovations recensées
dans la littérature sur ce sujet.
2. Un aperçu des contributions portant sur les systèmes d’urgence

Les systèmes d’urgence représentent un sujet fort intéressant pour les spécialistes en
recherche opérationnelle et en gestion. Les travaux en répartition de véhicules d'urgence font
généralement appel à trois approches: les files d'attente, la programmation mathématique et la
simulation. Dans la majorité des travaux rapportés dans la littérature sur les systèmes d’urgence,
les études se concentrent essentiellement sur l'emplacement des véhicules, la taille de la flotte, et
la performance des opérations.
La majorité des modèles mathématiques ont été développés pour répondre aux problématiques
suivantes:
22
 Localisation des stations d'ambulance ou des ambulances individuelles au sein de la

zone desservie selon certains critères de performance tels que le temps de réponse [32].
 Détermination du nombre minimum d'ambulances nécessaires pour couvrir une zone
donnée.
 Stratégies de répartition et leur influence sur les performances du système.
Dans [17] par exemple, Haghani et al. ont proposé un modèle mathématique en nombres
entiers pour l’affectation des véhicules d’urgence dont l’objectif est de réduire le temps de
parcours total.
Larson [34] a effectué d'importants travaux sur les systèmes d’urgence en faisant appel à
des méthodes de files d’attente. Toutefois, le développement de méthodes analytiques
(programmation mathématique et modèles de files d'attente) pour les systèmes d’urgence est une
tâche plutôt difficile puisque même si on parvient à construire un modèle analytique approprié, il
est souvent difficile de le résoudre en utilisant des techniques connues [35].
Cette limitation est généralement surmontée par l’utilisation de la simulation pour

représenter le système d’urgence et tester ses performances. L'application de modèles de
simulation permet non seulement de trouver une solution optimale à un problème de décision,
mais aussi d'observer un système d’urgence sous différentes hypothèses (ex. [9], [14], [36]). Elle
permet également de tester de nouvelles stratégies opérationnelles telles que des emplacements
différents pour les véhicules en attente ou différentes règles de répartition.
2.1. Problème de répartition avec temps de parcours statique

Diverses règles de répartition ont été élaborées et appliquées dans des modèles de
simulation et en exploitation réelle de véhicules d’urgence, comme la règle du premier arrivé,
premier servi (FCFS ou « First Come, First Served »), le plus proche de l'appel d’origine (NO
« Nearest Origin ») ou la plus haute priorité en premier (HPFS « Highest Priority, First Served »)
(ex. [9], [35], [37]). La solution la plus évidente consiste à affecter le véhicule disponible le plus
proche de l’appel (NO), mais à long terme et avec une flotte limitée de véhicules d'urgence, la
qualité du service peut devenir insatisfaisante, en particulier lorsque le temps entre deux appels
est court, car elle peut mener à une couverture insatisfaisante du territoire desservi.
23
Dans la plupart des études (ex. [32], [34]), le temps de parcours est supposé connu avec
certitude et demeure constant tout au long de la journée de telle sorte que les itinéraires peuvent
être planifiés avec exactitude dès la réception d’un appel. Dans ce cas, on utilise l'itinéraire
obtenu avec un algorithme de plus court chemin statique. C'est le cas par exemple lorsque les
chauffeurs utilisent des itinéraires calculés par un logiciel de cartographie faisant appel aux
limites de vitesse.
Pour le problème de couverture, de nombreux modèles ont été proposés. Les modèles
statiques les plus importants sont les LSCM (« Location Set Covering Model ») [38]. Dans ce
modèle, on cherche à minimiser le nombre de véhicules permettant de couvrir de façon
satisfaisante la zone desservie. Toutefois, lorsque les véhicules sont affectés aux appels, il se
peut que certaines zones ne soient plus couvertes adéquatement. Des décisions de relocalisation
de véhicules doivent alors être apportées périodiquement pour maintenir une couverture correcte
de la zone.
Ces modèles, malheureusement trop théoriques, ont considérablement évolué au cours

des dernières années, motivés par le souci de mieux appréhender la réalité en cherchant à intégrer
davantage de contraintes touchant à la couverture ou aux fluctuations dans les temps de parcours
tout au long de la journée.
2.2. Problème de répartition dynamique

Le problème dynamique ajoute des éléments nouveaux qui augmentent les difficultés au
niveau de la prise de décision lors de la détermination des itinéraires. Le problème consiste à
concevoir les itinéraires des véhicules dans un mode en ligne où l’ensemble ou seulement une
partie des données demeurent inconnus et sont révélées dynamiquement lors de l'exécution des
routes. Ainsi, les itinéraires planifiés peuvent être redéfinis à plusieurs reprises tout au long de la
période de service. Des temps de réaction beaucoup plus rapides sont donc nécessaires dans cet
environnement dynamique.
La plupart des recherches dans ce domaine ont porté sur la relocalisation dynamique des
véhicules de façon à tenir compte du dynamisme des appels et des réponses, mais en considérant
le temps de parcours comme une constante (ex : [19], [39], [40], [41], [42]). Dans [40], Ibri et al.
ont étudié l'effet de la résolution simultanée des problèmes de répartition et de relocalisation des
véhicules d’urgence sur la qualité du service. Toutefois, les incertitudes liées au temps de
24
parcours ne sont toujours pas prises en compte puisque les auteurs se basent lors de la simulation
sur des données de parcours statiques fournies pas le logiciel MapPoint.
Malheureusement, ces hypothèses sur les temps de parcours sont peu réalistes en raison
de l'évolution des conditions du trafic et des conditions météorologiques durant la journée. Ainsi,
les solutions obtenues s’avèrent non optimales lors des heures de pointe étant donné que les
temps de parcours considérés ne reflètent pas vraiment la réalité.
Des temps de parcours dynamiques ont été pris en compte dans quelques travaux de
recherche liés au routage et à l’affectation des véhicules (ex. [28], [43], [44], [45], [46]).
Goldberg et al. [47], par exemple ont utilisé des temps de déplacement stochastiques. Toutefois,
la plupart des travaux n'ont pas pleinement intégré les changements dynamiques observés dans
les temps de parcours au sein d’un réseau routier urbain. En effet, les temps de parcours sont
généralement calculés à partir de données historiques. Ou alors, on divise la journée en
intervalles de temps auxquels on affecte des coefficients différents, calculés sur la base des
historiques de circulation, pour refléter la variation des temps de parcours selon les heures de la
journée (en particulier, les heures de pointe).
Bien que cette méthode ait permis d’améliorer la qualité des solutions, les problèmes sur
la route dus à des événements imprévisibles, tels que les congestions ou les accidents, restent
toujours ignorés. Ainsi les solutions peuvent effectivement devenir obsolètes lorsqu'un
événement imprévu se présente. Les solutions obtenues peuvent même devenir non réalisables et
leur degré de non réalisabilité augmente avec la variabilité des conditions de circulation.
Taniguchi et al. [28] ont aussi souligné l’intérêt d’incorporer l'incertitude dans les temps
de parcours pour réduire les coûts totaux et les impacts négatifs sur l'environnement.
La possibilité de rediriger un véhicule en mouvement vers une nouvelle demande à

proximité a également reçu un intérêt limité (ex. [40], [41], [48], [49], [50]) malgré les gains
supplémentaires qu’elle permet. Cet intérêt limité s’explique par le besoin de connaitre en temps
réel la localisation ainsi que l’état de chaque véhicule, en plus de la nécessité de communications
rapides entre les véhicules et le centre de répartition.
Cette dernière lacune est presque résolue maintenant avec l’émergence des nouvelles
technologies d’information et de communication et l'avènement des systèmes de transport
25
intelligents. L'information sur le trafic en temps réel devenant disponible, l’étude des problèmes
de routage et de répartition dynamiques a repris avec beaucoup d’ampleur.
Les travaux actuels essaient de se rapprocher le plus possible des contingences du monde
réel en se concentrant sur l’étude des problèmes en temps réel, souvent dans un contexte STI (ex.
[9], [14], [36], [50], [51], [52], [53]).
Les travaux les plus pertinents pour notre étude, sont ceux de Haghani et al. [9], [14] et celui
de Lopez et al. [54].
Dans Haghani et al. [9], [14], un modèle de simulation pour évaluer les interventions
dans un système de véhicule d'urgences en temps réel est présenté (Figure 2-1). Le modèle utilise
des informations en temps réel sur les de temps de parcours en entrée et est conçu pour aider les
centres de répartition dans l’optimisation de l’affectation des véhicules d'intervention et les
orienter vers les itinéraires les moins encombrés. Par ailleurs, les temps de parcours considérés
sont calculés à l'aide de mises à jour réelles périodiques jumelées à un modèle de prévision à
court terme. La simulation est pilotée par des événements et des pas de temps fixes. Les
événements référent aux moments où un véhicule ou une urgence changent de statut. Les
intervalles de temps fixes (10-15mn) réfèrent aux moments de mises à jour des informations sur
le trafic. Ces intervalles ne sont pas être assez courts pour ne pas trop perturber le système et ne
permettent pas ainsi une détection et réaction rapide aux événements.
Des solutions exactes minimisant le temps d'attente total sur un vaste réseau ont ainsi pu
être obtenues en des temps de calcul raisonnables en faisant appel au module de répartition de
véhicules du logiciel commercial CPLEX. Différentes stratégies d’affectation ont été évaluées
avec le modèle de simulation, ainsi que des stratégies de diversion (pour servir des appels de plus
haute sévérité) et de relocalisation de véhicules (pour améliorer la couverture de la flotte).
Toutefois, les événements non récurrents ne sont pas considérés instantanément et leurs arrivées
ne déclenchent pas de traitements ponctuels spécifiques.
26
Figure 2-1 Structure du système de gestion de véhicules d'urgence (Haghani et al. [9])
Lopez et al. [54] ont utilisé un système multi-agents pour sélectionner l'ambulance à
affecter à un patient. Le modèle proposé estime le temps requis pour effectuer un service en
fonction de l'emplacement actuel de l'ambulance, la disponibilité de l'équipage et les conditions
de circulation. Pour ceci, chaque agent véhicule intègre un module GPS, un module trafic, et un
module de calcul de trajectoire. La station centrale est équipée d’un module GPS qui reçoit des
entrées provenant du système GPS des agents véhicules et retourne l'emplacement de chaque
ambulance. Le module trafic lit les informations sur les routes temporairement fermées en
provenance du centre national de trafic. Le module de trajectoire contient une représentation du
réseau de transport de la région. Chaque véhicule calcule l’itinéraire optimal, de son
emplacement actuel à l'emplacement du patient, puis de cet endroit jusqu’à l'hôpital et enfin de
l'hôpital à la station de base de l’ambulance, et envoie sa soumission au centre de répartition qui
en choisira la meilleure.
Bien que, les calculs reposent sur les données actuelles ils ne reflètent pas l’impact sur le
trafic d’événements non récurrents qui peuvent se présenter ainsi hormis leurs effets sur les
variations des temps de parcours. Par ailleurs, les véhicules déjà en route ne peuvent pas être
réaffectés pour servir d’autres demandes.
27
Une autre étude intéressante, mais qui ne traite pas de la gestion de véhicules d’urgence
est présentée par Güner et al. [53]. Ici, une modélisation du trafic routier incluant la congestion
récurrente et non récurrente est utilisée lors de la résolution du problème de tournées de
véhicules en temps réel. Une idée importante dans ce travail est la surveillance récurrente des
deux nœuds en amont de l'emplacement courant du véhicule (utilisation des informations en
temps réel sur le temps de parcours sur ces tronçons) et la modélisation de l’état de la congestion
sur les autres arcs du trajet avec des données probabilistes historiques. A chaque période de
décision, le planificateur évalue des itinéraires alternatifs en se basant sur le temps prévu afin de
parcourir le reste du trajet. Ceci permet un suivi assez efficace des véhicules tout au long de leur
parcours au prix de traitements et de taux de communications plus intensifs.
Nous présentons maintenant dans ce qui suit une analyse des différents modèles de
gestion de flottes de véhicules
3. Architecture de gestion des flottes de véhicules

Diverses architectures pour le routage et la répartition de véhicules ont été proposées dans
la littérature. On peut les classifier en deux grandes catégories selon qu’elles sont centralisées et
décentralisées ou hybrides.
3.1. Architecture centralisée

C’est le modèle classique utilisé dans le monde réel. La prise de décision est effectuée
exclusivement par le centre de gestion et transmise par la suite aux différents véhicules de la
flotte. L’ensemble des demandes de service étant recueillies dans un même centre, elles sont
ensuite affectées aux différents véhicules. La majorité des études dans la littérature adoptent cette
architecture (ex. [9], [19], [29], [51], [55]). Toutefois, la mise en œuvre de cette architecture
nécessite que tous les calculs soient faits par le centre de gestion.
Lors de la résolution du problème, on suppose que le centre de gestion connaît à chaque

instant la localisation, l’état et la destination de tous les véhicules ainsi que l’état de la circulation
en temps réel. Bien que les technologies modernes puissent fournir ce genre d'informations, les
algorithmes d'optimisation ne permettent pas toujours une réponse rapide aux situations
d'urgence, surtout lorsque le territoire desservi est grand et la fréquence des appels est
importante. En plus, une architecture centralisée peut être sensible aux mises à jour de
l'information. Dès lors, même une mise-à-jour mineure de l'information peut avoir un impact sur
28
de nombreux véhicules, à moins de pouvoir procéder à une ré-optimisation localisée seulement

aux régions ou véhicules affectés.
3.2. Architecture décentralisée

Le dynamisme qui caractérise les problèmes de tournées de véhicules dans le monde réel
a conduit récemment au développement de techniques de résolution distribuées. Certains travaux
ont adopté une stratégie totalement décentralisée, reposant sur des calculs répartis et des
technologies sans fil (ex [56], [57], [58]). L’idée ici est d’attribuer une certaine autonomie aux
véhicules afin de partager la charge de calcul entre toutes les entités du système (ex. les
véhicules, le centre de gestion, etc.) pour une meilleure coordination et prise de décision.
Cette stratégie repose sur un système multi-agents (SMA) où le système est composé de
plusieurs unités logicielles intelligentes interagissant entre elles (agents) qui sont associées à des
entités physiques ou fonctionnelles (par exemple des véhicules). Les agents sont en mesure d'agir
de façon autonome en poursuivant leurs propres intérêts. Même si chaque agent n'a qu'une vue
partielle et locale du système, les agents peuvent interagir les uns avec les autres, par exemple en
échangeant de l’information ou en négociant entre eux. L'architecture multi-agents semble être
une solution prometteuse pour les systèmes distribués, puisqu’elle offre une grande flexibilité.
Une question clé est de savoir comment configurer les différents agents de façon à ce que leur
comportement produise une solution globalement satisfaisante.
L'idée à la base des SMA est élégante et a été appliquée dans de nombreuses applications
réelles, comme les jeux informatiques, les technologies mobiles, le transport, la logistique, etc.
Toutefois, la littérature sur l'application des SMA dans le contexte de la gestion des véhicules
d'urgence est rare. Pour cette raison, nous considérons son application dans le contexte général
des problèmes de tournées de véhicules.
Dans [56], [57], les auteurs ont étudié les effets de la prise de décisions autonomes de
chaque véhicule de transport quant au choix des routes et des demandes à desservir. Les
véhicules sont perçus comme des entités autonomes capables d’interagir et de se coordonner
pour déterminer leurs routes et choisir les demandes à desservir de manière autonome tout en
réagissant aux changements dynamiques dans leur environnement. Ici, le plan de routage n’est
plus évalué et calculé par un centre de décision, mais plutôt par les différents véhicules de la
flotte eux-mêmes, où chacun utilise une mesure de récompense pour guider leurs choix.
29
Dans cette même optique, les auteurs dans [58] proposent une approche où chaque
véhicule dispose d’un système GPS et est connecté à un système d’informations sur le trafic
routier. Ceci lui permet de calculer le coût d’insertion d’une nouvelle demande dans sa route puis
d’échanger son coût estimé avec les autres véhicules de telle sorte que celui offrant le service à
meilleur coût sera élu pour servir la demande. Ainsi, le temps de calcul se réduit au temps de
réévaluation des routes par chacun des agents séparément.
Le nombre de messages échangés augmente toutefois exponentiellement avec le nombre

de demandes. C’est un problème important vu la limitation des ressources sans fil. Il faut aussi
considérer le risque de perte ou de chevauchement des messages et les problèmes de diffusion.
3.3. Architecture hybride

Ce modèle propose une meilleure coordination entre les entités du système pour
maintenir le plus possible une solution globale satisfaisante. Cette approche réduit la complexité
des communications en coordonnant seulement les agents responsables de la prise de décision
(donc, sans avoir recours à une complète communication inter-agents).
Zeddini et al. [59], [60] proposent une approche basée sur un mécanisme de vente aux
enchères. Le centre de gestion envoie une demande de service aux véhicules de la flotte. Ces
derniers, dès la réception d'une nouvelle demande, calculent le coût de son parcours avant et
après l'insertion du client à l'aide d’une heuristique simple. La différence de coût (l'effort
supplémentaire) correspond à la soumission qui est envoyée à l'agent central. L'agent qui reçoit
les soumissions (le centre de gestion) compare les réponses reçues des différents véhicules, les
classifie et envoie un message de diffusion avec l’identité du véhicule choisi pour servir la
demande.
Lopez et al. [54], ont utilisé un SMA pour sélectionner l'ambulance à affecter à un
patient. Le modèle proposé traite seulement les demandes urgentes et inclut un agent de
confiance qui indique au centre de décision dans quelle mesure le temps de parcours estimé par
chaque véhicule dans sa soumission est réaliste, en se basant sur l’expertise des conducteurs.
Ceci est fait en combinant un protocole de type vente aux enchères avec un modèle de confiance
et de filtres flous (fuzzy filters) qui évalue l'expertise du conducteur. Les problèmes d’affectation
et de couverture sont résolus conjointement afin d’identifier le véhicule choisi pour répondre à la
demande.
30
Ibri et al. [42], ont développé une approche hybride (Figure 2-2) pour la résolution
dynamique du problème d'affectation et de relocalisation des véhicules d’urgence. Deux
approches multi-agents ont été proposées. La première approche est un processus de décisions en
deux étapes qui traite d’abord le problème d’affectation, puis le problème de couverture et de
relocalisation des véhicules. Les données et les contrôles sont distribués en considérant des
interactions limitées entre les agents. La deuxième approche est basée sur une coordination
implicite des agents basée sur un mécanisme d'enchères plus raffiné pour résoudre
simultanément l’affectation et la relocalisation des véhicules. Différents objectifs (temps de
réponse, pénalités pour les demandes insatisfaites, pénalités pour les zones non couvertes,
pénalités de déviation du parcours du véhicule) sont considérés lors de la soumission de chaque
agent véhicule.
Figure 2-2 Architecture multi-agent pour la gestion de véhicules d'urgence (Ibri et al. [42])
La restriction des soumissions aux seuls agents ayant un potentiel de réponse reste
toutefois non abordée, une méthode intéressante d’auto-organisation d’un système multi-agents
est proposée dans [61]. Le but est de restreindre la réception des demandes de service aux
véhicules pouvant effectivement les satisfaire. Pour ce faire, on fait appel au concept de l’écoute
flottante : chaque agent véhicule de la flotte associe à un sous-ensemble de nœuds du réseau un
intervalle qui définit les moments où il peut se retrouver à l’un de ces nœuds, ce qui définit sa
zone d'action ou de couverture. Le graphe G représentant le réseau routier est dupliqué T fois, où
chaque copie représente l’état du graphe à un instant donné. Ainsi lorsqu’un véhicule v se trouve
31
au nœud i à l’instant t il installe un écouteur sur le nœud i du graphe Gt. Cet écouteur lui permet
d’être notifié des événements survenant au niveau de ce nœud. Ceci signifie aussi que le véhicule
v est susceptible d’être au nœud i à l’instant t. Cette idée est très bénéfique dans le contexte des
véhicules d’urgence puisqu’il devient plus facile de garder trace des emplacements et zones de
couverture de chaque véhicule, le nombre de ces emplacements étant limité.
Cette architecture est particulièrement souhaitable dans le cas de la gestion des véhicules
d’urgence puisque l'intégration des problèmes d’affectation et de couverture complique le
passage à la solution distribuée. En fait, étant donné que chaque véhicule a accès seulement à une
portion limitée des informations, la décision qu'il prend est locale. Faute de la présente d’un
agent de coordination, ce processus peut conduire à une situation chaotique, car les décisions
prises au niveau local peuvent être contradictoires ou du moins non optimales au niveau global.
3.4. Architecture reconfigurable

D’autres travaux de recherche ont opté pour une structure de reconfiguration dynamique
comme solution aux changements dans l’environnement qui peuvent affecter la qualité des
solutions produites. Cette reconfiguration dynamique consiste à modifier le système durant son
exécution en ajoutant, en remplaçant ou en retirant un ou plusieurs de ses composants. Cette
adaptation architecturale est parfois préférable dans un contexte d’environnement incertain à une
seule architecture en réduisant la complexité des traitements nécessaires pour s’ajuster aux
événements.
Benyahia et Potvin [33] ont présenté un cadre réutilisable pour des applications
complexes requérant un système de gestion sous contraintes temporelles. Ce cadre est basé sur
une architecture distribuée reconfigurable avec des composants qui présentent un comportement
capable de s’adapter aux exigences spécifiques d’applications complexes. Un exemple pour la
répartition dynamique de véhicules est présenté avec quelques scénarios de reconfiguration pour
faire face à des événements imprévus.
Dans [22], la programmation génétique est utilisée pour identifier la configuration

dynamique optimale d’une architecture pour des applications complexes qui interagissent avec
des environnements imprévisibles. L’approche génétique est utilisée pour sélectionner la
meilleure solution parmi une vaste gamme de solutions de traitement possibles définies à partir
d'une bibliothèque de composants.
32
Pour récapituler, les travaux d’Ibri et al. [42] et Zeddini et al. [59] semblent prometteurs
pour notre travail. En effet, cette solution hybride semble plus convenable qu’une stratégie
centralisée ou totalement distribuée, car il devient possible de mieux adapter le système à
l’arrivée d'événements dynamiques. Aussi, elle permet d’alléger les calculs au centre de
répartition et aux véhicules, de limiter le flux des communications et de réduire le temps de
calcul nécessaire. En outre, l’idée d’auto-organisation dans [61] ouvre une perspective pour
limiter le flux des communications et les traitements en les restreignant aux candidats potentiels
seulement. Toutefois, vu les fortes incertitudes sur le réseau routier, les contraintes temporelles et
la complexité de la gestion qui en découlent, une simple adaptation du système n’est parfois pas
suffisante. L’idée d’architecture adaptative introduite dans [33] semble mieux adaptée à notre
contexte puisque ce ne sont pas toutes les entités du système qui sont remises en question lors de
l’optimisation.
Ceci remet en cause la technique de résolution à déployer au sein des entités de

traitement, surtout au niveau du centre de gestion, qui reste un point clé du succès d’une telle
approche. En effet, la technique de résolution est à la base de la qualité des solutions fournies et
définit le degré de réactivité par rapport aux changements dans l’environnement. C'est sur ce
point qu’on s‘intéressera dans la prochaine section.
4. Approches de résolution pour le VRP

Diverses approches ont été déployées pour résoudre le problème de tournées de véhicules
et ses différentes variantes. Les performances obtenues varient selon la complexité du problème
posé et la méthode déployée. Dans cette section, nous proposons une vue d'ensemble sur les
méthodes de résolution pour le VRP. Notre but est de les analyser par rapport à notre
problématique et faire ressortir les méthodes les plus pertinentes et les mieux applicables à notre
contexte. On commencera par donner un aperçu de leurs principes de base.
4.1. Un aperçu sur le principe de base des méthodes de résolution

Le problème de tournées de véhicules a été résolu par des méthodes exactes et des
méthodes approchées.
4.1.1. Méthodes exactes

Les méthodes exactes, par exemple l'algorithme de séparation et évaluation (Branch &
Bound), permettent de trouver la solution optimale d'un problème d'optimisation en explorant
33
exhaustivement l'ensemble des solutions ou configurations possibles [62]. L'exploration

énumérative (toutes les solutions sont évaluées une à une) est la technique la plus basique.
Certaines méthodes exactes requièrent aussi une fonction objectif présentant des caractéristiques
particulières, comme la stricte convexité, la continuité ou encore la dérivabilité [62]. Les
algorithmes de résolution exacts, étant de complexité exponentielle, restent inappropriés pour les
problèmes en temps réel. Il est généralement plus judicieux de faire appel à des méthodes
approchées.
4.1.2. Méthodes approchées

Contrairement aux méthodes exactes, les méthodes approchées sont incomplètes dans la
mesure où elles permettent de trouver de bonnes solutions, mais ne garantissent en aucun cas
l'optimalité de celles-ci. En effet, ces méthodes fournissent rapidement (en temps polynomial)
une solution réalisable, pas nécessairement optimale, pour des problèmes d'optimisation NP-
difficiles. Les méthodes approchées comprennent des heuristiques et des méta-heuristiques.
Vu la complexité du problème étudié, les méthodes approchées semblent les mieux

adaptées à notre problématique. Toutefois, la gestion en temps réel d’une flotte de véhicules
demande une ré-optimisation dynamique de la solution courante. Il est donc nécessaire
de concevoir des systèmes qui permettent aux décideurs de trouver non seulement des
solutions optimisées, mais également robustes face à l'incertitude et aux fluctuations de
l’environnement et ceci dans des temps de calcul satisfaisants.
Nous étudierons donc le comportement et l'efficacité des méthodes déployées face au

dynamisme de l’environnement. À cette fin, nous commençons par donner un aperçu sur les
procédures d’optimisation dynamiques.
4.2. Un aperçu sur l’optimisation dynamique

L’optimisation dynamique consiste à déterminer une nouvelle solution en réaction aux
variations de l’environnement. Plus spécifiquement, on cherche à optimiser des fonctions
objectifs qui varient au cours du temps. Ces problèmes soulèvent des difficultés spécifiques, du
fait qu’il faut approcher au mieux la meilleure solution à chaque pas de temps.
34
Figure 2-3 Modélisation d’une résolution périodique du problème de routage temps réel [19]
Formellement, l’optimisation dynamique vise à déterminer une solution de bonne qualité

pour le problème modifié en contrôlant l’amplitude du changement entre la solution au problème
modifié et la solution en cours d’exécution (Figure 2-3).
Les points importants relatifs à ce problème ont été scindés en deux groupes dans [19]:
l’un se concentre sur la modélisation du système et l’autre sur la réduction de la complexité du
modèle.
- La modélisation du système inclut les points suivants:
 Observation du système : ceci concerne la sélection des paramètres à surveiller comme la

position du véhicule, sa vitesse, etc. ce qui permettra de réagir rapidement aux
événements imprévisibles.
 Type d’intervention : il s’agit du choix entre un ajustement global de tout le plan de
routage, entrainant une optimisation plus complète au prix d’une perturbation de tout le
système et des temps de calcul supplémentaires versus un ajustement local plus efficace à
l'aide d'algorithmes qui retouchent les parties affectées seulement.
 Les objectifs: ils diffèrent d’un problème à l’autre; ils peuvent concerner la réduction des
coûts, la minimisation des déviations par rapport au plan original ou la minimisation des
risques. Dans notre cas, il s’agit de la minimisation du temps de réponse.
- La réduction de la complexité du problème et des temps de calcul est primordiale pour fournir
une solution qui répond aux exigences du temps réel.
L’ajout de contraintes sur les changements admissibles et l’introduction de pénalités dans

la fonction objectif sont les deux principaux mécanismes utilisés pour limiter l’amplitude du
changement entre deux solutions et ainsi assurer leur stabilité.
35
Dans [63], l’auteur classifie les approches dynamiques selon qu’elles sont réactives,
proactives ou de type « clustering ». Dans ce qui suit, nous présentons les approches proposées
en fonction de ces critères.
4.3. Approches de résolution utilisées dans la littérature

Les problèmes de tournées de véhicules en temps réel utilisant les informations fournies
par les STI nécessitent une prise de décisions en ligne. Un ingrédient clé est l’efficacité de calcul,
qui suppose un bon compromis entre la réactivité et la qualité de la solution fournie. En effet, le
temps investi dans la recherche d'une meilleure décision se fait au prix d'une moindre réactivité
aux changements et inversement. Nous analyserons dans la suite les méthodes les plus
récemment utilisées dans un contexte dynamique et/ou STI.
4.3.1. Optimisation périodique ou réactive

Ce sont des méthodes qui réagissent au changement. Le principe général de ces méthodes
est d’effectuer une action lors de la détection d’un changement.
L’approche classique considère que chaque changement engendre un nouveau problème

d’optimisation qui doit être résolu à nouveau à partir de zéro, une sorte de ré-optimisation
périodique réactive (ex. [14], [9], [19], [36], [52]). La majorité de ces approches sont basées sur
des algorithmes précédemment développés pour des problèmes statiques, pour lesquels de vastes
recherches ont déjà été conduites, tels les algorithmes génétiques, les systèmes de colonies de
fourmis, etc. Ainsi, à chaque mise-à-jour, le problème courant est ré-optimisé afin d’obtenir une
nouvelle solution. Cette approche peut être coûteuse en temps de calcul et reste inexploitée entre
les mises à jour. En augmentant la fréquence de ces mises à jour, afin d’obtenir des données plus
précises et mieux détecter tout changement, la qualité de la solution fournie a tendance à se
détériorer en raison du temps de calcul trop court accordé à l’optimisation. Ainsi, bien que cette
approche soit simple, elle est souvent inapplicable dans un contexte où les contraintes de temps
sont serrées.
Parfois, la ré-optimisation n’est autorisée qu’à certains moments prédéfinis (par exemple,
à chaque minute), de telle sorte qu’un nouvel événement n'est pas traité immédiatement, mais
seulement au moment autorisé (ex. [29], [52], [59], [64]).
Une approche réactive intéressante est présentée dans [65]. Une méthode de type glouton
(« greedy ») et une recherche taboue sont utilisées pour la résolution du problème de répartition
36
et de relocalisation des véhicules d’urgence en temps réel. La répartition et la relocalisation sont

considérées simultanément en fonction de la priorité des appels d'urgence. La simulation est
pilotée par les événements et par des pas de temps fixes. Les événements correspondent aux
moments où le véhicule change de statut (ex. de véhicule en service à véhicule libre) et où la
situation d’urgence change de statut (ex. nouvelle demande, demande servie). Les incréments de
temps fixes réfèrent aux moments où la mise-à-jour des informations sur le trafic est effectuée, a
priori toutes les 5 minutes. Les solutions initiales sont générées avec un algorithme glouton
(« greedy search »). La recherche taboue est relancée chaque fois qu’un événement arrive où que
le pas de temps soit incrémenté. Des diversions et des modifications aux routes des véhicules
sont considérées à chaque ré-optimisation si un gain au-delà d’un certain seuil est obtenu.
Toutefois, les mises à jour périodiques des temps de parcours ne permettent pas de faire face
rapidement à des événements imprévus. Ainsi, un autre module de gestion de risque doit être mis
en place pour gérer plus rapidement ces événements et décider des meilleures actions à
entreprendre.
Dans un contexte similaire, Ibri et al. [41], [40] ont développé une solution centralisée
parallèle pour la résolution simultanée du problème de répartition et de relocalisation des
véhicules d’urgence en combinant une colonie de fourmis et une recherche taboue. Ils ont
considéré un système de type maître-esclaves où, à chaque itération de l'algorithme, le processus
maître lance n processus esclaves. Chaque processus esclave répète les étapes de construction de
solutions et de mise-à-jour locale de la phéromone pour toutes les fourmis qui lui ont été
attribuées. Pour construire une solution, chaque fourmi choisit itérativement une demande i
(appel d’urgence) et lui affecte un véhicule j avec une probabilité Pij. Par la suite, le processus
maitre récupère la meilleure solution et y applique une recherche taboue parallèle avant de faire
une mise-à-jour hors ligne de la phéromone et lancer la prochaine génération de fourmis. Dans ce
travail, seules les nouvelles demandes sont prises en compte et les temps de parcours sont
considérés comme constants.
Montemanni et al. [66] ont développé un système de colonies de fourmis (ACS ou « Ants
colony system ») pour résoudre le problème dynamique de tournées de véhicules. Les auteurs
proposent de transférer les caractéristiques d'une bonne solution d’une période d'optimisation à la
suivante en récupérant les traces de phéromones.
37
Pillac et al. [67] ont proposé une approche réactive rapide de ré-optimisation basée sur
une exécution en parallèle de la méthode de recherche adaptative à voisinage large (pALNS
« parallel Adaptive Large Neighborhood Search ») toujours pour un problème de tournées
dynamique. Cette approche permet de produire des solutions de grande qualité dans un temps de
calcul limité. L’approche consiste à utiliser pALNS pour produire une solution initiale au début
de la journée, puis de l’exécuter pour un nombre limité d'itérations chaque fois qu'une nouvelle
demande de service apparaît. Elle maintient aussi en mémoire un ensemble de solutions
prometteuses qu’elle exploite lors de la ré-optimisation. Là aussi, seules des demandes qui
arrivent dynamiquement sont considérées. Les temps de parcours sont calculés en utilisant des
historiques de circulation seulement. Toutefois, l’idée d’exécuter l’algorithme un nombre limité
de fois pour accélérer les temps de réponse tout en gardant des solutions prometteuses en
mémoire est intéressante.
4.3.2. Optimisation continue ou proactive

Dans cette méthode, appelée aussi méthode de maintien de la diversification, on essaie de
maintenir une certaine diversité de solutions en espérant que, à chaque fois que la fonction
objectif est modifiée, la répartition des solutions dans l’espace de recherche permettra de
retrouver rapidement un nouvel optimum.
Pour ceci, une optimisation est réalisée en boucle tout au long de la journée et les bonnes
solutions sont stockées dans une mémoire adaptative. Ces dernières seront utilisées
ultérieurement pour produire de nouvelles solutions. L'avantage d'une telle optimisation continue
est une utilisation maximale de la puissance de calcul au prix toutefois d'une lourde mise en
œuvre.
Dans [68], les auteurs ont proposé un simulateur pour la résolution du problème
dynamique de tournées de véhicules avec contraintes d’intervalles de service (RT-VRPTW
«Dynamic Vehicle Routing Problem with Time Windows »). Le simulateur proposé est formé de
deux composants qui coopèrent entre eux. D’abord, un composant Algorithme Génétique (AG)
cherche à améliorer en continu la population de solutions courante. Ensuite, un composant
gestionnaire d’événements (GE) détecte l’arrivée des événements et déclenche les actions
appropriées pour répondre à cet événement (insertion de nouvelles demandes, mise-à-jour des
temps de parcours, arrivée d’un véhicule chez un client, etc.). L’idée est de réutiliser les
38
anciennes solutions pour générer de nouvelles solutions qui tiennent compte des nouvelles
demandes. Les prévisions de temps de parcours recourent à un modèle de lissage exponentiel
afin de se rapprocher le plus possible des conditions de trafic réel. Toutefois, bien que les
algorithmes génétiques soient connus pour produire de bons résultats, ils sont relativement lents
et nécessitent des calculs intensifs. Ils ne sont donc pas véritablement adaptés à notre contexte.
Aussi, bien que les prévisions soient une source importante d’informations, elles ne suffisent pas
pour faire des traitements en temps réel.
Dans un contexte dynamique plus général, Li et Yang [69], ont proposé d’utiliser un
mécanisme de suivi des optimums locaux. L’algorithme d’optimisation utilise les essaims de
particules (« Particle Swarm Optimization » ou PSO) comme méthode de recherche pour
identifier les optimums locaux les plus prometteurs dans l'espace des solutions. L’idée est de
diviser l'espace de recherche : un essaim parent emploie une méthode de recherche globale pour
détecter les sous-régions prometteuses et ensuite une méthode de regroupement hiérarchique
pour générer un nombre approprié de sous-essaims. Chaque sous-essaim enfant explore donc un
sous-espace de recherche afin d’y trouver un optimum local. Lorsqu’un changement survient
dans l’environnement, chaque sous-essaim peut alors converger rapidement vers un optimum
local. Cette idée est prometteuse dans un contexte de traitement centralisé, mais demande un
paramétrage adéquat pour obtenir de bonnes solutions.
4.3.3. Optimisation hybride

L’idée ici est de combiner les méthodes proactive et réactive pour une meilleure
résolution du problème.
Greenwood et al. [51] ont présenté un logiciel commercial de planification pour le

transport (LS/ATN) utilisant les données en temps réel recueillies de technologies envahissantes
(on-board units, GPS, etc.). Le planificateur se base sur une architecture multi-agents centralisée
utilisant une heuristique d’insertion séquentielle. La solution est optimisée en échangeant les
demandes entre les routes, suite à des négociations entre les agents. En parallèle, on propose une
stratégie proactive, soit une simulation en arrière-plan où des routes alternatives, basées sur des
données en temps réel, des prévisions et des estimations probabilistes, sont calculées et utilisées
pour aider à la prise de décision.
39
Une autre approche intéressante est présentée dans [70]. Une méthode hybride est
considérée pour la résolution du problème de répartition de véhicules à grande échelle et en
temps réel (LRVDP) faisant appel à une recherche taboue. L’algorithme utilise une liste de
candidats pour restreindre les mouvements vers des solutions prometteuses seulement. On
retrouve également une stratégie d'oscillation dynamique, qui est réalisée par un mécanisme
d’ajustement des paramètres de la recherche taboue, afin d’explorer plus efficacement l’espace
des solutions. Bien que la recherche taboue soit assez gourmande en temps de calcul, requérant
parfois de nombreuses itérations avant d’obtenir des solutions satisfaisantes, la liste de candidats
a permis de déterminer de bonnes solutions dans des temps de calcul relativement courts. Cette
méthode semble prometteuse dans le contexte des véhicules d’urgence où une liste de véhicules
candidats peut être facilement générée selon des critères de temps de réponse ou de couverture.
5. Le problème du plus court chemin dynamique

Pour résoudre un problème dynamique de tournées ou de répartition de véhicules, il faut
évidemment être en mesure de calculer les temps de parcours d’un point à un autre dans le réseau
routier. À la différence du problème du plus court chemin classique où le temps de parcours d’un
sommet origine à un sommet destination est supposé constant, celui-ci varie dans un réseau
routier selon diverses variables, en particulier le moment de la journée (« Time Dependent
Shortest Path problem ou TDSP»). Cette dépendance au temps des temps de parcours fait en
sorte que ceux-ci n’obéissent plus nécessairement à la règle logique qui veut qu’au segment le
plus court corresponde le temps de parcours le plus court. Il peut aussi arriver que des
changements imprévisibles se produisent sur le réseau, ce qui crée un problème du plus court
chemin dynamique (« Dynamic Shortest Path problem » ou DSP).
Nous considérons dans la suite les algorithmes du plus court chemin qui ont été
développés dans ces contextes et abordons également certains modèles de prévision à court
terme pour les temps de parcours.
5.1. Les algorithmes du plus court chemin

Lorsque le temps de déplacement est relativement stable, les algorithmes de plus court
chemin classiques peuvent produire une solution acceptable (par exemple, Dijkstra, A*, etc.).
L'algorithme A* intègre une heuristique dans la procédure de recherche. Au lieu de choisir
comme prochain sommet celui qui se trouve à une distance minimale du sommet de départ, ce
choix est également basé sur une estimation heuristique de la proximité au sommet destination.
40
Ceci permet de réduire considérablement l’espace de recherche et de produire des résultats plus
rapidement.
Hall [71] a toutefois prouvé que les algorithmes de plus courts chemins statiques ne sont
pas applicables au problème avec temps de parcours variables ou dynamiques. Pour profiter
d’informations en temps réel sur le trafic, il est nécessaire d'utiliser des algorithmes plus
sophistiqués. Ces derniers sont malheureusement NP-complets, mais en considérant l'hypothèse
FIFO (aussi appelée propriété de non-dépassement), il est possible de produire des solutions en
un temps polynomial [72]. En règle générale, les réseaux de transport terrestre appartiennent à
cette catégorie.
Très souvent, l’évolution des temps de parcours en fonction du temps correspond à une
fonction linéaire par morceaux qui conduit à des temps de calcul plus longs et à une demande
plus élevée en mémoire [72]. C’est pourquoi de nombreux auteurs justifient l'utilisation de
solutions approchées, basées sur une discrétisation du temps. En effet, générer des solutions
exactes en temps continu ne serait envisageable que dans un environnement de calcul parallèle
[72]. Dans la suite, nous ne considérerons donc que les solutions en temps discret.
Dans la pratique, plusieurs approches pour résoudre les problèmes de plus courts chemins
dépendants du temps ont été proposées dans la littérature. Beaucoup d’approches sont des
dérivées de l'algorithme de Dijkstra. Toutefois, seules quelques-unes fonctionnent dans un
contexte dynamique. Dreyfus [73] a proposé une généralisation de l'algorithme de Dijkstra pour
résoudre le TDSP pour une heure de départ donnée toutefois, contrairement au problème
classique, les études sur le TDSP sont moins riches. Au cours des dernières années, il y a eu peu
d’avancées significatives dans la résolution du problème dans un environnement temps réel. Une
question difficile est donc de développer des algorithmes efficaces avec le minimum de calculs
dans des contextes dynamiques.
Chabini [74] a proposé un algorithme efficace pour obtenir une solution approchée au
problème du plus court chemin dans un contexte dynamique. Pour ce faire, le réseau original est
explosé selon k intervalles de temps uniformes, ce qui permet de résoudre le DSP comme un
problème statique dans le réseau explosé. Toutefois, la différence entre le LTT (« least total
travel time » LTT) obtenu et le LTT optimal est très sensible au paramètre k contrôlant la
discrétisation du temps.
41
Étant donné que l’heuristique A* fournit généralement de bons résultats pour le

problème statique, il y a eu plusieurs tentatives d'adaptation de cet algorithme pour le problème
où les temps de parcours dépendent du temps. Zhao et Ohshima [75] ont réduit le temps de calcul
au prix d’un coût de prétraitement supplémentaire. L'algorithme proposé est basé sur une
généralisation de l’algorithme A* combiné avec l'algorithme ALT, proposé par Goldberg et
Harrelson [76]. L'idée principale d’ALT est d'utiliser des points de repère pré-calculés pour
déterminer les distances à certains sommets intermédiaires. Comme il peut devenir rapidement
exorbitant de maintenir les valeurs associées à plusieurs points de repère, des méthodes
d’échantillonnage dans le temps sont proposées. Évidemment, cette approche ne permet pas de
tenir compte de changements rapides dans les données.
Dans [77], Jigang et al. proposent une approche intéressante qui fournit une bonne
approximation au DSP. L’idée est d'utiliser le plus court chemin statique pour identifier une zone
d’intérêt et appliquer ensuite l'algorithme pour le TDSP sur le sous-réseau en question afin
d’affiner la solution. On évite ainsi beaucoup de calculs inutiles. La taille du sous-réseau exploré
peut être modulée selon la période de trafic pour une meilleure qualité de solution. Cette
méthode a ainsi permis un gain de 90% en temps d’exécution.
5.2. Les modèles de prévision du temps de parcours

Dans la réalité, les informations sur le trafic dans les rues locales ne sont généralement
pas disponibles. Même pour les artères, les informations sur le trafic ne sont mises à jour qu’à
différents intervalles de temps. Une alternative à cette situation est d'utiliser des données
historiques pour estimer le temps de parcours sur les rues locales et d’appliquer ensuite des
techniques de prévision.
Plusieurs modèles de simulations ont été développés pour la prédiction de temps de

parcours (STM, DYNASMART, etc.) mais ceux-ci ne supportent pas le traitement en ligne.
Récemment, des modèles de prévision basés sur des réseaux de neurones artificiels ont
été utilisés pour les prévisions à court terme ([1], [21]).
Dans un problème de guidage dynamique, Feng et al. [1] ont proposé une approche de
prévision de vitesse à court terme basée sur un réseau de neurones à rétro propagation en faisant
appel à la fois à des informations historiques et en temps réel pour la période d’apprentissage. Un
42
poids plus important est associé aux données actuelles par rapport aux données historiques
puisqu’elles ont une influence plus grande sur les prévisions.
6. Conclusion des discussions sur les approches existantes

Plusieurs contraintes doivent être prises en considération lors de la conception d’une
approche de résolution adéquate pour le problème de répartition de véhicules d’urgence. Il est
difficile de formaliser ce problème dans un environnement incertain à l'aide de modèles
mathématiques ou de règles de décision explicites (ex. [35], [78], [79]). Cette difficulté est due à
la multiplicité des facteurs à considérer pour obtenir une solution satisfaisante dans des temps de
calcul acceptables.
Plusieurs méthodes de résolution existent pour les problèmes de tournées et de répartition

de véhicules rapportés dans la littérature. Étant donné le dynamisme du réseau routier, il est
nécessaire de prendre en considération les variations des temps de parcours et les ajustements à
la solution courante qui en découlent.
Nous reprenons ici les trois facteurs clés et interdépendants, qui influencent la qualité de
la solution fournie.
Tout d’abord, l’architecture de résolution. En étudiant les diverses architectures

rapportées dans la littérature à la section 3, nous avons noté que le modèle décentralisé est
parfois souhaitable pour la gestion d’une flotte de véhicules, compte tenu de la nature distribuée
du problème. En effet, les différents composants sont répartis géographiquement.
Une architecture hybride comme celle présentée dans [42] et [59] est désirable dans un
contexte de gestion de flottes de véhicules d'urgence, car elle respecte la nature distribuée du
problème et facilite sa compréhension et sa mise en œuvre. Aussi, les différentes composantes du
système auront à prendre des décisions moins complexes et seront en mesure de mieux contrôler
leur environnement local et ainsi réagir plus rapidement aux changements, en particulier dans un
contexte STI.
Une question clé est la configuration des agents de telle façon que leur comportement
mène globalement à une solution quasi-optimale. La coordination et l'échange d'informations
entre les agents définissent la pertinence de l’approche distribuée afin d'atteindre les
performances requises. L’idée d’une architecture reconfigurable telle qu’introduite par Benyahia
43
et Potvin [33] semble plus adéquate pour gérer les traitements de ré-optimisation, puisque ce ne
sont pas toutes les entités du système qui sont remises en question lors des réoptimisations et que
ce ne sont pas toujours les mêmes. Une architecture reconfigurable qui sélectionne les entités et
les traitements dépendamment du contexte semble mieux adaptée qu’une architecture statique
reposant sur des traitements plus complexes.
L’idée d’auto-organisation selon la couverture, introduite par de Zargayouna [61], semble

aussi intéressante afin de mieux limiter le flux des communications et de réduire les calculs
nécessaires à un sous-ensemble de véhicules candidats. On retiendra ces idées afin de les adapter
à notre problème.
Le deuxième facteur clé est l’approche de résolution. Dans un contexte de traitement en

temps réel, tous les mécanismes d’adaptation doivent être à la fois rapides et bornés dans le
temps. Ceci inclut les mécanismes de décision et/ou de reconfiguration. Les approches discutées
tout au long de ce chapitre présentent différents degrés de reconfiguration et dàdaptation. Les
plus pertinentes sont récapitulées dans le tableau comparatif ci-dessous (Tableau 2).
L’approche de résolution proactive ou hybride comme celle rapportée dans Greenwood et

al. [51] semble difficile à implémenter dans notre contexte puisque nous faisons face à des
événements imprévus et aléatoires dont on ne peut prévoir ni l’emplacement ni le temps
d’occurrence, en plus du temps limité dont on dispose pour l’adaptation et la mise en œuvre. Par
contre, l’approche de résolution réactive s’avère une bonne candidate dans notre cas, même s’il
est nécessaire de ré-exécuter làlgorithme à nouveau à chaque changement. Les approches de
résolution présentées par Yang [65] et Pillac et al. [67] semblent aussi être intéressantes dans
notre contexte, vu le degré de réactivité et l’efficacité de calcul qu’elles permettent.
Le travail de Pillac et al. [67] repose sur le maintien en mémoire dùn ensemble de
solutions prometteuses qui sont utilisées lors de la ré-optimisation. Bien que cette approche
permette un gain potentiel de temps, elle nécessite aussi la mise-à-jour de toutes ces solutions à
chaque cycle de ré-optimisation. Il reste que de faibles perturbations de l’environnement
n’affecteront pas tous les éléments d’une solution, de telle sorte que la solution modifiée ne
diffèrera pas trop de la solution originale. Il devient alors possible de limiter la ré-optimisation
aux seuls traitements nécessaires, sans qu’il y ait nécessité de réévaluer l’ensemble d’une
solution. Làpproche gloutonne de Yang [65] présente de bonnes performances, surtout si elle est
44
limitée à quelques candidats seulement choisis selon la zone d’action (tel que proposé par
Zargayouna [61]) et permet de faire des mises à jour locales de la solution en cours.
Tableau 2- Tableau comparatif des différentes approches
Travail Aspect Réactivité vs Informations en Efficacité de

dynamique Pro activité (*) temps réels calcul (**)
Demande &
Mou («soft real
Yang [65] temps de Haute Haute
time»)
parcours
Ibri et al. Données
[41] [40] Demande Moyenne purement Haute
statiques
Pillac et al. Mou («soft real
[67] Demande Haute time») Haute
Demande &
Zhao et al. temps de Haute Mou («soft real Faible
[68] parcours time»)
Greenwood Demande &
et al. temps de Haute Strict («hard Haute
[51] parcours real time»)
Lou et al. Données
[70] Demande Haute purement Faible
statiques
Demande &
temps de Moyenne Strict («hard Moyenne
Lopez et al.
parcours real time»)
[54]
(*) On considère que la solution est de haute réactivité si elle réagit à temps aux événements
(changement sur la route ou arrivée d’une nouvelle demande); par contre, si le traitement se fait
par intervalle, il s’agit d’une réactivité moyenne; enfin, la réactivité est faible si aucun
traitement de déviation ou de ré-routage n’est permis.
(**) L’efficacité de calcul correspond au temps de calcul nécessaire.
Le troisième facteur clé est l’algorithme du plus court chemin utilisé lors des calculs.
L’approche de Jigang et al. [77] fournit une approximation rapide et intéressante dans notre
contexte puisqu’il faut des réponses assez rapides dans un contexte dynamique. On retiendra
donc cette idée qu’on cherchera à adapter à nos besoins au chapitre suivant.
45
Chapitre 3 : Méthodologie
Notre système adaptatif de gestion de véhicules d’urgence réagit aux changements dans
l’environnement. Il décide, d’une part, des traitements adéquats pour faire face à ces variations
et d’autre part de la façon dont l’architecture du système devrait être reconfigurée afin
d’optimiser la performance globale du système, en particulier la rapidité de traitement. On se
restreindra dans ce travail à l’optimisation de la répartition des véhicules d’urgence. Nous
commençons par décrire les traitements adéquats et les solutions envisagées qui permettent
d’atteindre les objectifs que nous avons fixés pour notre projet. Ensuite, nous présentons en
détail l’approche de résolution choisie.
1. Construction de la solution
L’objectif principal du système adaptatif de gestion de véhicules d’urgence consiste à
minimiser les temps de réponse des véhicules d’urgence. Pour développer notre solution, nous
procédons par la recherche de solutions pour atteindre les objectifs secondaires que nous avons
définis. La réponse à ces objectifs, en se basant sur l’analyse faite dans le chapitre précédent,
nous permettra de rassembler les éléments de notre solution ainsi de construire la solution
globale pas à pas.
1.1. Modélisation du système de gestion des véhicules d’urgence

L’objectif est de modéliser le système de répartition des véhicules d’urgence en
considérant les nouvelles technologies de communications déployées et assurant des interactions
entre les véhicules d’urgence et ce système.
Suite à notre analyse faite au chapitre état de l’art, une architecture hybride comme celle
définie dans [42] et [59], établit un lien de communication et un partage des décisions entre la
station centrale de répartition de véhicules et les véhicules qui entraîne un minimum
d’inconvénients si on la compare aux autres architectures. De plus, elle est souhaitable dans notre
contexte étant donné la nature distribuée du problème.
La technologie émergente de véhicules connectés (Figure 3-1) forme des réseaux dits
réseaux ad ‘hoc véhiculaires (VANet « Véhicular Ad‘Hoc Networks »), qui se caractérisent par
des communications entre les véhicules (V&V) ou entre les véhicules et l’infrastructure (V&I).
46
Ces derniers permettent des transmissions d’informations entre les véhicules et le centre de
répartition des véhicules et de maintenir une communication perpétuelle. Il est ainsi plus facile
pour les véhicules d’urgence d’échanger des informations et de faire des mises à jour sur leurs
environnements en continu.
Figure 3-1 Concept de véhicules connectés VANet
Nous considèrerons ainsi que les éléments de notre système (flotte de véhicules
d’urgence et centre de répartition de véhicules d’urgence, etc.) sont inter-reliés par un réseau
VANet et interagissent dans le cadre d’une architecture hybride de gestion (partage, échange et
inter-coopération entre les différents éléments du système).
1.2. Identification des principaux événements

Nous étudions dans cette section les événements significatifs qui peuvent survenir tout en
affectant la performance des véhicules sélectionnés pour répondre aux urgences. Des traitements
adéquats sont alors requis pour répondre aux nouvelles situations.
Nous identifions trois catégories principales d’événements, à savoir l’arrivée de nouvelles

demandes de service, l’occurrence de congestion et l’occurrence de pannes.
47
L’arrivée de nouvelles demandes de service a déjà fait objet à nos discussions au niveau
de notre analyse dans le chapitre état de l’art (ex. [36], [41], [65]). Ici, le traitement nécessaire
diffère selon l’urgence de la nouvelle demande. Par exemple, dans le cas d’une demande très
urgente, une haute priorité de traitement est essentielle vu le temps de réponse réduit qu’elle
réclame. Il est donc nécessaire d’affecter le véhicule libre le plus proche ou, s’il n’y en a pas, de
réaffecter un des véhicules en route vers une demande moins urgente se trouvant dans le
voisinage de la nouvelle demande.
L’occurrence de congestion peut survenir pour diverses raisons, tel un accident sur la
route, une route bloquée par un obstacle imprévu, un feu de signalisation en panne, etc. Cette
situation est très rarement abordée dans l’état de l’art concernant les études du problème de
répartition dynamique des véhicules d’urgence. Là aussi, le traitement qui doit être associé à
cette situation dépend de la position du véhicule d’urgence par rapport au lieu de la congestion,
étant donné que la propagation de la congestion n’est pas instantanée. Par exemple, dans le cas
où la congestion a déjà atteint un véhicule en route vers un appel de secours, de sorte qu’il se
trouve coincé, un véhicule de remplacement doit être appelé en renfort. Par contre, une route
alternative peut être envisagée si le véhicule n’est pas encore immobilisé.
L’occurrence de pannes de véhicules correspond au dernier type d’événements. Malgré

les faibles probabilités liées à cet événement, il demeure qu’un tel événement doit être considéré.
1.3. Définition d’approche de reconfiguration réduisant l’impact des variations

L’objectif ici est de définir l’approche de reconfiguration afin de répondre rapidement
aux différentes variations de l’environnement et maintenir les temps de réponse au minimum.
Étant donné la complexité du système due à la variation des exigences selon le type
d’événements et la multiplicité des facteurs qui entrent en jeu, il est difficile de recourir à une
seule approche algorithmique. En conséquence, nous proposons une approche contextuelle à
base de scénarios. Cette approche reposera sur une base de règles définies à partir des principaux
événements (tels que présentés plus haut) pour lesquels nous identifions les traitements adéquats.
Ainsi, dépendamment de l’événement envisagé, un algorithme spécifique sera appliqué.
Étant donné que les traitements spécifiques adaptés à chaque scénario font également
appel à des composants communs de l’architecture, l’idée d’une architecture reconfigurable telle
48
que définie par Benyahia et Potvin [33] paraît appropriée. Une librairie de composants prédéfinis
pourrait ainsi être mise en place, dont certains seraient appelés dépendamment du contexte.
Évidemment, il faudra d’abord instancier cette architecture pour notre application et

définir les relations et dépendances entre les éléments de base du système, afin de représenter en
particulier les communications inter-véhiculaires. Nous en discuterons plus en détail dans la
section qui suit.
1.4. Maximisation de l’utilisation de la flotte de véhicules

L’objectif est de maximiser l’utilisation de la flotte de véhicules d’urgence, en se basant
sur la technologie des communications sans fil inter-véhiculaires, compte tenu du nombre
restreint de véhicules disponibles et des contraintes temporelles.
Si on considère qu’un réseau VANet est établi entre les véhicules de la flotte, ceux-ci
pourront communiquer en continu leur position, leur vitesse et leur état (libre, en route vers un
appel de secours, etc.). Ainsi, le centre de répartition des véhicules d’urgence pourra avoir une
vision plus globale et complète de tous les éléments de la prise de décision. Subséquemment, il
pourra être capable d’identifier le(s) véhicule(s) le(s) plus approprié(s) à chaque contexte et
maximiser l’utilisation de la flotte de véhicules.
De plus, l’idée d’une zone d'action de véhicule, telle que présentée dans [61], pourra
aider à identifier rapidement les véhicules candidats pour répondre à une demande. Dans notre
cas, la zone d’action de chaque véhicule peut être définie comme la région que peut atteindre un
véhicule à l’intérieur d’un intervalle de t minutes. Elle pourrait être déduite rapidement des
informations de localisation et de vitesses échangées en continu, créant ainsi une zone d’action
redéfinie dynamiquement pour chaque véhicule.
La notion de la zone d’action dynamique nous permettra aussi de concentrer les mises à
jour à la configuration de la flotte aux éléments vraiment concernés par les changements. Seules
les routes des véhicules impactés par l’évènement sont réévaluées. Ainsi, nous pourrons épargner
le temps de la vérification des parcours de tous les véhicules de la flotte et effectuer des
optimisations ponctuelles.
49
Avec cette zone d'action et les statuts échangés continuellement entre les véhicules, la
déviation de la trajectoire d’un véhicule ou le ré-routage d’un véhicule s’en trouvent facilités,
ceci sans parler de la possibilité d’échange d’informations sur la congestion entre les véhicules.
Pour conclure, notre solution sera basée sur une architecture hybride de gestion (partage,
échange et inter-coopération entre les différents éléments du système) où les éléments de notre
système seront interconnectés via un réseau VANet. Pour répondre aux incertitudes de notre
environnement, nous proposons une approche contextuelle à base de scénarios. Une architecture
reconfigurable telle que définie dans [33] sera mise en place offrant des traitements personnalisés
et adaptés à chaque événement tout en utilisant des composants communs de l’architecture. Nous
avons essayé d’identifier les principales catégories d’événements qu’un véhicule d’urgence
pourra envisager en route auxquels nous aurons à spécifier les adaptations nécessaires.
Finalement pour réduire la complexité de traitements et limiter les modifications nécessaires
nous appliquerons l’idée de zone d'action dynamique pour chaque véhicule.
2. Approche de résolution
Nous présentons dans cette section les détails de l’approche de résolution choisie. Nous
commençons par détailler l’architecture de résolution qui englobe les différents éléments de la
solution.
2.1. Architecture de résolution

Comme discuté plus haut, l’architecture choisie s’inspire du cadre défini par Benyahia et
Potvin [33], avec une légère modification pour satisfaire aux exigences spécifiques de notre
application. Dans ce qui suit, nous introduisons le cadre de gestion proposé dans [33], suivi de
son instanciation pour la résolution du problème de répartition de véhicules d’urgence en temps
réel.
2.1.1. Le cadre de gestion

Le cadre de gestion défini dans Benyahia et Potvin [33] est caractérisé par une
architecture distribuée composée de trois catégories de composants appelés agents (Figure 3-2).
50
Figure 3-2 Architecture d'application complexe (Benyahia et Potvin [33])
Les agents environnement simulent le comportement des composants de l'environnement

et représentent les entités gérées. Lorsque des changements importants se produisent, ces entités
gérées interagissent avec les agents gestionnaires (également appelés agents complexes « AC »)
qui sont spécialisés dans le traitement des événements et le contrôle des entités gérées. Un agent
complexe est défini par son rôle, sa base de connaissances et sa méthode de communication avec
d'autres agents. Toutefois, les agents complexes ne peuvent pas communiquer directement entre
eux, afin d'éviter une dégradation des performances.
L’agent superviseur est un composant du système responsable de la délégation de

l'événement. Les agents complexes interagissent par exemple avec l’agent superviseur quand leur
charge de traitement atteint un seuil prédéfini. L’agent superviseur dispose d'une visibilité
complète sur tous les agents gestionnaires.
2.1.2. Instanciation de l’architecture à notre contexte

L’architecture pour notre application comprenant trois couches logicielles est présentée à
la Figure 3-3. La couche inférieure est constituée de deux catégories d’agents. Tout d’abord les
agents environnement embarqués tels les véhicules d’urgence, munis d’une capacité de
traitement, puis les agents environnement matériels tels que les senseurs (ex. boucles de
détections, caméras vidéo, etc.).
Les agents environnement véhicules sont en perpétuelle communication bidirectionnelle

avec les agents complexes par l’entremise d’une couche de télécommunication VANet et relaient
51
continuellement leur statut (position, vitesse, direction, état, etc.). Les agents environnement
senseurs, quant à eux, relaient en temps réel les données décrivant l’état du réseau.
La couche intermédiaire est constituée de multiples agents complexes (ACs) dont le rôle
est de traiter les informations reçues de l’agent superviseur et celles générées localement par les
senseurs dispersés au sein de l’infrastructure physique du réseau routier. Ils doivent aussi
coordonner avec la flotte de véhicules pour prendre des décisions de gestion et de contrôle.
Plusieurs types d’AC spécialisés sont définis pour traiter les informations nécessaires aux
décisions de répartition. Ceux-ci peuvent d’ailleurs travailler en concurrence. On considère par
exemple un agent complexe détecteur de congestion (AC_Detecteur_Congestion) qui détecte les
variations importantes sur le réseau routier (ex. apparition de la congestion, accident, etc.), les
évalue (ex. une congestion importante est associée à un risque important) et transmet
l’information à l’agent superviseur qui se chargera par la suite de la transmettre aux agents
complexes concernés. Un autre agent complexe affectation (AC_affectation) prend en charge
l’exécution des décisions d’affectation ainsi que la minimisation des réaffectations. Un agent
complexe voisinage (AC_voisinage) calcule les zones d’action dynamiques des véhicules et
sélectionne les véhicules candidats, etc. D’autres ACs sont spécialisés dans la répartition des
véhicules : on les désigne par AC_Station et on leur associe un ensemble de véhicules et une
zone géographique. Une sélection définie de ces ACs est utilisée à chaque contexte.
La couche supérieure est représentée par un agent spécial, soit l’agent superviseur de
zone. Ce dernier a diverses responsabilités : affecter et équilibrer la charge de traitement des
données entre les agents des couches inférieures, recevoir les événements tels que les appels
d'urgence et les notifications de congestion, transmettre les requêtes vers les AC_Station les plus
proches de la zone d’appel et alerter les AC_Station en cas de congestion sur les routes. La
Figure 3-3 illustre les interactions entre les trois couches.
52
Figure 3-3 Les interactions entre les trois couches
2.2. Méthodologie décisionnelle

Le système de gestion de véhicules d’urgence est sujet à des exigences variables vu la
multitude d’événements (appel, panne, congestion, etc.), les différents niveaux d’urgence
rencontrés et la variation des exigences selon le type d’événements. Il est ainsi amené à s’adapter
continuellement à ces variations dans l’environnement pour maintenir une bonne qualité de
service. De ce fait, il est difficile de formaliser ce problème dans un environnement incertain à
l'aide de modèles mathématiques ou de règles de décision explicites. Une seule approche
algorithmique à base d’heuristiques ne pourrait pas satisfaire les différentes contraintes
d’exécution d’une telle application temps réel vu la grande variation des facteurs qui entrent en
jeu. Conséquemment, notre méthodologie décisionnelle adopte une approche contextuelle à base
de scénarios.
Une base de règles est définie à partir des principaux événements qui peuvent être
rencontrés, pour lesquels on spécifie un algorithme de traitement et une configuration adéquate.
Il s’agit en quelque sorte d’un système de gestion adaptatif. Pour ce faire, notre système regroupe
trois sous-systèmes, soit Environnement, Traitement et Décision. Ceux-ci collaborent afin de
53
produire une décision optimisée. Les trois sous-systèmes présentés dans la Figure 3-4 sont
brièvement décrits dans ce qui suit.
2.2.1. Sous-système Environnement

L’environnement routier est modélisé par un module (« Environnement») qui transmet
en continu des événements (appels de service) et des mises à jour du flux de trafic qui seront
traités par le système de gestion de véhicules d’urgence. Le comportement de cet environnement
est aléatoire et des perturbations inattendues peuvent parfois affecter son flux.
La flotte de véhicules d’urgence est modélisée par un module (« Flotte de véhicules») qui
transmet en continu des mises à jour d’états au système de gestion des véhicules d’urgence.
Ces deux modules reproduisent le comportement des agents environnement, tels les
véhicules d’urgence et les senseurs, de notre cadre de gestion (Figure 3-3).
Le sous-système Environnement collabore, d’une part, avec le sous-système Traitement

auquel il fournit les mises à jour des temps de parcours (à considérer lors des traitements) et,
d’autre part, avec le sous-système Décision auquel il fournit les événements et les mises à jour
du flux de trafic qui seront analysés pour détecter les changements dans l’environnement et
amorcer les ré optimisations appropriées.
L’arrivée dynamique des appels de service est reproduite en utilisant un flux synthétique
d’événements selon des lois de distributions assimilables aux comportements des systèmes
d’urgence (ex. [14], [80]). D’après l'étude de Haghani et Yang [14] réalisée sur des données
réelles, le temps d'inter-arrivée pour les appels d'urgence, qui est le temps entre deux appels
d'urgence successifs, suit une distribution exponentielle avec une moyenne de 15-30 minutes. Le
temps de service pour les appels d'urgence suit quant à lui une distribution normale.
Pour refléter les congestions inattendues, une perturbation dynamique est généralement
ajoutée aux prévisions de temps de déplacement (ex. [65], [80]). Dans [80] par exemple, la
valeur de cette dernière est générée selon une loi de probabilité normale de moyenne zéro avec
différents écarts-types. Comme on ne considère que les retards (augmentation de temps de
parcours), la perturbation négative est fixée à 0.
54
Les comportements imprévus de l’environnement seront amorcés aléatoirement via des

scénarios de congestion permettant d’étudier l’efficacité de notre système de gestion pour la
détection et le déclenchement de plans d’adaptation adéquats.
2.2.2. Sous-système Décision

Le sous-système Décision est composé de deux modules, à savoir le module « Détection
de congestion » et le module «Gestionnaire».
Le module « Détection de congestion » modélise le comportement de l’agent complexe

AC_Detecteur_Congestion de notre cadre de gestion (Figure 3-3). Il est chargé de la surveillance
du flux de trafic et de l’estimation des variations dans l’environnement. Il observe
continuellement les mises à jour du flux de trafic afin d’analyser les fluctuations et détecter les
perturbations imprévues. Les méthodes utilisées dans ce module ne font pas l’objet de notre
travail. Pour ceci, on utilisera plutôt un des algorithmes de détection de congestion rapportés
dans la littérature.
Le module «Gestionnaire» modélise le comportement de l’agent superviseur et de l’agent

complexe AC_Station de notre cadre de gestion (Figure 3-3). Il encapsule la fonctionnalité
associée à la prise de décisions. L’agent superviseur décide de l’agent complexe AC_Station
approprié à l’événement en se basant sur la couverture et de l’état de saturation de chacun d’eux.
Par la suite l’agent complexe AC_Station choisi spécifie le traitement utile aux événements qu’il
reçoit du sous-système Environnement (Evénement (Figure 3-4)) ou du module «Détection de
congestion» (Signal « Congestion » (Figure 3-4)). Pour ceci, il utilise une base de règles ainsi
que les mises à jour des statuts du module « Flotte de véhicules » pour décider du scénario en
question. Les détails du fonctionnement de ce module seront explicités dans la section qui suit.
Le sous-système Décision collabore aussi avec le sous-système Traitement auquel il

soumet des solutions de reconfiguration (Signal «Décision» (Figure 3-4)) à des fins d’exécution.
2.2.3. Sous-système Traitement

Le sous-système Traitement encapsule la composition et l’exécution de l’architecture
dynamique discutée plus haut. Les traitements sur les événements reçus de l’environnement
externe sont effectués dépendamment des décisions fournies par le sous-système Décision. Ce
dernier transmet les notifications de changements de configuration de l’architecture de traitement
55
distribué après une analyse des événements reçus (Signal «Décision»). Le sous-système
Traitement invoque par la suite les composants spécialisés, une sélection d’agents complexes de
notre cadre de gestion (Figure 3-3), nécessaires à la nouvelle configuration et appelle les
méthodes appropriées pour la mettre en place. Ces agents complexes sont archivés dans une
librairie («Librairie de composants» (Figure3-4))
Ce sous-système inclut aussi un module de prévision des temps de parcours (module

«Prévision du temps de parcours») et un module de calcul du plus court chemin (module «Plus
court chemin»). Ceux-ci sont évoqués à des intervalles fixes pour mettre à jour les temps de
parcours. Des mises à jour ponctuelles peuvent aussi être demandées par le sous-système
Décision lors de la détection d’événements (accident, congestion, etc.). Celles-ci sont
habituellement locales, c’est-à-dire de l'emplacement actuel de certains véhicules vers leur
destination (sites d'urgence, hôpitaux, stations).
56
Figure 3-4 Diagramme de collaboration du système de gestion des véhicules
2.3. Modélisation de la structure décisionnelle

L’adaptation dynamique du système adaptatif de gestion de véhicules d’urgence opère
selon un algorithme général qui comporte les étapes suivantes: surveillance du système,
détection d’une condition d’adaptation, notification du module décisionnel, identification du
57
contexte (ou scénario), sélection d’une alternative de reconfiguration pour le traitement (à partir
de la base de règles), mise en œuvre de l’alternative et retour éventuel à la normale [22].
La notion d’alternative fait ici référence à la combinaison des composants de traitement

(AC) que le système peut appliquer en fonction du contexte. Elle définit en quelque sorte la
structure des composants de traitement et les interconnexions entre ces composants afin de
produire une architecture particulière adaptée à un contexte spécifique.
La base de règles identifie les paramètres dynamiques associés aux événements et indique
quelle alternative de configuration devrait être adoptée pour répondre à ces événements
moyennant un certain nombre de scénarios prédéfinis. On procédera dans la suite à
l’identification des paramètres et des scénarios probables ainsi que les configurations et les
séquences de traitements nécessaires.
2.3.1. Scénarios de traitements envisagés

Trois grandes catégories d’événements ont déjà été identifiées à savoir l’arrivée d’un
nouvel appel de secours, l’occurrence de congestions sur la route et l’occurrence d’une panne.
Des cas particuliers peuvent découler de ces trois catégories, dépendamment des paramètres de
l’environnement.
Dans cette section, nous tenterons d’identifier les paramètres associés aux événements,
d’indiquer la configuration requise à savoir la séquence des traitements nécessaires et les
composants de traitement (agents complexes), de la librairie de composants du sous-système
Traitement (Figure 3-4 : Sous-système Traitement), qui devraient être exécutés pour répondre à
ces événements. Dans ce but, nous considérerons chacune des catégories d’événements une à
une, avec un accent particulier sur les aspects qui n’ont pas déjà été traités dans la littérature.
Une fois définies, ces associations entre paramètres et configurations formeront les
éléments de la base de règles que le module « Gestionnaire » consultera à chaque fois qu’il reçoit
un événement pour décider des traitements adéquats requis (Figure 3-4 : sous-système Décision).
2.3.1.1. L’occurrence de congestion sur la route

La notification de congestion sur la route peut être déclenchée par le module de détection
de congestion ou même par un véhicule sur la route. Dans le premier cas, les mises à jour du flux
de trafic reçues indiquent une déviation par rapport à un seuil donné. Un événement de
58
congestion est alors produit par le module «Détection de congestion» et transmis au module
«Gestionnaire» (sous-système Décision) pour indiquer le lieu de la congestion et son importance.
Dans un tel cas, les emplacements des véhicules par rapport au lieu de la congestion doivent être
considérés et des plans de déviation peuvent être amorcés au besoin. Dans le second cas, la
notification est reçue du véhicule lui-même. Un plan de remplacement peut alors s’avérer
nécessaire dépendamment du degré de congestion rapportée et de l’emplacement du véhicule.
Nous discutons ci-dessous des traitements nécessaires pour quelques exemples de

scénarios. Un cas de forte congestion est rapporté dans un premier scénario par le module de
détection de congestion (Figure 3-5) et dans un second scénario par un véhicule coincé sur la
route (Figure 3-6). Ce dernier est semblable au scénario où une route est obstruée par un obstacle
(Figure 1-3) tel que discuté précédemment.
Scénario 1 : Forte congestion sur la route :
Entrée :
 Notification de congestion reçue du module de détection de congestion (Sous-système

Décision) avec son emplacement.
Traitement Requis:
La Figure 3-5 récapitule les traitements requis et les composants (ACs de la librairie de
composants du sous-système Traitement) engagés pour l’exécuter. Les détails sont explicités tout
de suite après.
Les agents complexes sélectionnés lors de ce traitement sont AC_Dispatcheur, AC_Distance,

AC_Comparaison de Route, AC_Diversion.
59
Figure 3-5 Scenario d’exécution pour notification forte congestion sur la route
Détails des traitements :
1- Envoie une demande de mise-à-jour de statut à tous les véhicules de la flotte

(AC_Dispatcheur).
Hypothèse : On suppose que l’envoi et la réception des messages de mise-à-jour sont

quasi-instantanés.
2- Déterminer les véhicules en service (i.e. ceux qui sont en route vers un site d’urgence ou
un hôpital) (AC_Dispatcheur).
Hypothèse : On suppose que la congestion nà pas d’impact significatif sur les véhicules
libres, en traitement sur site, ou hors service.
60
3- Pour chaque véhicule en service sélectionné

a) Vérifier les emplacements du véhicule par rapport au lieu de la congestion
(AC_Distance).
o Distance (entre le lieu de la congestion et l’emplacement du véhicule).
o Détecter les véhicules proches du lieu de la congestion (ex. distance < 5 km).
o Classer les véhicules selon leur proximité du lieu de la congestion.
b) Vérifier en parallèle (traitement concurrent) si le lieu de la congestion se trouve sur le
chemin du véhicule en service (AC_Comparaison de Route).
o Comparer les nœuds sur le chemin actuel au nœud de congestion.
4- Déterminer les nouveaux itinéraires pour les véhicules affectés par la congestion (i.e., ceux
proches et passeront par le point de la congestion) (AC_Diversion).
o Calcul du nouveau chemin (plus court chemin dynamique entre l’emplacement
actuel du véhicule et sa destination).
o Notification(s) de mise-à-jour de parcours.
Scénario 2 : Forte congestion sur la route et notification de véhicule immobilisé:
Entrée :
 Notification du véhicule (en route vers un site d‘urgence) immobilisé.

 Notification de la congestion et de son emplacement.
Traitement Requis:
composants du sous-système Traitement) engagés pour l’exécuter. Les détails sont explicités tout
de suite après.
Les agents complexes sélectionnés lors de ce traitement sont AC_Dispatcheur, AC_Distance,

AC_Comparaison de Route, AC_Diversion, AC_Voisinage, AC_D’affectation.
61
Figure 3-6 Scenario d’exécution pour notification de véhicule coincé par une congestion
Détails des traitements:
1- Envoi d’une demande de mise-à-jour de statut à tous les véhicules de la flotte

(AC_Dispatcheur).
2- Déterminer les véhicules en service (i.e., ceux qui sont en route vers un site d’urgence ou
un hôpital) (AC_Dispatcheur).
Hypothèse : On suppose que la congestion nà pas d’impact significatif sur les véhicules
libres, en traitement sur site, ou hors service.
62
3- Détecter les véhicules ayant un voisinage couvrant le site d’urgence affecté au véhicule
immobilisé (vi) (AC_Voisinage).
o Voisinage (emplacement de l’appel d’urgence, priorité de l’appel d’urgence)
4- Minimiser les réaffectations (AC_D’affectation).
o Si le véhicule candidat choisi est déjà en route vers un autre site d’urgence.
Comparer le temps de parcours du véhicule en service choisi à celui des autres
véhicules libres candidats.
Si la différence entre le temps de parcours < τ alors privilégier les
véhicules libres.
Hypothèse : Lorsque plusieurs candidats existent, un véhicule en route vers un site
d’urgence ne sera réaffecté que si le bénéfice en temps de réponse (temps de parcours) est
supérieur à une valeur τ. La valeur de τ sera définie dans le chapitre suivant (simulation).
5- Affecter le véhicule le plus proche (AC_D’affectation).
o Mettre à jour le statut du véhicule sélectionné.

o Notification(s) de mise-à-jour de parcours.
6- Gérer les réaffectations (AC_Dispatcheur).
o Si une réaffectation a été effectuée alors

- Augmenter le niveau de criticité de l’appel réaffecté.
- Remettre l’appel réaffecté dans la liste des demandes de service.
7- Exécuter en parallèle le même traitement pour le calcul des nouveaux itinéraires que celui
appliqué au scénario 1.
o Dévier les véhicules en service qui sont proches du point de la congestion et qui
devront passer par ce point.
2.3.1.2. Panne d'un véhicule d’urgence en route

La notification de panne est déclenchée par les véhicules eux-mêmes. Le traitement
requis pour un véhicule en panne sur la route ne diffère pas tellement de celui requis par un
63
véhicule immobilisé dans une congestion. La seule différence est que la notification de panne
engage un traitement local pour le véhicule qui est en panne sans qu’il y ait nécessité de revoir
les routes des autres véhicules (Figure 3-7).
Scénario 3 : Panne de véhicule en route
Entrée :
 Notification de véhicules en panne en route vers un hôpital ou un site d’un appel d’urgence.
Traitement Requis:
composants du sous-système Traitement) engagés pour l’exécuter.
Figure 3-7 Scénario d’exécution de notification d'un véhicule en panne
64
Les agents complexes sélectionnés lors de ce traitement sont AC_Dispatcheur, AC_Voisinage,

AC_D’affectation.
Détails des traitements :
1- Envoi d’une demande de mise-à-jour de statut à tous les véhicules de la flotte

(AC_Dispatcheur).
2- Détecter les véhicules à proximité du véhicule en panne (vi) (AC_Voisinage).
Hypothèse : seuls les véhicules libres ou en route vers un site d’urgence sont
considérés.
o Si le véhicule candidat choisi est déjà en route vers un autre site d’urgence.
Comparer le temps de parcours du véhicule en service choisi à celui des autres
véhicules libres candidats.
Si la différence entre le temps de parcours < τ alors privilégier les véhicules

libres
Hypothèse : Lorsque plusieurs candidats existent, un véhicule en route vers un site d’urgence ne
sera réaffecté que si le bénéfice en temps de réponse (temps de parcours) est supérieur à une
valeur τ. La valeur de τ sera définie dans le chapitre suivant (simulation).
o Mettre à jour le statut du véhicule sélectionné

o Notification(s) de mise-à-jour de parcours
o Si une réaffectation a été effectuée alors

- Augmenter le niveau de criticité de l’appel réaffecté.
- Remettre l’appel réaffecté dans la liste des demandes de service.
65
2.3.1.3. Arrivée d’un nouvel appel d’urgence

Cet événement est abondamment discuté dans la littérature. Les traitements requis
dépendent en grande partie de l’urgence de l’appel reçu. On considère dans cette étude trois
niveaux de priorité : haut, moyen et minimal.
Dans le cas où la priorité de l’appel reçu est minimale ou moyenne, seuls les véhicules
libres sont considérés pour une affectation. Par contre, lorsque la priorité de l’appel est élevée,
même les véhicules en route vers un autre site d’urgence sont pris en considération.
Nous discuterons ci-dessous des traitements nécessaires en cas d’un appel de haute
priorité.
Scénario 4 : Nouvel appel d’urgence de haute priorité
Entrée :
 Événement : appel d’urgence de haute priorité.
Traitement Requis:
1- Envoi de demande de mise-à-jour de statut à tous les véhicules de la flotte

(AC_Dispatcheur).
2- Déterminer les véhicules candidats (i.e. ceux qui sont en route vers un site d’urgence ou
libres) (AC_Dispatcheur).
3- Sélectionner le premier appel d’urgence dans la liste, jusqu'à ce que tous les véhicules
soient affectés ou que tous les appels d'urgence soient servis. (AC_Dispatcheur).
o Trier les appels d’urgence de haute priorité s’ils existent selon leur temps
d’attente dans le système.
4-Détecter les véhicules à proximité de l’appel d’urgence (AC_Voisinage).
66
2.3.2. Algorithmes de résolution

Pour fixer un peu les idées, nous présentons dans cette section le fonctionnement de
certains algorithmes utilisés lors des traitements mentionnés ci-dessus. Ces algorithmes sont
encapsulés dans les ACs spécialisés.
2.3.2.1. Mise-à-jour de statut d’un véhicule d’urgence

Comme mentionné plus haut, nous supposons que les véhicules de la flotte
communiquent entre eux et avec la station centrale via un réseau VANet et transmettent
continuellement leur statut. Les informations pour la mise-à-jour comprennent: l'emplacement
actuel, le chemin à emprunter, la destination, l’état actuel et la priorité servie si elle existe. Les
différents états possibles d’un véhicule sont :
 Libre
 En route vers un site d’urgence
 Chargé et en route vers un hôpital (occupé)
 En traitement sur site (occupé)
 En recharge (hors service)
Certains changements d'état du véhicule peuvent entraîner une ré-optimisation. Par

exemple, si un véhicule a terminé le traitement sur site et affiche l’état "Libre", cela signifie que
le véhicule est maintenant disponible et peut être affecté à un autre appel d'urgence.
Les statuts avec état "Libre" et "En route" vers un site d’urgence sont les plus consultés
lors des ré optimisations puisque seuls ces véhicules peuvent être affectés ou déviés de leur route
pour servir les appels ou éviter une congestion.
Les statuts avec état "Chargé et en route vers un hôpital" et "En route" vers un site
d’urgence nécessitent une supervision continue de route afin d’éviter toute congestion ou
imprévu et maintenir une qualité de service convenable.
2.3.2.2. Algorithme de voisinage

Nous considérons par voisinage dynamique d’un véhicule toute la région accessible à
l’intérieur d’une durée de temps T. Le voisinage d’un appel d’urgence est déterminé par la
station centrale, en se basant sur les mises à jour de statuts reçues à sa demande ou en utilisant la
mise à jour la plus récente. L’idée est d’identifier rapidement les véhicules candidats pour
67
répondre à une demande ou remplacer un véhicule envisageant un imprévu. L’algorithme utilisé

pour le calcul du voisinage est décrit en annexe 1.
2.3.2.3. Calcul du plus court chemin

Il est parfois nécessaire de modifier un itinéraire en raison des variations dans les
conditions de circulation. Dans certains cas, un nouvel itinéraire doit être recalculé rapidement
en fonction de la position actuelle du véhicule et des informations de trafic en temps réel.
Lorsque l’étendue du réseau considéré est petite, il est possible d’utiliser la version
dynamique de l’algorithme de Dijkstra pour le calcul du plus court chemin. Par contre lorsque la
dimension du réseau est large, le temps du calcul utilisant cette version dynamique de
l’algorithme de Dijkstra devient important et il faudrait utiliser une méthode plus rapide.
Dans l’étude de Jigang et al. [77], les auteurs exploitent le fait que le plus court chemin
statique fournit une solution approximative au DSP. En effet, la longueur du plus court chemin
statique n'est généralement pas très affectée par les conditions de la circulation, à l'exception des
cas d’accidents ou de forte congestion. Il est donc inutile de considérer l'ensemble du réseau,
comme dans l’algorithme de Dijkstra, pour calculer le DSP entre une paire de nœuds. Un sous-
réseau étendu du plus court chemin statique est suffisant pour supporter le calcul du DSP dans la
plupart des cas.
Figure 3-8 Exemple d’un sous-réseau de grade-2 en fonction du chemin P (Jigang et al. [77])
Ainsi, un plus court chemin statique L entre une paire de nœuds donnée est calculé dans
le réseau et est utilisé comme solution initiale pour le problème dynamique (Figure 3-8). Ensuite,
cette solution initiale est affinée en utilisant la version dynamique de l’algorithme de Dijkstra
(D_DA) sur un sous-réseau d’étendue moins importante (grade r) extrait du réseau initial.
68
Un sous-réseau de grade r du réseau G = (V, E), dérivé du chemin L, est un réseau G’ =

(V’, E’) tel que V’ = {v | v V et distance (v, L) ≤ r} et E’ = {(vi, vj)  E | v i, v j V’}. [77]
Pour chaque nœud vi L, nous dénotons Vi(r) l'ensemble des nœuds voisins qui sont
situés à une distance inférieure à r du nœud vi.
Dans Jigang et al. [77], l’étendue du sous réseau de grade r est choisie selon la période
du trafic considérée et du degré de congestion reporté. Le pseudo-code de l’algorithme de Jigang
et al. [77] est présenté en annexe 2.
2.3.2.4. Algorithme d’affectation

Dans son travail, Yang [65] a utilisé une approche de type glouton pour l’affectation de
véhicules d’urgence. L'avantage de cette méthode est qu'elle permet de générer très rapidement
de bonnes solutions réalisables.
En faisant appel à la notion de zone d'action d’un véhicule, telle que présentée par
Zargayouna [61], et qui permet de limiter le nombre de véhicules candidats pour servir une
demande, l’approche glouton s’avère bien adaptée à notre contexte.
L'algorithme glouton est défini comme suit:
1. Trier les appels d’urgence en attente en ordre décroissant de priorité. Si des appels ont la
même priorité, les trier selon leur temps d’attente dans le système.
2. Sélectionner le premier appel d’urgence sur la liste, jusqu'à ce que tous les véhicules soient
affectés ou jusqu’à ce que tous les appels d'urgence soient servis.
3. Déterminer les véhicules présents dans le voisinage de l’appel d’urgence avec l’algorithme de
voisinage dynamique.
4- Minimiser les réaffectations.
5. Affecter le véhicule le plus proche de l’appel d'urgence et mettre à jour son statut.
6. Augmenter le niveau de criticité du premier appel si le véhicule a dû être dévié de sa route

courante.
7. Retirer l’appel d’urgence de la liste et passer à l'étape 2.

69
Cet algorithme est appliqué lors de la réception d’un nouvel appel de service de priorité
moyenne ou minimale. Un traitement spécifique est appliqué pour les appels de haute priorité tel
que présenté au scénario 4.
2.4. Séquence décisionnelle :

L’adaptation aux variations de l’environnement menant à des temps de réponse adéquats
se traduit par diverses actions de reconfiguration des véhicules qui sont dispersés dans le réseau
routier.
Le système de gestion adaptatif décide comment optimiser son architecture de traitement
selon les changements observés dans le réseau. La reconfiguration se traduit par des instructions
de contrôle acheminées aux véhicules concernés (ex. message de réaffectation, message de
changement de parcours, etc.).
L’architecture de traitement du système de gestion adaptatif est conçue ainsi tel un
pipeline de classes de traitement, où chaque agent complexe représente une classe (Figure 3.9).
Chaque classe (AC) est instanciée par au plus un composant. Le pipeline optimal pour le
contexte courant (nouvel appel, perturbation, etc.) aura été identifié au préalable à partir de la
base de règles. Dans la Figure 3-4, le signal “Décision” transmet au sous-système de Traitement
la configuration d’agents complexes adéquate (i.e. le pipeline optimal) identifiée a partir de la
base des règles.
Figure 3-9 Architecture avec des composants reconfigurables (inspirée de [33])
La base des règles de notre travail est présentée dans le Tableau 3. Elle est extensible et
de nouveaux scénarios pourraient y être facilement ajoutés vu l’approche reconfigurable utilisée.
Les nouveaux scénarios reposeront probablement sur les mêmes entités de traitements (agents
complexes) mentionnées précédemment et on pourra en rajouter d’autres entités spécialisées si
70
nécessaire vu qu’on se base sur la notion d’agents complexes de traitement spécialisés et qui
permettent d’encapsuler des fonctions personnalisées.
Tableau 3- Base des règles
Règles Paramètres d’entrées Algorithmes
R1 Si Notification de congestion Alors Scénario de congestion en route

R2 Si Notification de panne Alors Scénario de panne d’un véhicule
d’urgence en route
R3 Si Notification de congestion et Alors Scénario d’un véhicule coincé par
Notification de véhicule coincé congestion
R4 Si Appel de haute sévérité Alors Scénario d’affectation d’appel de haute
priorité
R5 Si Appel de moyenne ou faible sévérité Alors Scénario d’affectation d’appel
3. Conclusion
Une nouvelle approche de gestion des véhicules d’urgence qui tient compte des
incertitudes de l’environnement et repose sur l’usage des nouvelles technologies d’informations
pour la collecte et l’échange d’informations a été conçue.
Cette approche fondée sur une résolution contextuelle à base de scénarios et utilisant une
architecture reconfigurable permet d’aider les véhicules d’urgence à interagir rapidement avec
leur environnement et minimiser les délais d’intervention.
Une base de règles a été définie à partir des principaux événements qui peuvent être
rencontrés, pour lesquels nous avons spécifié des algorithmes de traitement appropriés. Des
traitements personnalisés ont été définis pour gérer les évènements imprévus sur la route
Dans la suite de ce travail, nous allons se concentrer sur l’implémentation de notre

approche et son expérimentation sur l’environnement de simulation. Nous testerons notre
système de gestion adaptatif vis-à-vis certains scénarios concrets et analyserons son efficacité.
Pour ce ceci nous allons comparer le temps de réponse des véhicules de secours sur le terrain
lorsque des ré optimisations sont effectuées (telles que celles proposées dans notre étude) à celle
lorsque le véhicule maintient sa route planifiée dés le départ.
71
Chapitre 3 : Méthodologie Simulation et résultats
Chapitre 4 : Simulation et résultats

1. Introduction
Nous présentons dans ce chapitre des études de cas démontrant la mise en œuvre de notre
approche de gestion de véhicules d’urgence, dans le contexte des systèmes de transport
intelligents (STI). L’objectif de cette étude expérimentale est de montrer l’aptitude de notre
approche à répondre efficacement aux aspects dynamiques et imprévisibles de l’environnement.
Ainsi, valider qu’une gestion adaptative, telle que suggérée par notre approche, permette de
minimiser les délais dìntervention des véhicules d’urgence et d’assurer une meilleure gestion de
la flotte des véhicules.
Nous commencerons par présenter l’environnement d’expérimentation, les hypothèses

pour l’expérimentation et la modélisation des paramètres. Ensuite, nous décrirons les simulations
qui sont basées sur des scénarios de trafic urbain présentant des événements imprévus et
discuterons les résultats de nos expérimentations. Comme l’étude est novice et qu’on ne peut pas
trouver des échantillons dans la littérature pour comparaison, nous comparerons les routes
obtenues avec notre approche avec celles utilisées habituellement par les véhicules d’urgence où
aucun traitement des incertitudes de l’environnement n’est envisagé. Ainsi, nous constaterons
que notre approche permet d’offrir des temps de réponse dans les délais prescrits, de réduire les
délais encourus suite à des changements inattendus dans les conditions de la circulation et de
maintenir la stabilité du système de gestion en réduisant les réaffectations en chaîne.
2. Environnement de simulation
Les modèles de simulation par ordinateur sont souvent appliqués aux réseaux de transport
puisqu'il n'est généralement pas possible d'expérimenter avec les réseaux réels. Les simulateurs
de trafic sont ainsi utilisés pour générer des trajectoires réalistes pour les véhicules. La
simulation de la circulation s'est avérée une approche pratique et rentable pour fournir des
informations sur le trafic en temps réel et pour appuyer la détection et l'analyse des incidents.
Les systèmes de simulation de trafic ont récemment évolué et fournissent maintenant des
outils puissants pour répondre aux exigences de conception et d'analyse en transport ainsi que
pour l’élaboration de stratégies de contrôle en ligne. Dans la suite, nous commencerons par
72
identifier le modèle de simulation le mieux adapté à notre contexte. Le tout sera suivi par une
présentation de l’outil de simulation choisi et de notre environnement d’expérimentation.
2.1. Modèle de simulation

Les systèmes de simulation du trafic reposent sur les approches macroscopiques,
mésoscopiques ou microscopiques, dépendamment du niveau de détail avec lequel le système est
représenté [38], [81].
Les modèles de simulation macroscopiques (ex. METACOR, MASTER, etc.) décrivent

l’écoulement global du flux de véhicules, sans aller dans les détails (par exemple, le
comportement de chaque véhicule sur les voies) [38]. À l’opposé, les modèles de simulation
microscopiques (ex. CORSIM, VISSIM, SUMO) représentent l’évolution individuelle de chaque
véhicule et déterminent leurs vitesses, emplacements et interactions. Par conséquent, ils peuvent
être utilisés pour représenter le comportement de différents types de véhicules [82].
Les modèles mésoscopiques de simulation de trafic représentent une approche

intermédiaire. Des éléments des modèles macroscopiques y sont intégrés ainsi que certaines
interactions individuelles qu’on retrouve dans les modèles microscopiques. Plusieurs modèles
mésoscopiques ont été développés jusqu'à présent [7], comme CONTRAM, DYNASMART, etc.
Ainsi, les modèles macroscopiques représentent les entités et leurs activités ou

interactions à un haut niveau d’abstraction. Les modèles mésoscopiques constituent une solution
de compromis, en représentant les entités impliquées de façon plus précise que les modèles
macroscopiques (cependant beaucoup moins que les modèles microscopiques) [81]. Les outils de
simulation microscopiques demeurent les plus appropriés pour simuler les conditions réelles de
circulation afin de tester diverses stratégies de contrôle.
2.2. Outils de simulation SUMO

Pour la phase expérimentale de notre travail, nous avons choisi l’outil de simulation
microscopique de mobilité urbaine SUMO (Simulation of Urban MObility). SUMO est un
logiciel libre et hautement portable [73].
SUMO est un outil de simulation de trafic purement microscopique où chaque véhicule

est explicitement représenté (identifiant, heure de départ, parcours, source, destination, vitesse,
etc.). Il se prête ainsi à divers types de recherche, par exemple le problème de choix d'itinéraires,
73
les algorithmes de gestion de feux de circulation ou encore la simulation de la communication

inter-véhiculaire [73]. Cette architecture est utilisée dans de nombreux projets pour simuler et
étudier différentes stratégies de gestion du trafic.
SUMO offre par ailleurs la possibilité d'interagir avec une application externe via une
connexion socket : il s’agit d’une interface permettant d’opérer les simulations en mode client-
serveur. Dans ce mode, le client peut contrôler dynamiquement l’exécution de la simulation
routière par l’entremise d’une interface de contrôle de trafic dénommée TraCI (Traffic Control
Interface).
2.3. Environnement connecté

Le simulateur microscopique du trafic routier SUMO [73] est utilisé pour modéliser le
trafic urbain sur les routes. Nous considérerons le mode client-serveur lors de notre simulation.
Comme SUMO nécessite un réseau routier et une demande de trafic, ces données doivent être
produites à partir de sources différentes. SUMO initialise alors une simulation en chargeant ces
fichiers, se met ensuite en mode serveur et attend les commandes de contrôle qui lui seront
fournies via l’interface TraCI.
Notre système adaptatif de gestion de véhicules d’urgence (SAGVU), implémentant notre

approche de gestion, joue le rôle du client et contrôle l’exécution de la simulation. Le SAGVU
peut contrôler l’avancement de l’horloge, superviser la simulation en interrogeant des éléments
physiques du réseau de manière à recueillir les informations nécessaires (par exemple, les
positions des véhicules, les vitesses des véhicules, le taux d’occupation des voies, etc.) et/ou
modifier leurs comportements (e.g. véhicules, feux de signalisation, etc.).
Les interactions entre le SAGVU et le simulateur de trafic SUMO sont schématisées à la

Figure 4-1.
74
Figure 4-1 Environnement d'expérimentation
Nous présenterons dans les sous-sections qui suivent les détails concernant la
configuration et/ou l’implémentation de chacun des éléments de notre environnement
d’expérimentation.
2.3.1. Configuration de la circulation urbaine sur SUMO

Nous expliquons brièvement dans cette sous-section la configuration requise pour
l’initialisation du simulateur urbain SUMO. Plusieurs applications figurant dans le package de
SUMO ont été utilisées pour générer le réseau routier et le trafic routier (itinéraires de véhicules).
Les paramètres ainsi que les interactions entre les applications, que nous avons utilisées pour
créer notre environnement urbain de simulation, sont schématisés dans la Figure 4-2.
Deux outils, à savoir NETCONVERT et POLYCONVERT, permettent de générer le

réseau routier qui sera visualisé via l’interface graphique de SUMO.
NETCONVERT importe les réseaux routiers numériques provenant de sources

différentes et les convertit en un format lu par SUMO. Dans ce travail nous avons importé notre
réseau de la plateforme libre « OpenstreetMap » [83]. Les feux de signalisation et les bretelles
d'accès à l'autoroute sont instanciés par NETCONVERT en utilisant la géométrie des nœuds du
réseau.
POLYCONVERT importe les formes géométriques provenant de différentes sources

(eau, parc, forêt, bâtiments, résidences, etc.) et les convertit en une représentation visualisable sur
l’interface graphique de SUMO.
75
Figure 4-2 Fichiers de configuration de la circulation urbaine
Une fois que le réseau routier est prêt, l'étape suivante consiste à générer le trafic routier
durant la période de la simulation. Ce dernier est créé en utilisant les outils RandomTrips,
DUAROUTER puis optimisé en utilisant Duaiterate.py.
RandomTrips génère un ensemble de définitions d’itinéraires aléatoires de véhicules pour

un réseau donné durant une période donnée. Ceci est fait en choisissant une source et une
destination soit uniformément au hasard soit pondérées par la longueur des routes (distance), le
nombre de voies des routes du réseau ou les deux à la fois.
DUAROUTER importe les définitions produites (trip.xml) et calcule des itinéraires de

véhicules. Le résultat est une spécification complète des véhicules et de leurs routes respectives :
ID, couleur, vitesse maximale, destination, temps de départ, route, etc. Toutefois, le trafic routier
produit est très aléatoire et les congestions sont très fréquentes (condensation de trafic dans
certains endroits seulement).
L’outil « Duaiterate.py » permet d’améliorer le trafic routier produit en appelant

DUAROUTER itérativement pour la construction des routes des véhicules, soit en considérant
l’état de la circulation à l’itération précédente pour la construction des nouvelles routes à
76
l’itération courante. La configuration de trafic routier produite après plusieurs itérations est
moins aléatoire et plus fluide.
La dernière étape avant d’initialiser SUMO est de créer un fichier de configuration

(config.sumo.cfg) pointant vers tous les fichiers que SUMO utilisera pour son initialisation à
savoir, dans notre cas, le fichier de la carte réseau (map.net.xml), le fichier du trafic routier
(routes.rou.xml) et le fichier des formes géométriques (map.poly.xml).
2.3.2. Interface TraCI

L’interface TraCI est une extension de SUMO qui fournit un canal de communication
avec SUMO. La bibliothèque de commandes dans TraCI est vaste et comprend le contrôle de
plusieurs éléments tels que les véhicules, les feux de signalisation, les routes, les liens, etc.
Le package de SUMO vient avec une interface TraCI codée en Python. Cependant,
plusieurs chercheurs ont développé des interfaces compatibles avec d’autres langages de
programmation. Récemment, TraCI pour Matlab [84] et TraCI pour Java (traci4j) [85] ont été
introduites. Ces dernières ne sont pas aussi complètes que celle codée en Python mais elles
fournissent l’essentiel.
Dans notre travail, nous avons opté pour une programmation dans un environnement
orienté objet utilisant le langage Java. Nous avons donc utilisé l’interface TraCI pour Java, que
nous avons complété avec les commandes nécessaires pour le contrôle de notre simulation.
2.3.3. Configuration et implémentation du SAGVU

Le système adaptatif de gestion de véhicules d’urgence, implémentant l’approche de
gestion proposée, initialise d’abord la configuration avec les données nécessaires (éléments du
réseau, flotte de véhicules), puis supervise l’avancement du pas d’horloge et le déroulement de la
circulation urbaine et amène les mises à jour d'informations à réaliser. Il convient de noter que
dans la simulation une collecte d'informations peut s'effectuer instantanément à chaque pas
d’horloge, qui correspond à une seconde dans SUMO. En recueillant et analysant les données
associées aux différents éléments du réseau, le SAGVU est en mesure d’optimiser l’affectation et
le routage des véhicules d’urgence.
77
Tel que mentionné au chapitre précédent, le SAGVU adopte une approche contextuelle à
base de scénarios et repose sur une architecture reconfigurable. Il offre des traitements
spécifiques adaptés à chaque scénario en utilisant des composants communs de l’architecture. Le
résultat de la reconfiguration se traduit par des instructions de contrôle acheminées aux véhicules
concernés (ex. message de réaffectation, message de changement de parcours, etc.).
Dans notre simulation, les agents environnements (éléments de gauche dans la Figure 4-
1) désignent les véhicules, les voies de circulation, les feux de signalisation, les senseurs, etc. que
le SAGVU supervise et interroge fréquemment pour collecte des données et acheminement des
instructions de contrôle. Les agents complexes (ACs) désignent quant à eux les différentes
entités spécialisées de traitements. Leur fonction est de traiter les informations générées par les
agents environnements et prendre des décisions de gestion ou de contrôle.
Plusieurs types d’AC spécialisés sont définis pour le traitement des informations. Ceux-ci
peuvent d’ailleurs travailler concurremment. Nous considérons par exemple un AC affectation
qui prend en charge l’exécution des décisions d’affectation ainsi que la minimisation des
réaffectations, un AC voisinage qui calcule les zones d’action dynamiques des véhicules et
sélectionne les véhicules candidats, etc. Une sélection définie de ces ACs est utilisée à chaque
contexte et cette sélection et déterminée par l’agent station dépendamment du scénario considéré.
Nous implémentons aussi des ACs de contrôle et statistiques. Par exemple, un AC trafic
est dédié au calcul des statistiques afin de déterminer les estimations des vitesses agrégées sur les
liens, les densités des véhicules sur les liens, etc. Un autre AC détecteur de congestion supervise
les variations des flux de trafic sur les liens et produit une notification en cas de détection de
congestion.
Pour réduire la complexité du problème et permettre une meilleure analyse des résultats,
nous considérons dans cette étude expérimentale une seule zone d’appel et une seule station de
traitement. Ainsi, le rôle de l’agent superviseur est réduit à la réception des événements, tels que
les appels d'urgence et les notifications de congestion, et la transmission des requêtes de
traitements vers l’agent AC station. Nous avons fait abstraction des autres fonctionnalités qui
nécessitent la prise en considération de plusieurs agents AC station ou d’une couverture
78
géographique plus importante comme les fonctionnalités reliées à l’équilibrage de la charge de

traitement entre les AC_station ou encore le choix de l’agent AC station approprié.
Pour tester notre système, nous avons introduit des événements imprévus dans la
configuration de la circulation routière ainsi définie. Le SAGVU exécute l’événement imprévu
pour le scénario considéré et supervise ensuite la flotte afin d’effectuer les adaptations
nécessaires. Une vue générique des traitements de notre SAGVU et de ses interventions avec le
simulateur urbain SUMO sont décrites dans la Figure 4-3.
Il convient de noter que dans le sous-module de détection d’événements imprévisibles, la

source de perturbation dans l’environnement est soit détectée par le système, comme en cas de
congestion, soit rapportée par les véhicules, comme lors d’une panne en cours de route.
Figure 4-3 Framework de simulation
2.4. Paramètres d’entrée de la simulation

Le réseau routier utilisé dans notre simulation correspond à une partie de la région de
Hull à Gatineau, présentée dans la Figure 4-4, téléchargée à partir de l’outil « OpenStreetMap ».
Nous considérons l’hôpital Pierre Janet, localisé sur la rue Pharand, comme dépôt des véhicules
d’urgences.
79
Le trafic routier est créé pour une période de 2000 secondes pour un trafic mixte
(voitures, petits camions, gros camions, bus, etc.).
Il est à noter que les véhicules générés entament généralement leurs routes à partir des
extrémités du réseau considéré. Ainsi les premières minutes de la simulation sont utilisées pour
peupler les routes du réseau avec les véhicules et fournir les premières statistiques sur les
conditions de circulation. Il s’agit de la « période d’initialisation » et elle correspond
expérimentalement à une période de 300s. Les feux de signalisations utilisés lors de la simulation
sont des feux statiques avec des cycles fixes. Nous nous situons pour cette étude en dehors des
heures des pointes pour mieux saisir les effets des événements imprévus.
Pour tester notre approche de gestion, nous avons considéré une flotte de 7 véhicules
d’urgence (EV0 a EV6 dans le Tableau 4) qui seront initialisés après la « période
d’initialisation ». Ainsi, les véhicules d’urgence seront lancés sur le réseau routier au temps
t=310s de la simulation et seront mis en route vers leurs destinations initiales.
Nous avons opté pour une distribution initiale variée des états des véhicules, de leurs
positions ainsi que de la sévérité des appels en cours de service, si applicable. Nous rappelons
que les véhicules d’urgence peuvent être dans l’un des états suivants :
 Libre (en stationnement ou en patrouille).

 En route vers un site d’urgence
 Chargé et en route vers un hôpital (occupé)
 En traitement sur site (occupé)
 En recharge (hors service)
Trois niveaux de sévérité des appels sont considérés dans notre étude à savoir haut (3),
moyen (2) et faible (1).
Nous avons ainsi considéré initialement des véhicules en route vers des sites d’urgence
de sévérité différente, d’autres qui retournent vers l’hôpital en transportant des patients, certains
autres en patrouilles et un dernier en attente dans le stationnement de l’hôpital. Les données
initiales des véhicules d’urgence lors de leurs initialisations sont résumées dans le Tableau 4.
80
Tableau 4- État initial de la flotte de véhicules d’urgence
EV label État initial Position initiale Destination initiale Sévérité de l’appel

servi initialement
EV0 Libre - parking Hôpital n/a n/a
Rue Pharand
EV1 Chargé -en route vers Chez un patient Hôpital 1
l’hôpital Rue Dumas Rue Pharand
EV2 En route vers un site Hôpital Rue Chauveau 3
d’urgence Rue Pharand
EV3 En route vers un site Hôpital Rue Papineau 2
d’urgence Rue Pharand
EV4 Libre- patrouille Rue Saint-Joseph n/a n/a
EV5 Libre- patrouille Rue Laurier n/a n/a
EV6 Chargé -en route vers Chez un patient Hôpital 2
l’hôpital Rue Wright Rue Pharand
La région étudiée ainsi que la localisation géographique des véhicules d’urgence au

temps t=310s de la simulation sont présentées dans la Figure 4-4 ci-dessous.
Figure 4-4 Localisation géographique initiale des véhicules d'urgence
2.5. Collecte, agrégation et contrôle des données

Comme nous avons déjà décrit les ACs traitements (AC voisinage, AC diversion, AC
affectation, etc.) de notre SAGVU au chapitre précédent, nous allons nous attarder dans cette
section aux modules ACs de calculs statistiques et de contrôle. Ces derniers travaillent en
coopération avec le simulateur SUMO pour la collecte et l’analyse des données sur les éléments
du réseau.
81
2.5.1. Collecte des données

Deux ensembles de données sont recueillis de façon répétitive pour l’analyse. L'un est
l'information sur la vitesse moyenne des véhicules sur chaque tronçon de route ou lien (lien entre
deux intersections successives) à chaque pas d’horloge. Elle comprend des informations telles
que l’ID du lien, le pas d’horloge, les vitesses moyennes des véhicules sur cette route si elles
sont disponibles sinon la vitesse maximale allouée sur ce lien, etc. Ces vitesses moyennes
calculées sur des intervalles de temps prédéfinis permettent de déterminer la vitesse agrégée des
véhicules sur chaque lien, ce qu’on appelle « états de route agrégée » qui représente la « vérité
terrain » de la circulation.
Les autres données intéressantes sont les informations sur le parcours de chaque véhicule
d’urgence de la flotte. Nous enregistrons à chaque demande de mise-à-jour les données relatives
à chaque véhicule tels l'emplacement, la vitesse, la route, la destination, etc. dans le réseau
routier simulé.
2.5.2. Estimation des vitesses agrégées sur les liens

Dans ce travail, les états de la circulation en temps réel sont caractérisés par les vitesses
moyennes sur les artères urbaines agrégées sur un intervalle de temps. Pour chaque intervalle
d'agrégation, les vitesses moyennes des véhicules sont d'abord recueillies auprès des différentes
liaisons routières et sont ensuite agrégées pour fournir des estimations des conditions moyennes
sur ces liaisons routières.
Les travaux antérieurs sur l'estimation de la circulation (ex. [86], [87], [88]) indiquent
qu’un intervalle d’agrégation de 5 à 10 minutes semble un choix raisonnable afin de tenir compte
à la fois de l'exigence temps réel et de la disponibilité des données. Toutefois, cette valeur
s’avère assez grande pour un système de gestion de véhicules d’urgence vu que le parcours d’un
véhicule est, en général, inférieur à 8 minutes. Si nous considérons un tel intervalle pour
l'agrégation (i.e. de 5 à 10mn), les mises à jour en temps réel pourraient s’avérer très en retard,
voire inutiles. En effet, si une congestion se produit sur une route, elle ne sera détectée que
lorsque le véhicule d’urgence sera coincé même si ce dernier était assez éloigné du site de la
congestion lors de son occurrence.
Un intervalle d’agrégation de 2 à 3mn parait beaucoup plus raisonnable dans le cas de la

gestion des véhicules d’urgence puisqu’il permet une supervision plus précise des parcours des
82
véhicules et une réponse plus rapide aux imprévus. En effet, si on regarde par exemple le cas
d’une crise cardiaque un délai de 2mn peut être décisif pour la vie du patient.
Durant notre simulation, la collecte des vitesses moyennes sur les tronçons des routes se
fait tous les 10s, pour ne pas trop alourdir la simulation et s’approcher de la réalité. Une
agrégation est faite à toutes les 2mn. Ainsi, les congestions sur les routes peuvent être détectées
plus rapidement et mieux gérées.
2.5.3. Détection des congestions

Le module de détection de congestion se base sur la comparaison des vitesses agrégées
sur les liens avec certains seuils. Ces seuils de vitesse sont déterminés en tenant compte de la
classification des vitesses de circulation en milieu urbain dans la littérature (ex. [88], [89]).
On distingue quatre niveaux de conditions de trafic, à savoir, vert, rouge, orange et jaune
selon les vitesses de déplacement sur les liens et selon les types des liens le Tableau 5 récapitule
ces différents niveaux.
Tableau 5- Classification de l’état du trafic routier selon les vitesses de circulation [89]
Etat / Type de lien Artère urbain Sous artère urbain Route

(≥60Km/h) (60-40Km/h) auxiliaire
(<40Km/h)
Niveau vert (trafic fluide) >42 >34 >25
Niveau jaune (trafic moyen) 30 ~ 42 24 ~ 34 16 ~ 25
Niveau orange (congestionné) 22 ~ 30 18 ~ 24 11 ~ 16
Niveau rouge (très congestionné) < 22 < 18 < 11
Le module de détection de la congestion compare à la fin de chaque intervalle

d’agrégation les vitesses agrégées calculées sur chacun des liens aux valeurs seuils et déclenche
une notification de congestion à l’agent superviseur si la congestion est de niveau rouge ou
orange. La sévérité de la congestion est définie par le nombre d’intervalles d’agrégation
consécutifs pour lesquels un lien est de niveau rouge.
À la fin de chaque intervalle d’agrégation, le module de détection de congestion envoie à

l’agent superviseur la liste des liens congestionnés classés selon leur sévérité. Ce dernier la
83
transmet à son tour à l’AC station de la zone concernée (dans notre cas, il y a un seul agent
station).
A la réception de la notification de congestion, l’AC station filtre les liens qui sont sur les
routes des véhicules d’urgence en route vers un site ou en route vers un hôpital seulement, ignore
les autres, et déclenche les traitements appropriés.
2.6. Hypothèses de simulation

Nous considérons dans cette étude la norme de l'agence nationale de protection des
incendies (NFPA «National Fire Protection Association ») [2] concernant le temps maximal
d’arrivée des premiers secours sur site. Ainsi les véhicules d’urgence doivent arriver sur le site
dans les 5mn qui suivent la réception de l’appel.
Ces appels d’urgence sont classés en trois niveaux à savoir: haut (3), moyen (2) et faible
(1). La sévérité d’un appel définit sa tolérance aux délais. Ainsi moins l’appel est sévère, plus
grande est sa tolérance à la réaffectation du véhicule qui part à son service vers un autre appel de
criticité plus importante.
Tel que mentionné au chapitre précédent, seuls les véhicules en état libre ou en route vers
un site d’urgence de sévérité moins élevée seront considérés par le SAGVU lors du processus de
réaffectation.
La réaffectation d’un véhicule à un autre appel d’urgence engendre des délais

supplémentaires pour l’appel en cours. Nous avons donc introduit une pénalité (β), i.e. un coût
supplémentaire sur les temps de parcours, lors de la sélection des candidats potentiels. Cette
pénalité est calculée en prenant en compte à la fois la sévérité de l’appel en cours et le nombre de
fois que le véhicule a été réaffecté. Plus précisément :
Pénalité = sévérité de l’appel en cours * nombre de réaffectations
Lorsque plusieurs candidats existent, un véhicule en route vers un site d’urgence ne sera
réaffecté que si le bénéfice en temps de réponse est supérieur à un certain seuil τ. Dans la
littérature portant sur le routage et l’affectation des véhicules d’urgence ([19], [35], [90]), on fait
varier cette valeur entre 0 et 10 mn. Plus grande est cette valeur, plus la déstabilisation du
système de gestion due à des réaffectations simultanées est réduite. En fait, elle est presque nulle
84
à partir de 5mn. Dans notre cas, comme nous cherchons un compromis entre les délais et les
réaffectations simultanées, nous avons choisi une valeur de τ égale à 60s qui permet une bonne
stabilisation au prix d’un délai acceptable.
Finalement, puisque le simulateur prend quelques secondes pour déterminer les ré-
routages ou réaffectations nécessaires en fonction de la situation et que les nouvelles routes
doivent tenir compte des emplacements des véhicules à la fin et non au début des calculs, nous
considérons le lien qui suit dans la route d’un véhicule d’urgence comme étant son emplacement
courant, si le véhicule traverse l’intersection ou en est suffisamment proche (distance parcourue
sur le lien actuel est plus grande que la moitié de sa longueur).
Exemple de route d’un véhicule d’urgence : {a, b, c, f…, i}
Hypothèses de réaffectation retenues:
 Un véhicule en service à un site d’urgence ne peut être réaffecté.
 Un véhicule en route vers un hôpital ne peut pas changer de destination.
 Une pénalité est introduite lors du calcul du temps de parcours prévu d’un véhicule
d’urgence candidat s’il est en route vers un autre site d’urgence.
 Un changement d'itinéraire n’est effectué que lorsque le gain en temps de parcours

par rapport à un véhicule candidat libre est plus grand que τ. Dans notre cas τ sera
égal à 60s.
 Lorsqu’un véhicule d’urgence est en route vers un site, suite à un premier appel, et
qu’il est ensuite réaffecté à un appel plus critique, la sévérité du premier appel est
augmentée afin de maintenir un temps de réponse acceptable.
 On considère le lien suivant dans la route d’un véhicule d’urgence comme étant son
emplacement actuel lors du calcul des temps de parcours si le véhicule traverse une
intersection ou en est suffisamment proche.
85
2.7. Indice de performance utilisé

L'indice principal de l’efficience du processus d’affectation et de routage est le délai pour
répondre à un appel d’urgence. Pour calculer ce délai, nous comparons les temps de parcours
planifiés ou prévus lors de l’affectation des véhicules à ceux mesurés réellement.
Un compteur dédié permet de surveiller le temps de parcours réel de chacun des

véhicules de la flotte. Lorsque le départ planifié d’un véhicule a lieu à l’instant t, SUMO place ce
véhicule à l’emplacement de départ spécifié. À ce moment, un compteur spécifique sur la durée
du parcours de ce véhicule est lancé. Il faut noter que si la circulation courante ne permet pas de
positionner le véhicule à son emplacement de départ en toute sécurité, SUMO essaiera à nouveau
lors des prochains pas d’horloge. Ce compteur est remis à zéro si le véhicule est réaffecté à une
autre destination.
3. Expérimentation et résultats
Pour tester notre SAGVU nous avons considéré des scénarios spécifiques. Vu que les
événements d’arrivée de nouveaux appels de criticités différents sont extensivement étudiés dans
la littérature. On ne considérera les traitements reliés à ces événements que lors de la
construction des premières routes des véhicules d’urgence (Tableau 4). On s’intéressera plutôt
dans cette étude expérimentale à l’examen de l’effet de l’incertitude de l’environnement sur les
routes planifiées. Pour ceci, on testera plutôt les événements reliés à l’occurrence de congestions
et de pannes.
On simulera spécifiquement deux scénarios typiques à savoir l’occurrence de congestion,

sans que le véhicule d’urgence n’y soit déjà immobilisé, et l’occurrence la pane de véhicule. Ces
deux scénarios regroupés modélisent l’événement d’occurrence d’une congestion proche de
l’emplacement du véhicule d’urgence en route et l'immobilisation de ce dernier.
Dans chaque scénario considéré, nous introduisons un événement imprévu dans la

configuration de la circulation routière. Ce dernier affectera les routes planifiées d’un ou de
plusieurs véhicules d’urgence. Nous comparons par la suite les résultats de notre approche avec
les cheminements habituels des véhicules d’urgence. Spécifiquement nous comparons les temps
de parcours et les délais encourus dans chacun des deux cas. Nous présentons dans ce qui suit les
détails des paramètres utilisés pour chacun des scénarios envisagés, suivi d’une légende du
déroulement des événements et les résultats obtenus.
86
Rappelons que notre objectif est de démontrer que notre SAGVU permet de réduire les
délais dìntervention des véhicules d’urgence. Le critère de stabilité du système de gestion défini
par la minimisation des réaffectations en chaîne est intégré à notre étude.
3.1. Scénario de congestion en route

Dans ce scénario, nous simulons l’occurrence d’une congestion dans la route d’un
véhicule d’urgence qui ne sera détectée, avec les mises à jour en temps réel des vitesses agrégées
sur les liens, qu’une fois le véhicule déjà en route. Ainsi, la route du véhicule d’urgence, telle
que planifiée à son départ, devient non optimale quelques instants après.
Nous considérons la flotte des véhicules d’urgence telle que décrite au Tableau 4. Nous
nous intéressons plus spécifiquement dans ce scénario au véhicule d’urgence EV2 qui sera
acheminé vers un site de secours alors qu’un événement imprévu se produira durant son
parcours.
3.1.1. Planification initiale de la route du véhicule d’urgence

Suite à la réception d’un appel de secours, un véhicule d’urgence est acheminé au temps
t=310s vers la rue Chauveau.
Figure 4-5 Route planifiée initialement au véhicule d’urgence EV2
La description de la route planifiée telle que présentée à la Figure 4-5 est la suivante :
 Véhicule : EV2
 Source : l’hôpital de Pierre Janet, rue Pharand.
 Destination : Rue Chauveau.
87
 Route : à travers la promenade Lac-Des-Fées.

 Durée estimée : 5mn.
 Sévérité de l’appel : 3.
3.1.2. Insertion de l’événement imprévu

Un gros camion tombe en panne sur la promenade Lac-Des-Fées 40s avant le départ du
véhicule, tel qu’illustré à la Figure 4-6. La congestion créée par cette panne se produit au début
de l’intervalle d’agrégation des vitesses moyennes et ne sera reportée qu’à la fin de l’intervalle,
de telle sorte qu’elle n’est pas prise en compte lors de la planification initiale des routes des
véhicules d’urgence. De ce fait, la route du véhicule d’urgence EV2 n’a pas pris en compte cet
événement.
Figure 4-6 Camion en panne sur la route du véhicule d'urgence (prise de SUMO)
3.1.3. Description du déroulement du scénario

Pour tester l’efficacité de notre système en termes de délais, un véhicule d’urgence test
est acheminé à la même destination que le véhicule d’urgence de notre scénario (EV2). Ce
dernier sera affecté à la même route que celle décrite en 2.1.1. (Planification initiale de la route
du véhicule d’urgence). Toutefois, il n’est pas géré par notre SAGVU et conserve sa route
initiale planifiée. Par contre, une fois que l’intervalle d’agrégation des vitesses moyennes sur les
routes arrive à sa fin, les états des routes agrégées peuvent être déterminés, l’AC détecteur de
congestion détecte la congestion et l’AC station est alerté.
88
Ce dernier sollicite alors les mises à jour d’état à tous les véhicules de sa flotte, détermine
ceux qui sont en service et appelle les modules AC distance et AC comparaison de route à
travailler concurremment pour détecter les véhicules qui sont proches et passeront par le point de
congestion pour ensuite les trier selon leur proximité. Par la suite, le module AC diversion est
appelé à fournir de nouvelles routes aux véhicules sélectionnés. Ainsi, une nouvelle route est
calculée pour EV2 et lui est communiquée avant qu’il ne soit coincé dans la congestion. Dans ce
cas, EV2 est encore loin du point de la congestion et la mise à jour de sa route se fait avec
succès.
Comme dans la vie réelle, les véhicules dans SUMO prennent parfois du temps pour se
réajuster aux changements d'itinéraire. Par exemple, si un véhicule doit changer de voie pour le
prochain virage, il devra trouver une fenêtre (un écart dans la circulation) pour le faire. Par
conséquent, bien que la transmission des informations se produise instantanément dans la
simulation, leurs effets ne sont pas nécessairement immédiats.
Pour bien comprendre le déroulement du scénario, la Figure 4-7 décrit pas à pas les
occurrences des événements durant la période de simulation.
Figure 4-7 Déroulement du scénario 1
89
La nouvelle route du véhicule EV2, telle que déterminée par notre SAGVU à partir de sa
position courante, est présentée à la Figure 4-8.
Figure 4-8 nouvelle route du véhicule EV2
 Localisation actuelle du véhicule d’urgence (EV) : Rue Alexandre Taché

 Position actuelle du EV: 55 m
 Temps de parcours écoulé: 52s.
 Nouveau temps de parcours prévu: 205 s.
 Nouveau temps de parcours total : 257s.
 Route : à travers la rue Saint-Joseph.
 Délai prévu : 15s
Le nouveau temps de parcours total correspond à la somme du temps de parcours écoulé

et du nouveau temps de parcours prévu, à partir de la position actuelle du véhicule, après son ré-
routage.
Le délai prévu après ré-routage correspond à la différence entre le nouveau temps de

parcours total et le temps de parcours planifié au départ du véhicule.
3.1.4. Résultats
Comme le véhicule d’urgence EV2 n’est pas encore coincé dans la congestion créée par
le camion en panne sur sa route, l’ajustement de sa route permet d’épargner du temps et ce
dernier arrive à sa destination avant EV_test, bien que sa nouvelle route soit plus longue. Le
Tableau 6 montre les améliorations réalisées. Le temps de parcours d’EV_test est nettement loin
de ce qui avait été planifié.
90
Tableau 6- Temps épargné par le réroutage d’EV2 par le système de gestion adaptatif
Temps de Temps de Distance Durée de Délai Délai Temps

parcours parcours parcourue la estimé réel (s) épargné
labels prévu (s) réel (s) (m) congestion (s) (s)
EV2 257 379 3057.23 0 15 122

83
EV_Test 242 447 2452.71 240 0 205
Délai réel = Temps de parcours réel - temps de parcours prévu

Temps épargné = Temps de parcours réel de EV_test- temps de parcours réel de EV2
Il est à noter que les sources d'erreurs dans les temps de parcours estimés par rapport aux
temps de parcours réels sont dues en grande partie au fait que les véhicules qui circulent sur les
réseaux routiers urbains demeurent immobiles pendant un certain temps (généralement 30-60
secondes) aux feux de signalisation aux intersections. Comme les estimations des vitesses
agrégées ne représentent que des vitesses moyennes, elles ne peuvent refléter avec exactitude les
temps d’arrêt aux feux de signalisation.
De plus, SUMO ne présente pas de fonctionnalités spécifiques pour les véhicules

d’urgence. Ceux-ci n’ont donc pas de priorité sur les autres véhicules et ne peuvent pas traverser
aux feux rouges. Leur comportement simulé est donc le même que celui de tous les autres
véhicules du réseau routier.
Dans le Tableau 7, nous avons fait varier la durée de la congestion rencontrée sur la route
du véhicule EV_test et nous avons mesuré le temps épargné par la nouvelle route du véhicule
EV2 avec le SAGVU. Nous remarquons que le temps épargné passe de 15% à 30% lorsque la
durée de la congestion passe de 4 mn à 7.3 mn. Ceci représente un gain important vu que les
événements imprévus en cours de route peuvent avoir des durées beaucoup plus importantes que
ce que nous avons considéré.
91
Tableau 7- Variation du temps épargné avec l'ampleur de la congestion
Durée de la Temps de parcours Temps de Délai réel Temps

Congestion prévu (s) parcours (s) épargné
(s) réel (s) (s)
EV2 257 379 122
240 EV_Test 242 447 205 83
EV2 257 400 143
390 EV_Test 242 515 273 115
EV2 257 408 151
460 EV_Test 242 571 329 178
3.2. Scénario d’un véhicule en panne

Dans ce scénario, nous simulons l’occurrence d’une panne d’un véhicule d’urgence en
route vers un site de secours. La panne arrive à mi-chemin de la route du véhicule considéré.
Ainsi le véhicule ne peut plus terminer sa route vers le site de l’appel de secours et contacte le
centre de répartition de véhicules d’urgence, représenté par le SAGVU, pour l’informer de la
situation.
La flotte de véhicules d’urgence décrite au Tableau 4 est considérée. Nous reprenons

dans ce scénario la route du véhicule d’urgence EV2 du scénario précédent avec les mêmes
spécifications, sauf que cette fois-ci c’est le véhicule lui-même qui tombe en panne à mi-chemin.
3.2.1. Planification initiale de la route du véhicule d’urgence

Suite à la réception d’un appel de secours, un véhicule d’urgence est acheminé à t=310s
vers la rue Chauveau. Nous rappelons ci-dessous la description de la route planifiée telle que
présentée à la Figure 4-5.
 Véhicule : EV2
 Source : l’hôpital de Pierre Janet, rue Pharand.
 Destination : Rue Chauveau.
 Route : à travers la promenade Lac-Des-Fées.
 Durée estimée : 5mn.
 Sévérité de l’appel : 3
92
3.2.2. Insertion de l’événement imprévu

Le véhicule d’urgence EV2 tombe en panne sur la promenade Lac-Des-Fées 150s après
son départ. Cette panne l’oblige à ralentir et à s’arrêter au bord de la route telle qu’illustrée à la
Figure 4-9. Nous supposons que le centre de répartition de véhicules d’urgence est contacté
immédiatement pour répondre à la situation.
Figure 4-9 Véhicule d'urgence en panne à mi-chemin (prise de SUMO)
3.2.3. Description du déroulement du scénario

Cette situation est un peu problématique puisque dans la réalité la panne n’est rapportée
qu’après un délai « assez important » (comparée à la durée totale du parcours). Pour tester
l’efficacité de notre système, nous supposons que la panne est rapportée rapidement et que, dans
le cas réel, le premier véhicule libre au dépôt (le lot de stationnement de l’hôpital) est envoyé en
remplacement vers la destination du véhicule d’urgence EV2 qui est en panne.
Ainsi, comme EV0 est initialement libre dans le lot de stationnement de l’hôpital, nous
supposons que c’est celui-ci qui est réaffecté à l’appel pour le cas réel. EV0 aura donc la même
route que celui qui est en panne, puisqu’ils partent du même point de départ (l’hôpital).
La situation diffère avec notre SAGVU puisque nous proposons un traitement adapté à
cette situation. Le véhicule d’urgence choisi ne sera pas le premier dans le lot de stationnement
de l’hôpital, mais celui qui permet un délai minimum en prenant en compte à la fois la situation
actuelle de la flotte, la criticité des appels d’urgence en cours de traitement et l’état actuel de la
93
circulation. En fait, le processus de réaffectation se base sur les critères de réaffectation cités
dans la section portant sur les hypothèses de simulation.
À la réception de la notification de la panne, que nous avons amorcée lors de la

simulation, l’AC station est alerté. Ce dernier sollicite la mise-à-jour de l’état de tous les
véhicules de sa flotte et appelle le module AC voisinage afin de déterminer les véhicules
candidats pour le remplacement. Puis, il appelle le module AC affectation pour la minimisation
des réaffectations et la communication de la mise à jour de la route au véhicule choisi.
Trois candidats potentiels ont été identifiés par le module AC voisinage, à savoir EV0,
EV3 et EV5. Ces derniers présentent des temps de parcours acceptables compte tenu de la
localisation de l’appel d’urgence, bien que leurs états soient différents. Les Figures 4-10 et 4-11
illustrent les routes potentielles des véhicules EV3 et EV5 vers le site d’appel d’urgence.
Figure 4-10 Route potentielle du véhicule EV3 vers le site d’appel d’urgence
94
Figure 4-11 Route potentielle du véhicule EV5 vers le site d’appel d’urgence
Le Tableau 8 résume les caractéristiques des différentes routes et les états des véhicules
candidats.
En se basant sur les hypothèses de réaffectation, le véhicule EV3 ne sera pas choisi par le
module AC affectation, bien que ce dernier présente le meilleur temps de parcours, étant donné
que le gain en temps de parcours par rapport à un véhicule candidat libre est inférieur à τ. Ainsi,
EV3 ne sera pas réaffecté et EV5 sera choisi à la place pour le remplacement du véhicule en
panne.
Tableau 8- Caractéristiques des routes des véhicules candidats
Label d’EV Etat Temps de Distance Sévérité de

l’appel en
parcours prévu (s) parcourue (m)
cours
EV3 En route vers un 190 1741.1 2
site d’urgence
EV5 Libre 232 2447.68 n/a
EV0 Libre 262 2368.45 n/a
Pour bien comprendre le déroulement du scénario, nous décrivons à la Figure 4-12 les
occurrences des événements durant la période de simulation.
95
Figure 4-12 Déroulement du scénario 2
La nouvelle route du véhicule EV5, telle que déterminée par notre SAGVU à partir de sa
position courante, est présentée à la Figure 4-10. Les détails de la route sont les suivants:
 Localisation actuelle d’EV: Rue Gamelin

 Position actuelle d’EV: 732 m
 Temps de parcours écoulé (parcouru par EV2): 150s
 Nouveau temps de parcours prévu: 232s
 Nouveau temps de parcours total : 382s
 Délai prévu : 125s
3.2.4. Résultats
Il est clair dès la phase de planification de la réaffectation que le choix du véhicule EV0
pour remplacer le véhicule en panne n’est pas optimal vu un temps de parcours plus important et
une distance plus longue. Le Tableau 9 montre la différence entre les temps de parcours prévu et
réel ainsi que la différence entre les délais prévu et réel pour les différents véhicules candidats,
en comparant leur temps d’arrivée réel et estimé avec le temps d’arrivée planifié au départ pour
EV2.
96
Tableau 9- Résultats de simulation du scénario 2
Temps Temps Temps de Distance Délai(s) Délai(s

de de parcours parcourue prévu réel
labels parcours parcours réel (s) (m) (s) (s)
statique prévu (s)
(s)
EV2 223 257 150/257 1305 0 infini
EV0 225 262 358 2368.45 155 251
EV5 226 232 300 2447.68 125 193
EV3 166 190 203 1741.1 83 96
Délai prévu = temps de parcours prévu – temps restant du temps de parcours original
Délai réel = temps de parcours réel - temps restant du temps de parcours original
Le délai estimé pour le véhicule EV2 à son départ pour le site d’urgence était de 0s en se
basant sur les approximations de l’état réel de la circulation à ce moment. Toutefois, après
l’occurrence de la panne, le délai devient infini puisqu’il s’arrête 150s après son départ et
n’arrivera jamais à destination.
L’affectation du véhicule EV5 permet de réduire le délai et ce dernier arrive à

destination avant EV0. Par contre, l’affectation du véhicule EV5 cause un délai un peu plus
important que si EV3 avait été réaffecté. Mais, en réalité, le choix du véhicule EV5 à la place du
véhicule EV3 permet d’épargner un délai supplémentaire au site desservi par EV3, ce qui aurait
créé un délai total plus important pour l’ensemble du système. Ainsi, la déstabilisation du
système de gestion par des réaffectations simultanées s’en trouve minimisée.
L’usage des temps de parcours dynamiques a permis de mieux approximer les temps de
déplacement sur les routes si on les compare au temps de parcours statiques. Ces derniers
représentent les temps de déplacement utilisant les vitesses maximales allouées sur les routes
qu’on considère dans la plupart des travaux dans la littérature.
Encore une fois, la différence entre les temps de parcours réels et prévus est due en
grande partie aux feux de signalisation. De plus « Netconverter » a ajouté à certaines
intersections des feux de signalisations pour définir les priorités sur les routes (bien que ces feux
97
n’existent pas réellement), ce qui a introduit de nouveaux délais. La suppression de ces feux
aurait nécessité le recours à un logiciel payant (« NetEditor »).
3.3. Analyse des résultats

Suite à cette étude expérimentale, il apparaît clairement qu’une supervision des routes des
véhicules d’urgence est indispensable pour garantir une qualité de service adéquate, surtout dans
le cas des ambulances où les délais encourus sur la route ont des répercussions négatives sur les
chances de survie des patients, particulièrement ceux de haute sévérité. La gestion adaptative
proposée permet une supervision continue des parcours des véhicules, une réaction plus rapide
aux événements et, de ce fait, une réduction des délais et une limitation des dommages.
En effet, si on regarde le premier scénario étudié, sans le ré-routage proposé par le

SAGVU, le véhicule d’urgence reste coincé dans une congestion pour une durée non négligeable
(comparée au temps de parcours total du véhicule), et ceci même si on envisage l’utilisation de
sa sirène afin d’obtenir la priorité. De fait, certains accidents sur les routes peuvent entraîner la
fermeture complète de la voie de passage, comme pour les gros camions de livraison que nous
avons simulés. Ces cas nécessitent des remorques spéciales et résultent en un délai important sur
la route.
Par ailleurs, l’usage de zone d’action dynamique dans ce même scénario a permis de
localiser les véhicules affectés par l’événement imprévu et de fournir des solutions appropriées
pour chacun d’eux sans avoir à vérifier l’état de toute la flotte de véhicules. On se concentre ainsi
sur les changements vraiment nécessaires, épargnant un temps de calcul superflu.
Le deuxième scénario a mis en évidence l’importance de la transmission continue

d’informations entre le centre de répartition de véhicules d’urgence (SAGVU) et la flotte des
véhicules d’urgence. Une notification à temps de pannes ou des blocages de véhicules en route
permet de réagir plus rapidement pour trouver un véhicule remplaçant ainsi minimiser les délais
résultants. D’autre part, l’introduction de pénalités dans les temps de parcours prévus des
véhicules candidats déjà en route vers un site d’urgence et l’usage d’un seuil τ pour la
réaffectation permettent de réduire les réaffectations en boucle et maintenir une certaine stabilité
de la solution.
98
Chaque contexte étant unique, nous avons montré comment une surveillance continue et
une adaptation dynamique appropriée permettent de raffiner la connaissance de l’environnement
en continu et d'en réduire les délais.
De façon générale, l’optimisation locale via la limitation des modifications aux éléments qui
le nécessitent vraiment et la considération du prochain lien sur la route d’un véhicule lors des
calculs permettent de respecter le caractère temps réel de la gestion. En effet, les véhicules
circulent de façon continue sur le réseau et faute de traitement rapide et de prise en compte de
l’emplacement prévu des véhicules à la fin des traitements, les solutions fournies pourraient
s’avérer non applicables.
Ces scénarios étudiés ont mis en évidence la pertinence de notre approche de résolution
proposée pour la gestion des véhicules d’urgence dans un environnement réel caractérisé par son
dynamisme et incertitude. Notre approche contextuelle basée sur une architecture configurable a
permis une souplesse de traitement et une adaptabilité efficace aux différents évènements,
comparée aux traitements rencontrés dans la littérature qui ne présentent qu'une solution unique
et indépendante du contexte.
L’échange perpétuel de mises à jour d’informations entre les véhicules de la flotte et le

centre de gestion a permis une vision plus globale et complète de tous les éléments de la prise de
décision. Ainsi, nous avons été capables d’identifier le(s) véhicule(s) le(s) plus approprié(s) à
chaque contexte de manière à maximiser l’utilisation de la flotte de véhicules. Toutefois, nous
avons supposé un médium de communication parfait entre les véhicules de la flotte et le centre
de gestion et nous n’avons pas ignoré les problèmes du réseau envisagé, qui sort du cadre de
notre étude, et qui peuvent avoir des effets non négligeables sur la prise de décision.
De plus, la considération du contexte VANet dans notre étude a permis une bonne
modélisation du système de répartition dynamique des véhicules d’urgence en considérant des
communications entre les composantes du réseau de transport et le centre de répartition des
véhicules. Toutefois, l’outil de simulation qu’on a utilisé (SUMO) présente certaines limites et
ne présente pas de fonctionnalités spécifiques pour les véhicules d’urgence de façon que l’on n’a
pas été capable de reproduire leurs cheminements avec haute-fidélité. L’ajout de ces
99
fonctionnalités à SUMO ou l’emploi d’un outil payant comme Vissim ou QualNet nous
permettra de fournir de meilleurs résultats.
Les scénarios de notre étude expérimentale ont couvert toutes les possibilités des
événements présentés dans notre base des règles (Tableau 3). Bien que cette dernière ne soit pas
exhaustive, d’autres types d’événements et de scénarios pourraient facilement y être rajoutés en
se basant sur la notion d’agents complexes de traitements utilisée dans notre architecture.
Toutefois, nous avons réussi à identifier les événements les plus déterminants du réseau routier, à
notre connaissance, et ayant un impact sur les véhicules d’urgence pour lesquels nous avons
défini les plans de traitements appropriés.
Finalement, ces scénarios étudiés ont mis en évidence l’atteinte de l’objectif principal du
travail en termes de réduction des délais des véhicules d’urgence tout en respectant le critère de
stabilité du système de gestion défini par la minimisation des réaffectations en chaîne ainsi que la
validation de la majorité des objectifs secondaires de notre étude.
100
Conclusion, Contributions et Travaux futurs

1. Conclusion
Les systèmes de transport intelligent, utilisant des technologies variées, contribuent à la
révolution du système de transport et à l’amélioration de la performance des infrastructures
routières. Le déploiement des nouvelles technologies de l’information permet d’augmenter la
quantité et la qualité des informations et la rapidité avec laquelle celles-ci sont transmises ainsi
d’aborder les pénuries des systèmes de transport avec des chances de succès plus raisonnables.
La supervision du trafic routier, la surveillance des routes des véhicules d’urgence ainsi
que la gestion adaptative dynamique de ces derniers sont très importantes pour la réduction des
délais et le maintien des temps de réponse requis. Conséquemment, la minimisation des
répercussions négatives des incidents sur les vies humaines et les biens matériels ainsi que
l’amélioration de la sécurité de ceux qui n'en sont pas impliqués.
Tout au long de cette étude, nous avons cherché à concevoir une nouvelle approche
d’affectation des véhicules d’urgence qui remédie aux lacunes des approches existantes
spécifiquement en termes de gestion des incertitudes de l’environnement. Les effets de ces
derniers sont ignorés dans la majorité des approches existantes et leurs gestions sont délaissées
aux expertises des conducteurs des véhicules d’urgence, quoiqu’ils présentent des répercussions
non négligeables sur le temps de réponse.
Pour ce faire, nous avons cherché à modéliser le système d’affectation dynamique des
véhicules dans le cadre des STI afin de profiter de la quantité d’informations qui pourrait être
échangée rapidement tout en supposant une transmission parfaite d’informations. De plus, nous
avons essayé d’identifier les événements les plus déterminants du réseau routier et ayant un
impact sur les véhicules d’urgence auquel nous avons à définir des traitements appropriés. Nous
avons supposé que les évènements imprévus sur la route n’ont de répercussions que sur les temps
de réponses des véhicules en service et leurs impacts sont négligeables sur les véhicules sur site
ou en patrouille. Aussi, il a été impératif d’identifier une approche de ré-optimisation adaptée
aux différents contextes, vu la diversité des événements qu’un système de gestion peut avoir à
traiter, et qui permet de maximiser l’utilisation de la flotte de véhicules d’urgence.
101
Pour répondre à nos objectifs, nous avons défini une nouvelle formulation du problème
d’affectation des véhicules d’urgence dans le cadre des STI. Nous avons proposé une approche
contextuelle à base de scénarios pour l’affectation dynamique des véhicules d’urgence à la place
des méthodes classiques basées sur une minimisation d’une formulation mathématique théorique
du problème qui propose une solution unique indépendante du contexte.
Nous avons défini une base de règles à partir des principaux événements qui peuvent être
rencontrés, pour lesquels nous avons spécifié des algorithmes de traitement appropriés.
Toutefois, de nouveaux algorithmes pourraient être facilement ajoutés si d’autres évènements
s’avèrent pertinents en se basant sur la notion d’agents complexes de traitements utilisée.
Notre approche contextuelle est fondée sur une architecture configurable qui nous permet
une souplesse de traitement et une adaptabilité efficace aux différents contextes ce qui acquiert
une certaine flexibilité à notre formulation du problème comparée aux méthodes classiques.
De plus la quantité d’informations échangées sur l’état de la flotte de véhicules et l’état

instantané du trafic routier dans le contexte ITS, permet une vision plus globale et complète de
tous les éléments de la prise de décision ainsi il était possible de maximiser l’utilisation de la
flotte de véhicules.
Pour valider l’efficacité de notre approche, nous avons effectué une étude empirique via
des scénarios concrets et réels et mis en évidence les gains en termes de réduction de temps de
parcours et de délai que notre approche de résolution permet d’atteindre.
Nous avons démontré qu’un système de gestion qui surveille en continu l’état des routes
des véhicules de sa flotte et propose des adaptations rapides en fonction des changements dans
l’environnement peut effectivement produire une performance supérieure comparée aux
traitements rencontrés dans la littérature où une ré-optimisation de la solution ne se fait que lors
de l’arrivée d’un nouvel appel ou à des intervalles fixes de 5 à 10 mn et où aucune gestion des
imprévus n’est envisagée. Le scénario de ré-routage de véhicule en situation de congestion
temporaire dans sa route planifiée en est un exemple.
102
Chaque contexte étant unique, nous avons montré comment une surveillance continue et
une adaptation dynamique appropriée permettent de raffiner la connaissance de l’environnement
en continu et d'en réduire les délais.
2. Travaux futurs
Dans ce travail, nous avons simulé une situation routière pendant un certain intervalle de
temps et supposé un état particulier, suffisamment diversifié, d’une flotte de véhicules d’urgence
pour tester notre approche de gestion. Il serait intéressant maintenant de simuler notre approche
de gestion avec des données réelles, soit une configuration réelle d’une flotte de véhicules
d’urgence et un état réel de la circulation routière afin de valider nos résultats.
D’autre part, SUMO présente des limites quant aux simulations des véhicules d’urgence
puisqu’il n’inclut pas de fonctionnalités spécifiques pour ces derniers. Les véhicules d’urgence
sont simulés comme tous les autres véhicules et ils ne peuvent donc obtenir priorité sur les autres
véhicules ou traverser aux feux rouges. Il n’est donc pas possible de reproduire leur
cheminement réel avec haute fidélité. Il serait donc intéressant de reprendre les scénarios testés
avec un simulateur plus sophistiqué tel que Vissim ou étendre SUMO en ajoutant ces
fonctionnalités.
Par ailleurs, les adaptations proposées par notre système de gestion se basent sur des
informations de trafic recueillies à des intervalles de temps réguliers. Jumeler un modèle de
prévision de temps de parcours à court terme permettrait de mieux estimer les effets des
congestions temporaires sur la circulation routière. Il serait ainsi intéressant d’ajouter une
capacité de prévision des temps de parcours, peut-être via un apprentissage en ligne, pour mieux
estimer l’évolution des situations routières et éviter certaines réaffectations inutiles.
Finalement, notre approche de résolution s’apprête au caractère évolutif. En effet, si on

ajoute un module d’apprentissage en ligne des algorithmes de traitement pour d’autres
événements, qu’on n a pas considéré dans cette étude, peuvent être facilement déduit.
103
Références
Références
[1] Feng, L. U., Yingying, D., & Nianbo, Z. (2009, August). A practical route guidance approach
based on historical and real-time traffic effects. In Geoinformatics, 2009 17th International
Conference on (pp. 1-6). IEEE.
[2] NFPA 1710, Standard for the Organization and Deployment of Fire Suppression Operations,
Emergency Medical Operations, and Special Operations to the Public by Career Fire
Departments, 2001 Edition, 1 Batterymarch Park, PO Box 9101, Quincy, MA.
[3] Traffic Incident Management Handbook, 2000.

http://ntl.bts.gov/lib/jpodocs/rept_mis/13286.pdf
[4] Teng, H. H. (2004). Research Report No. UVACTS-15-0-62 August, (2004).

http://cts.virginia.edu/docs/UVACTS-15-0-62.pdf
[5] Freeway Management and Operations Handbook, chapter 10,

http://ops.fhwa.dot.gov/freewaymgmt/publications/frwy_mgmt_handbook/chapter10.htm
[6] Boyles, S., & Waller, S. T. (2007). A stochastic delay prediction model for real-time incident
management. ITE Journal, 77(11), pp. 18-24.
[7] Morales, J. M. (1986). Analytical procedures for estimating freeway traffic congestion.
Public Roads, 50(HS-040 182).
[8] Smith, K., & Smith, B. (2002). Forecasting the clearance time of freeway accidents.
Publication STL-2001-012. Center for Transportation Studies, University of Virginia.
[9] Haghani, A., Tian, Q., & Hu, H. (2004). Simulation model for real-time emergency vehicle
dispatching and routing. Transportation Research Record: Journal of the Transportation Research
Board, 1882(1), pp. 176-183.
[10] Kwon, J., Mauch, M., & Varaiya, P. (2006). Components of congestion: Delay from
incidents, special events, lane closures, weather, potential ramp metering gain, and excess
demand. Transportation Research Record: Journal of the Transportation Research
Board, 1959(1), pp. 84-91.
[11] Hallenbeck, M. E., Ishimaru, J. M., Nee, J., & Rickman, T. D. (2003). Measurement of
Recurring versus Non-Recurring Congestion: Technical Report. Washington State Department of
Transportation.
[12] Bremmer, D., Cotton, K. C., Cotey, D., Prestrud, C. E., & Westby, G. (2004). Measuring
congestion: Learning from operational data. Transportation Research Record: Journal of the
Transportation Research Board, 1895(1), pp. 188-196.
104
Références
[13] Parkany, E., & Xie, C. (2005). A complete review of incident detection algorithms & their
deployment: What works and what doesn't (No. NETCR 37, NETC 00-7).
[14] Haghani, A. & Yang, S. (2007). Real Time Emergency Response Fleet Deployment:
Concepts, Systems, Simulation & Case Studies, in Dynamic Fleet Management Concepts,
Systems, Algorithms & Case Studies; edited by Vasileios Zeimpekis, Christos D. Tarantilis,
George M. Gialis, and Ioannis Minis, Springer Science Business Media, pp. 133-162.
[15] Al-Deek, H., Garib, A., & Radwan, A. E. (1995). New method for estimating freeway
incident congestion. Transportation Research Record, (1494), pp. 30-39.
[16] Madanat, S., & Feroze, A. (1997). Prediction models for incident clearance time for Borman
Expressway (No. FHWA/IN/JHRP-96/10).
[17] Lee, J. Y., Chung, J. H., & Son, B. (2010). Incident clearance time analysis for Korean
freeways using structural equation model. Journal of the Eastern Asia Society for Transportation
Studies, 8, pp. 1878-1891.
[18] Ozbay, K., & Kachroo, P. (1999). Incident Management in Intelligent Transportation
Systems . Artech House, Boston.
[19] Han-Tao, Z., Jun-Qiang, L., & Guo-Sheng, M. (2009, April). Research on Highway
Emergency Vehicle Dispatching Model. In Measuring Technology and Mechatronics
Automation, 2009. ICMTMA'09. International Conference on (Vol. 2, pp. 296-299). IEEE.
[20] Xu, Q., Mak, T., Ko, J., & Sengupta, R. (2004, October). Vehicle-to-vehicle safety
messaging in DSRC. In Proceedings of the 1st ACM international workshop on Vehicular ad hoc
networks (pp. 19-28). ACM.
[21] Huisken, G., (2003). Soft-Computing Techniques Applied to Short-term Traffic Flow
Forecasting, Systems Analysis Modeling Simulation, Vol.43-2, pp. 165-173.
[22] Talbot, V. (2011) Mécanismes décisionnels préservant la performance des systèmes

distribués adaptatifs, mémoire de maîtrise, UQO.
[23] “Connected Vehicle Infrastructure Plan", Report of Parsons Brinckerhoff and the Center for
Automotive Research, Michigan Department of Transportation. October 2012. Available:
http://www.michigan.gov/documents/mdot/10-09-
2012_Connected_Vehicle_Infostructure_Plan_401340_7.pdf
[24] Biswas, S., Tatchikou, R., & Dion, F. (2006). Vehicle-to-vehicle wireless communication
protocols for enhancing highway traffic safety. Communications Magazine, IEEE, 44(1), 74-82.
[25] Fisher, M. L., & Jaikumar, R. (1981). A generalized assignment heuristic for vehicle
routing. Networks, 11(2), pp. 109-124.
105
Références
[26] Vidal, T., Crainic, T. G., Gendreau, M., & Prins, C. (2011). Heuristique pour les Problemes
de Tournées de Véhicules multi-attributs. CIRRIELT-2011-12 www.cirrelt.ca.
[27] Toth, P., & Vigo, D. (Eds.). (1987). The vehicle routing problem (Vol. 9). Society for
Industrial and Applied Mathematics.
[28] Taniguchi, E., Yamada, T., & Kakimoto, Y. (2001). Probabilistic routing and scheduling of
urban pickup/delivery trucks with variable travel times. In Proceedings-Japan Society of Civil
Engineers (pp. 49-62).
[29] Taniguchi, E., & Shimamoto, H. (2004). Intelligent transportation system based dynamic
vehicle routing and scheduling with variable travel times. Transportation Research Part C:
Emerging Technologies, 12(3), pp. 235-250.
[30] Gendreau, M., & Potvin, J-Y. (1998). Dynamic vehicle routing and dispatching. pp. 115-
126. Springer US.
[31] Fisher, M. L., (1985). An Applications Oriented Guide to Lagrangian Relaxation, Interface,
Vol. 15, pp. 10-21.
[32] Toregas, C., Swain, R. ReVelle, C. & Bergman, L. (1971). The Location of Emergency
Service Facilities, Operations Research, Vol. 19, pp. 1363-1373.
[33] Benyahia,I. &. Potvin, J.-Y. (2001). A framework for information management in dynamic
dispatching,” IEEE HICSS-34 (Hawaii Int. Conf. on System Science).
[34] Larson, R. (1975), Approximating the Performance of Urban Emergency Service Systems,
Operations Research, Vol.23, No.5, pp. 845-868.
[35] Haghani, A., H. Hu, & Tian, Q. (2003). An Optimization Model for Real-Time Emergency
Vehicle Dispatching and Routing, Proceeding CD of the 82nd annual meeting of the
Transportation Research Board, Washington, D.C.
[36] Yang, S., Hamedi, M., & Haghani, A. (2005). Online dispatching and routing model for
emergency vehicles with area coverage constraints. Transportation Research Record: Journal of
the Transportation Research Board, 1923(1), 1-8.
[37] Andersson, T., & Värbrand, P. (2006). Decision support tools for ambulance dispatch and
relocation. Journal of the Operational Research Society, 58(2), pp. 195-201.
[38] Taniguchi, E., Thompson, R. G., & Yamada, T. (2012). Emerging Techniques for
Enhancing the Practical Application of City Logistics Models. Procedia-Social and Behavioral
Sciences, 39, pp. 3-18.
106
Références
[39] Beaudry, A., Laporte, G., Melo, T., & Nickel, S. (2010). Dynamic transportation of patients
in hospitals. OR Spectrum, 32(1), pp. 77-107.
[40] Ibri, S., Nourelfath, M., & Drias, H. (2010, October). On the integration of dispatching and
covering for emergency vehicles management system. In Machine and Web Intelligence
(ICMWI), 2010 International Conference on Machine and Web Intelligence (ICMWI). pp. 198-
204.
[41] Ibri, S., Drias, H., & Nourelfath, M. (2010). Integrated emergency vehicle dispatching and
covering: A parallel Ant-tabu approach. In 8th International Conference of Modeling and
Simulation (MOSIM 2010) Hammamet, Tunisia, Lavoisier, May (pp. 10-12).
[42] Ibri, S., Nourelfath, M., & Drias, H. (2012). A multi-agent approach for integrated
emergency vehicle dispatching and covering problem. Engineering Applications of Artificial
Intelligence, 25(3), pp. 554-565.
[43] Fleischmann, B., Gnutzmann, S., & Sandvoß, E. (2004). Dynamic vehicle routing based on
online traffic information. Transportation Science, 38(4), pp.420-433.
[44] Taniguchi, E., Yamada, T., & Tamagawa, D. (1999). Probabilistic vehicle routing and
scheduling on variable travel times with dynamic traffic simulation. In International Conference
on City Logistics, 1st, 1999, Cairns, Queensland, Australia.
[45] Laporte, G., Louveaux, F., & Mercure, H. (1992). The vehicle routing problem with
stochastic travel times. Transportation Science, 26(3), pp. 161-170.
[46] Gendreau, M., Laporte, G., & Semet, F. (2001). A dynamic model and parallel tabu search
heuristic for real-time ambulance relocation. Parallel Computing, 27(12), pp. 1641-1653.
[47] Goldberg, J., & Paz, L. (1991).Locating Emergency Vehicle Bases when Service Time
Depends on Call Location, Transportation Science, Vol. 25, No.4, pp. 264-280.
[48] Ichoua, S., Gendreau, M., & Potvin, J.-Y. (2007). Planned route optimization for real-time
vehicle routing. In Dynamic Fleet Management. pp. 1-18. Springer US.
[49] Moretti Branchini, R., Amaral Armentano, V., & Løkketangen, A. (2009). Adaptive
granular local search heuristic for a dynamic vehicle routing problem. Computers & Operations
Research, 36(11), pp. 2955-2968.
[50] Lorini, S., Potvin, J. Y., & Zufferey, N. (2011). Online vehicle routing and scheduling with
dynamic travel times. Computers & Operations Research, 38(7), pp. 1086-1090.
[51] Greenwood, D., Dannegger, C., Dorer, K., & Calisti, M. (2009). Dynamic Dispatching and
Transport Optimization–Real-World Experience with Perspectives on Pervasive Technology
107
Références
Integration. In System Sciences, 2009. HICSS ‘09. 42nd Hawaii International Conference (pp. 1-
9).
[52] Okhrin, I., & Richter, K. (2008). The Real-Time Vehicle Routing Problem. In Operations
Research Proceedings 2007 (pp. 141-146). Springer Berlin Heidelberg.
[53] Güner, A. R., Murat, A., & Chinnam, R. B. (2012). Dynamic routing under recurrent and
non-recurrent congestion using real-time ITS. Information Computers & Operations
Research, 39(2), pp. 358-373.
[54] Lopez, B., Innocenti, B., Busquets, D. (2008). A multi-agent system for coordinating
ambulances for emergency medical services. IEEE Intel. Syst. 5, pp. 50–57.
[55] Giaglis, G. M., Minis, I., Tatarakis, A., & Zeimpekis, V. (2004). Minimizing logistics risk
through real-time vehicle routing and mobile technologies: Research to date and future trends.
International Journal of Physical Distribution & Logistics Management, 34(9), pp. 749-764.
[56] Giaglis, G. M., Minis, I., Tatarakis, A., & Zeimpekis, V. (2004). Minimizing logistics risk
through real-time vehicle routing and mobile technologies: Research to date and future trends.
International Journal of Physical Distribution & Logistics Management, 34(9), pp. 749-764.
[57] Wenning, B. L., Görg, C., Timm-Giel, A., Schönberger, J., & Kopfer, H. (2007).
Investigations on object-centered routing in dynamic environments: Algorithmic framework and
initial numerical results. In Proceedings of the 9th International Conference on Enterprise
Information Systems, Madeira, Portugal (pp. 225-230).
[58] Nabaa, M., Zeddini, B., & Tranouez, P. (2007). Approche décentralisée pour résoudre le
problème du transport à la demande. Schedae, prépublication n° 23, Fascicule n° 2, pp. 133-140.
[59] Zeddini, B., Yassine, A., Temani, M., & Ghedira, K. (2008, April). An agent-oriented
approach for the dynamic vehicle routing problem. In Advanced Information Systems for
Enterprises, 2008. IWAISE'08. International Workshop on Advanced Information Systems for
Enterprises (pp. 70-76). IEEE.
[60] Zeddini, B., Yassine, A., Temani, M., & Ghédira, K. (2008, June). Collective intelligence
for demand-responsive transportation systems: a self organization model. In Proceedings of the
8th international conference on new technologies in distributed systems. pp. 39. ACM.
[61] Zargayouna, M. (2005) Une représentation spatio-temporelle de l’environnement pour le

transport à la demande, Atelier : Représentation sur le temps et l’espace (RTE 2005), Plate-forme
AFIA 2005, Nice, France,62 p.
[62] Solnon, C. (2010). Résolution de problèmes combinatoires et optimisation par colonies de

fourmis. Notes de cours. URL http://www710.univ-lyon1.fr/~csolnon/. pp. 14, 16.
108
Références
[63] Branke, J. (2001). Evolutionary approaches to dynamic optimization problems-updated

survey. In GECCO Workshop on evolutionary algorithms for dynamic optimization problems
(pp. 27-30).
[64] Ando, N., & Taniguchi, E. (2006). Travel time reliability in vehicle routing and scheduling
with time windows. Networks and Spatial Economics, 6(3-4), pp. 293-311.
[65] Yang, S. (2006) Integrated management of emergency vehicle fleet. Dissertation submitted
to the Faculty of the Graduate School of the University of Maryland, College Park, in partial
fulfillment of the requirements for the degree of Doctor of Philosophy.
[66] Montemanni, R., Gambardella, L. M., Rizzoli, A. E., & Donati, A. V. (2005). Ant colony
system for a dynamic vehicle routing problem. Journal of Combinatorial Optimization, 10(4), pp.
327-343.
[67] Pillac, V., Guéret, C., & Medaglia, A. (2012). A fast re-optimization approach for dynamic
vehicle routing. hal-00739782, version .1 http://hal.archives-ouvertes.fr/hal-00739782
[68] Zhao, X., Goncalves, G., & Dupas, R. (2009). On-line genetic algorithm for the dynamic
vehicle routing problem with real-time time-dependent travel times, IEEE Computers &
Industrial Engineering. pp. 1052 – 1057.
[69] Li C. & Yang, S. (2009). A Clustering Particle Swarm Optimizer for Dynamic
Optimization. CEC'09 Proceedings of the Eleventh Conference on Congress on Evolutionary
Computation IEEE Press Piscataway, NJ, USA ©2009, pp. 439 – 446.
[70] Lou, S. Z., & Shi, Z. K. (2005, August). An effective tabu search algorithm for large-scale
and real-time vehicle dispatching problems. In Machine Learning and Cybernetics, 2005.
Proceedings of 2005 International Conference on (Vol. 6, pp. 3579-3584). IEEE.
[71] Hall, R. (1986). The Fastest Path through a Network with Random Time-Dependent Travel
Times. Transportation Science, Vol. 20, No. 3, pp. 182-188.
[72] Dean, B. C. (2004). Shortest paths in FIFO time-dependent networks: Theory and
algorithms. Rapport technique, Massachusetts Institute of Technology.
[73] Behrisch, M. Bieker, L. Erdmann, J. & Krajzewicz, D. (2011) SUMO -Simulation of Urban
MObility: An Overview In: SIMUL 2011, The Third International Conference on Advances in
System Simulation, 2011.
[74] Chabini, I. (1998). Discrete dynamic shortest path problems in transportation applications:
Complexity and algorithms with optimal run time. Transportation Research Record: Journal of
the Transportation Research Board, 1645(1), pp. 170-175.
109
Références
[75] Zhao, L. & Ohshima, T. (2008). A* algorithm for the time-dependent shortest path
problem. In WAAC08: The 11th Japan-Korea Joint Workshop on Algorithms and Computation.
[76] Goldberg, A. V., & Harrelson, C. (2005, January). Computing the shortest path: A search
meets graph theory. In Proceedings of the sixteenth annual ACM-SIAM symposium on Discrete
algorithms (pp. 156-165). Society for Industrial and Applied Mathematics.
[77] Jigang, W., Han, P., Jagadeesh, G. R., & Srikanthan, T. (2010, April). Practical algorithm
for shortest path on large networks with time-dependent edge-length. In Computer Engineering
and Technology (ICCET), 2010 2nd International Conference on (Vol. 2, pp. V2-57). IEEE.
[78] Larsen, A., Madsen, O. B., & Solomon, M. M. (2007). Classification of dynamic vehicle
routing systems. In Dynamic Fleet Management (pp. 19-40). Springer US.
[79] Gillett, B. E., & Miller, L. R. (1974). A heuristic algorithm for the vehicle-dispatch
problem. Operations Research, 22(2), 340-349.
[80] Lorini, S., Potvin, J.-Y., & Zufferey, N. (2011). Online vehicle routing and scheduling with
dynamic travel times. Computers & Operations Research, 38(7), pp. 1086-1090
[81] Huang, B., & Pan, X. (2007). GIS coupled with traffic simulation and optimization for
incident response. Computers, environment and urban systems, 31(2),pp. 116-132.
[82] Costeseque, G. (2011). Analyse et modélisation du trafic routier: Passage du microscopique

au macroscopique. Mémoire de Maitrise à l’Université de Lyon–2011.
http://www.fundacioabertis.org/rcs_pub/premi_abertis_costeseque.pdf
[83] Open Street Map. http://www.openstreetmap.org/
[84] TraCI4Matlab. http://www.mathworks.com/matlabcentral/fileexchange/44805-traci4matlab
[85] TraCI4J. https://github.com/egueli/TraCI4J
[86] Ferman, M. A., Blumenfeld, D. E., & Dai, X. (2005, March). An analytical evaluation of a
real-time traffic information system using probe vehicles. In Intelligent Transportation
Systems (Vol. 9, No. 1, pp. 23-34). Taylor & Francis Group.
[87] Westerman, M., Litjens, R., & Linnartz, J. P. (1996). Integration of probe vehicle and
induction loop data: Estimation of travel times and automatic incident detection.
[88] Tao, S., Manolopoulos, V., Rodriguez, S., & Rusu, A. (2012). Real-Time Urban Traffic
State Estimation with A-GPS Mobile Phones as Probes. Journal of Transportation
Technologies, 2, 22.
110
Références
[89] Chen, Y., Gao, L., Li, Z. P., & Liu, Y. C. (2007, September). A new method for urban
traffic state estimation based on vehicle tracking algorithm. In Intelligent Transportation Systems
Conference, 2007. ITSC 2007. IEEE (pp. 1097-1101). IEEE.
[90] Yang, S., Hamedi, M., & Haghani, A. (2005). Online dispatching and routing model for
emergency vehicles with area coverage constraints. Transportation Research Record: Journal of
the Transportation Research Board, 1923(1), 1-8.
111
Annexe 1
Annexe 1: Voisinage dynamique
 Entrée:
o Emplacement de l’appel d’urgence « E »
o Priorité « P » de l’appel d’urgence
o Liste des mises à jour des véhicules
o « Temps de parcours maximum « T » pour la priorité « P »
 Sortie: Liste des véhicules voisins candidats triés selon leur temps d’arrivée.
Algorithme :
H= {} \* liste de véhicules représentant des candidats potentiels*\
K= {} \* liste des véhicules voisins retenus*\
1. Pour chaque v  V: \* pour chaque véhicule de la flotte*\

Si état(v) = Libre
Alors ADD [v, H]; \* H := H U {v}*\

Si (état(v) = En route vers un site d’urgence & priorité (v) <= P)
Alors ADD [v, H];

Fin Pour
2. Calculer le temps de déplacement des véhicules candidats (v H) au site de l’appel
d'urgence.
Pour chaque v  H:
T (v) = Plus court chemin de Emplacement (v) à E;
Si (état (v) = est en route vers un site d’urgence & Priorité (v) < P)
Alors T(v) = T(v) +ß\* Ajouter une pénalité au temps de parcours;
Plus la priorité est haute et plus la pénalité ß est
importante. *\
112
Annexe 1
Si T(v) ≤ T
Alors ADD [v, K]; \* K := K U {v}*\

Fin Pour
3. Trier K par ordre croissant des temps de parcours
4. Retourner la liste K.
113
Annexe 2
Annexe 2 : Algorithmes du plus court chemin
Le pseudo-code de l’algorithme de Jigang et al. [77] est présenté dans ce qui suit.
 Entrée:
o Plus court chemin statique « L » entre deux nœuds a et b
o Grade r du sous-réseau à générer
 Sortie: un DSP approximatif de a à b;
Algorithme D_LS (L, a, b, r);
/ * Trouver un DSP approximatif du sommet a au sommet b, par recherche locale dans le

sous-réseau G’ de grade r du réseau G. * /
Début :
1. G’ := L ; / * Initialisation du sous-réseau G’ de grade r * /
2. Pour chaque nœud vi L faire / * étendre G’ * /
2.1 Mettre en place Vi (r); / *L’ensemble des voisins de grade r du nœud vi * /
avec Vi (r) = {u |dist(u, vi ) ≤ r} /* la distance du voisin u au nœud vi ≤ r */
2.2 Pour chaque nœud u Vi (r) faire
Si u n'est pas dans le sous-réseau G’
Alors Ajouter u et ses nœuds adjacents dans G’ ;
Fin Pour;
3. Exécuter D_DA dans le sous-réseau G ' pour calculer un plus court chemin L '
4. Retourner L’ comme DSP approximatif entre a et b dans le réseau;
Fin.
Algorithme D_DA (a, b, t, L);
Début
114
Annexe 2
1. H := {a}; /*Initialisation de l’arbre du plus court chemin H */
2. Pour chaque nœud u V faire /* Initialisation des valeurs du plus court chemin */
Si (a, u) E alors dist(a, u, t) := w (a, u, t)
Sinon dist (a, u, t) := +∞;
3. Tant que b H Faire
Début
3.1 Extraire le nœud u tel que
dist(a, u, t) ≤ dist( a, v, t) pour tout v V;
3.2 H := H ∪ {u} et V := V − {u};
3.3 Pour chaque voisin v de u faire
Si dist(a, v, t) > dist(a, u, t) + w (u, v, dist(a, u, t))
alors dist(a, v, t) := dist(a, u, t) + w (u, v, dist(a, u, t));
Fin Tant que
Fin.
Par commodité de calcul et pour réduire l’espace mémoire nécessaire, nous avons
modifié un peu le pseudo-code de l’algorithme de Jigang et al. [77] de façon à ce que l’exécution
de l’algorithme dynamique de Dijkstra et la vérification du voisinage des nœuds sur le plus court
chemin statique soient faites simultanément et non pas séquentiellement. En effet, il faut parfois
calculer le plus court chemin entre plusieurs nœuds sources et destinations ce qui entraîne un
usage important de mémoire pour stoker les différents sous-réseaux à traiter. Le pseudo-code de
l’algorithme modifié est présenté ci-dessous avec les mêmes entrées que celles de l’algorithme
de Jigang et al. [77].
Dans le même esprit, puisqu’un véhicule d’urgence peut faire face à des changements
imprévisibles sur sa route qui demandent le calcul rapide d’un nouveau chemin, l’idée de Jigang
115
Annexe 2
et al. [77] sera exploitée à nouveau, mais en utilisant le chemin courant utilisé par le véhicule
d’urgence comme solution initiale à l’algorithme dynamique. On cherchera ensuite à affiner ce
chemin en utilisant les informations temps réel. On utilisera également le nœud le plus proche du
véhicule comme nœud source s lors des calculs. Ainsi, on pourra évaluer rapidement toute
déviation de la route courante.
Algorithme modifié D_LS (L, a, b, r);
1. Pour chaque u  G \ * pour chaque nœud u du réseau G * \

d[u] = ∞; \ *initialisation de la distance du nœud u à la destination b * \
Parent [u] = NIL; \ *initialisation des arbres des nœuds vers la destination b * \
Fin Pour
d[a] = 0; \ *initialisation de la distance du nœud source a à la destination b *\
H = {a}; \ *initialisation des nœuds candidats vers la destination b * \
2. Tant que H ≠ Ø et b H:

u = Extraire_Min(H); \* Extraire le nœud de H avec la distance minimale vers la
destination *\
Étiquette (u) := Examiné;
Pour chaque nœud v adjacent à u :
Si outOfRange(v), alors continuer;
Sinon
Si d[v] > d[u] + w [u, v], alors
{ d[v] = d[u] + w [u, v]; \* mettre à jour la distance de v*\
Parent[v] = u; \* mettre à jour l’arborescence du nœud*/
Ajouter [v, H]; \* H := H U {v}*\
}
Fin Tant que
Procédure outOfRange(grade r, nœud v): \* évaluation de voisinage de grade r*\

// Degré r du sous-réseau à générer;
116
Annexe 2
// v est un sommet en cours de vérification;
dist(v, L) = minu L {dist(u, v)} ;

Si dist(u, vi ) > r
Alors retourner vrai;
Sinon
Retourner faux;
Fin.
117

Gestion Adaptative Des Véhicules D'Urgence Utilisant Des Informations en Temps Reél

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Gestion Adaptative Des Véhicules D'Urgence Utilisant Des Informations en Temps Reél

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gestion Adaptative Des Véhicules D'Urgence Utilisant Des Informations en Temps Reél

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DU QUEBEC EN OUTAOUAIS

GESTION ADAPTATIVE DES VÉHICULES

COMME ÉXIGENCE PARTIELLE

GESTION ADAPTATIVE DES VEHICULES

Présenté par : Hanene Ben Yedder

Pour l’obtention de maîtrise en Informatique

Évalué par un jury composé de :

Ilham Benyahia………………………………….Directrice de recherche

Jean-Yves Potvin………………………………..Co-directeur de recherche

Luigi Logrippo……………………..……………Président du Jury

Ana-Maria Cretu…………………………………Membre du Jury

Mes chaleureux remerciements s'adressent à ma directrice de recherche Dr. Ilham

FIGURE 1-1 COMPOSANTES DE LA DUREE D’UN INCIDENT (MADANAT ET FEROZE [16]) 8

Les systèmes de transports intelligents (STI) représentent un domaine multidisciplinaire

Mots clés: affectation dynamique de véhicules, approche contextuelle, architecture

Key Words: Dynamic Vehicle dispatching, Context Aware, Reactive Dispatching,

Les systèmes d’urgence opèrent dans des environnements fortement dynamiques et

Chapitre 1 : Contexte et problématique

1.1. Incident et impacts

Tout retard représente un inconvénient majeur pour différentes catégories d’usagers de la

1.2. La gestion des incidents

La gestion des incidents se définit formellement comme l'utilisation systématique,

Différentes techniques de gestion des incidents ont le potentiel de réduire

Les systèmes de gestion de flottes de véhicules d’urgence utilisent actuellement des

2. Aperçu sur les travaux existants relatifs à la gestion des incidents

Les principales contributions des travaux de recherche portant sur l’optimisation de la

2.1. Méthodes de calcul du délai

2.2. Détection de l’incident

Récemment, on a observé une tendance à délaisser les algorithmes de traitement des

automatique des véhicules (GPS « Global Positioning System », systèmes de géolocalisation

2.3. Durée totale de l'incident

L'intervalle de temps entre l'apparition d’un incident et le retour à des conditions de

Figure 1-1 Composantes de la durée d’un incident (Madanat et Feroze [16])

gestion de chacune des étapes: la détection, la vérification, la réponse et le rétablissement de la

3. Problématique de la répartition des véhicules d’urgence

Suite à la détection d’un incident, une réponse est planifiée en fonction de la

Réduire le temps nécessaire au personnel d’urgence et aux équipements pour atteindre le

Afin de mieux comprendre notre contribution dans ce contexte, examinons quelques

3.1. Exemples de scénarios de congestion imprévisible

Conséquemment, une augmentation du temps de réponse des véhicules d’urgence en

Figure 1-3 Chute d’un arbre sur la route du véhicule d’urgence

Dans un deuxième scénario, le véhicule de secours peut attendre le rétablissement de la

En somme, si on examine le retard total calculé par le centre de gestion, à partir

Le temps économisé en utilisant un système de gestion d'incidents dépend ainsi

3.2. Potentialité de la gestion en temps réel

Les nouvelles technologies de l’information ont heureusement ouvert de nouvelles

dernière décennie sur le déploiement de nouvelles technologies de l'information et de la

Les nouvelles technologies de l’information permettent essentiellement d’augmenter la

Les systèmes de transport intelligents utilisent actuellement des technologies variées,

Il devient alors possible d’apporter des améliorations continues en temps réel et de

3.3. Besoins apparents de la gestion en temps réel

L’atteinte des objectifs secondaires suivants permet de réaliser l’objectif principal. Il

1. Modéliser le système de répartition (gestion) dynamique des véhicules en considérant des

L'importance de cette recherche réside en partie dans sa nouveauté. À ce jour, l'étude de

Chapitre 2: État de l’art

Le problème de tournées de véhicules (VRP « Vehicle routing problem») avec ses

1. Introduction au problème de routage et répartition de véhicules