inTformer – Crash likelihood aux intersections avec données de véhicules connectés

• Référence : CrashLikelihood2023
• Titre : inTformer: A Time-Embedded Attention-Based Transformer for Crash Likelihood Prediction at Intersections Using Connected Vehicle Data
• Auteurs : Shahraki et al.
• Source : arXiv:2307.03854v4 (2024)
• Thème : détection / sécurité routière
• Mots-clés : crash likelihood, intersections, connected vehicles, transformer, attention, SHAP

1. Problème et contexte

Objectif : prédire la probabilité d’accident à une intersection, à court terme, à partir de données de véhicules connectés (CV), et non plus seulement à partir d’historiques de sinistres ou de comptages agrégés.

Contexte :

• Les intersections sont des hotspots de sinistralité, avec de nombreuses configurations de conflits (gauche, traversée, arrière, piétons…).
• Les approches classiques :
  • s’appuient sur des statistiques agrégées (nombre de crashes sur plusieurs années),
  • ou sur des modèles de sécurité statiques (HSM, SPF, etc.).
• Avec la montée des véhicules connectés (trajectoires, vitesses, états de feux, etc.), on peut envisager une estimation dynamique du risque au pas de temps.

La question centrale :

Peut-on prédire, en quasi temps réel, le risque de crash à une intersection en utilisant uniquement les trajectoires et mesures CV, via un modèle séquentiel de type Transformer ?

2. Données & périmètre expérimental

• Données de véhicules connectés :
  • Trajectoires CV issues de capteurs de trafic / sondes type INRIX et CATT Lab Signal Analytics Platform (données SPaT, trajectoires, phases de feux).
  • Observations au niveau des approches d’intersection et des zones internes (within-intersection vs approach zones).
• Chaque “échantillon” est un segment temporel (fenêtre de quelques secondes) avec :
  • séries temporelles agrégées par mouvement :
    • vitesses (moyenne, percentiles),
    • angles / déflexions de trajectoires,
    • temps de parcours, retard,
    • indicateurs de congestion (nb de véhicules, files, etc.),
  • contexte d’intersection (phases de feux, mouvements conflictuels…).
• Labels :
  • 1 = crash observé (ou “near crash”) dans une fenêtre de temps associée,
  • 0 = fonctionnement normal.
• Jeu de données fortement déséquilibré (peu d’accidents vs beaucoup de situations normales), classique en sécurité routière.

3. Modèle proposé : inTformer

3.1. Architecture globale

inTformer = Time-Embedded Attention-Based Transformer :

1. Embedding temporel :

   • Encode les pas de temps dans les séquences de features (position dans la fenêtre temporelle).
   • Permet au modèle d’exploiter l’ordre et la dynamique (approche vs collision imminente).

2. Encoders de mouvement / zone :

   • Entrées : séquences de vecteurs de features (vitesse, angles, retards, nb de trajectoires, etc.) pour :
     • la zone d’approche,
     • la zone d’intersection.
   • Chaque séquence passe par un encoder Transformer avec :
     • self-attention multi-têtes,
     • MLP feed-forward,
     • normalisation couche + residuals.

3. Fusion et tête de prédiction :

   • Les représentations encodées (approach + intersection) sont fusionnées.
   • Passage dans une MLP + couche sigmoid → probabilité de crash à court terme sur l’intersection.

Le modèle est explicitement conçu pour capturer les interactions spatio-temporelles :

• comment la dynamique des véhicules (vitesse, accélération implicite, déflection d’angle) évolue à l’approche de l’intersection ;
• comment la densité de trafic et les trajectoires “en conflit” contribuent au risque.

3.2. Entraînement & métriques

• Problème binaire : crash vs non-crash.
• Perte type binary cross-entropy, entraînement supervisé.
• Jeu très déséquilibré → importance des métriques :
  • rappel / sensibilité (détecter les crashs),
  • taux de fausses alertes (éviter les alarmes permanentes),
  • précision, F1, éventuellement ROC-AUC.

inTformer est comparé à plusieurs baselines :

• réseaux récurrents (LSTM/GRU),
• CNN/LSTM sur séries temporelles,
• modèles classiques (logistic regression, random forest, XGBoost…).

4. Résultats principaux

Sur les intersections étudiées :

• inTformer surpasse les baselines en :
  • rappel des crashs,
  • stabilité du modèle entre intersections,
  • capacité à exploiter des séquences plus longues sans “oublier” le contexte.
• Le modèle gère mieux les cas où :
  • plusieurs mouvements conflictuels coexistent,
  • le pattern dynamique qui mène à l’accident est subtil (ex. accélération tardive + files longues + phases de feux particulières).

Interprétabilité via SHAP :

• Permet de ranker les features critiques par zone :

  • Zone d’intersection :

    • vitesse moyenne maximale,
    • angle de déflexion moyen,
    • angle différentiel de virage à gauche,
    • 5ᵉ percentile de vitesse (lenteur → congestion / situations atypiques),
    • nombre de trajectoires entrants.

  • Zone d’approche :

    • retard moyen des véhicules,
    • diff. de temps de trajet par rapport à un profil de référence,
    • nombre de trajectoires à proximité,
    • mesures liées aux files d’attente.

En pratique :

Plus la situation s’écarte du “profil nominal” (retard, files, vitesses hétérogènes, angles atypiques), plus le modèle estime un risque élevé.

5. Points d’intérêt pour RS3 / Telemachus / VAE

5.1. Lien direct avec V006 et B017

• V006 : géométrie routière & risque conducteur
  inTformer montre comment un flux de données micro (trajectoires CV) peut être transformé en score de risque localisé sur l’infrastructure (l’intersection).
• B017 : détection d’événements de conduite & risque
  Ici, on passe de l’événement isolé (freinage brusque, virage serré) à une agrégation séquentielle sur plusieurs véhicules / plusieurs cycles de feux pour aboutir à un score de crash likelihood.

→ Très complémentaire des travaux sur :

• DrivingRiskAnomalyTelematics2025 (détection d’anomalies télématiques non supervisée),
• DrivingVolatility2018 / SpeedingEffects2023 (liens volatilité / excès de vitesse ↔ risque).

Tu peux te servir de cet article pour :

• justifier l’usage d’architectures séquentielles modernes (Transformers) sur des données télématiques 10 Hz,
• montrer que le risque d’accident peut être estimé sans caméra, uniquement avec des signaux CV / télématiques.

5.2. Pistes d’intégration RS3 → Telemachus

• RS3/Telemachus fournissent exactement les briques nécessaires :

  • trajectoires GNSS/IMU à 10 Hz,
  • événements (freinage, virage, stop…),
  • bientôt géométrie RoadGeometry (courbure, pente, jonctions).

• Tu peux reproduire la logique inTformer avec un pipeline :

  1. RS3 → génération de scénarios sur des carrefours complexes (ronds-points, carrefours à feux).
  2. Export Telemachus → calcul de features “à la inTformer” :
     • distributions de vitesses, temps de parcours, congestion (nb de trajectoires),
     • événements inertiels (fortes décélérations à l’approche d’un feu).
  3. Entraînement d’un Transformer simplifié sur ces features pour prédire :
     • occurrences de quasi-accidents dans les scénarios simulés,
     • ou classes “safe vs risky pattern” à l’échelle d’un mouvement.

• Cela s’insère très bien :

  • dans V006 (géométrie & risque),
  • dans une future extension de B017 sur les patterns de trafic (pas seulement les événements individuels),
  • et éventuellement dans un futur papier “Telematics-based Crash Likelihood at Intersections” si tu veux aller plus loin.

6. Limites / critiques

• Données : dépendantes de la qualité et de la pénétration des véhicules connectés sur les sites étudiés.
• Spatialement : modèles calibrés sur un ensemble d’intersections – la généralisation à d’autres contextes (villes, pays) reste un sujet.
• Modèle :
  • architecture relativement lourde vs modèles plus simples ;
  • nécessité de stratégies de gestion de l’imbalance (classe minoritaire crash) bien maîtrisées pour une exploitation industrielle.
• Ne prend pas explicitement en compte :
  • la géométrie détaillée (courbure locale, visibilité),
  • les facteurs environnementaux (météo, luminosité) → complémentarité évidente avec RoadGeometry et tes travaux “météo / pente / courbure / inertie”.

7. Idées concrètes pour ton écosystème

• V006 : citer inTformer comme exemple d’architecture moderne pour passer des signaux GNSS/IMU/trajets à un score de risque localisé.
• B017 : ajouter un paragraphe “Et après les événements isolés ?” en mentionnant les travaux inTformer, en les reliant à DrivingRiskAnomalyTelematics2025.
• Artefact futur (optionnel) : un AR type AR0xx_IntersectionRisk :
  • RS3 → scénarios d’intersection,
  • Telemachus → extraction features,
  • proto inTformer → score de crash likelihood simulé.