Abstract:
Trouver rapidement une place de stationnement est désormais une nécessité quotidienne
incontournable pour nous tous, dans toutes les zones urbaines. Cependant, la gestion inadéquate des ressources en matière de stationnement entraîne de nombreux problèmes. La
recherche de places de stationnement est devenue un défi majeur pour les conducteurs, entraî-
nant une augmentation de la congestion du trafic, de la pollution atmosphérique, des pertes
de temps considérables et une grande frustration.
Face à cette problématique, les solutions basées sur l'IdO, le big data et l'apprentissage
automatique offrent des alternatives prometteuses. C'est dans ce contexte que ce mémoire
intervient avec deux contributions majeures. La première se concentre sur la proposition d'une
architecture flexible pour la gestion des données big data générées par différents capteurs
installés dans les parcs de stationnement. La deuxième contribution concerne un modèle
d'apprentissage profond hybride Conv1D-BiGRU qui prédit avec précision l'occupation des
places à court terme. Les résultats obtenus démontrent des performances élevées, ouvrant la
voie à une meilleure gestion des ressources de stationnement, avec une MSE de 0.00017, un
MAE de 0.0095, un RMSE de 0.0129 et une précision d'environ 99%.
