Modèle ReLUT

Le modèle utilisé provient du dépôt public ReLUT/parking-search-prediction. Il a été développé à partir de données collectées dans le projet start2park, avec un début de recherche de stationnement renseigné comme vérité terrain.

Variables utilisées

Le code ReLUT prépare les variables suivantes :

Variable	Rôle
distToParkingSpot	distance entre le point courant et le dernier point du segment
speed_kmh	vitesse au point courant
speed_lag1 à speed_lag5	vitesses précédentes
sampRate_lag0 à sampRate_lag5	intervalles temporels courants et précédents

Le modèle ne connaît pas directement :

• le type de voirie ;
• l'offre de stationnement ;
• le motif du déplacement ;
• le quartier ;
• la règlementation locale ;
• la destination réelle ;
• les déclarations utilisateur.

Sortie du modèle

Pour chaque point, le modèle produit une probabilité :

y_hat_p = probabilité estimée que le point appartienne à la phase de recherche

Cette probabilité est ensuite transformée en label driving ou searching. Lorsque p_search: auto, le seuil dépend de la fréquence médiane du segment selon les règles internes du dépôt ReLUT.

Post-traitement

Le code ReLUT applique une contrainte séquentielle :

si un premier point est classé searching,
tous les points suivants deviennent searching

Cette contrainte est cohérente avec l'idée d'une phase finale de recherche, mais elle peut amplifier un faux positif précoce.

Adaptation locale

La couche locale ne réentraîne pas le modèle. Elle :

• prépare les colonnes au format attendu ;
• découpe les flux en segments candidats ;
• appelle le modèle .h5 ;
• applique localement une durée maximale de recherche, car l'option équivalente du code ReLUT présente un problème de renommage de colonnes dans le dépôt cloné.

La durée maximale locale est :

model:
  max_search_duration_minutes: 15

Les points classés searching au-delà de cette durée restante sont reclassés en driving.

Ce que le modèle peut tester

Le modèle peut aider à repérer des séquences où la fin de trajectoire présente des caractéristiques compatibles avec une recherche de stationnement :

• ralentissements ;
• proximité du point final ;
• dynamique temporelle de fin de trajet.

Ce que le modèle ne prouve pas

Le modèle ne prouve pas que le conducteur cherchait effectivement une place. Il ne distingue pas, sans information externe :

• congestion ;
• arrêt passager ;
• détour ;
• dépose-minute ;
• accès à un parking privé ;
• pause au feu ou en carrefour ;
• mauvaise segmentation du trajet.

Les sorties doivent donc être croisées avec des cartes, des profils temporels et, si possible, des données annotées.