Abstract:
Ce mémoire présente une approche innovante pour renforcer la confiance dans les systèmes ferroviaires intelligents, en utilisant des techniques avancées d'apprentissage automatique. L'étude se concentre sur le renforcement de la confiance dans les communications
entre les trains dans un environnement TC-CBTC (Train-Centric Communication-Based
Train Control). La méthodologie comprend l'évaluation de la qualité des données, la mise
à jour des scores de confiance, et la prise de décision basée sur ces scores. Les techniques
utilisées incluent des modèles d'embedding, des réseaux de neurones convolutifs (CNN),
des réseaux à mémoire long terme (LSTM), et la distribution bêta pour modéliser la
confiance. Les résultats montrent une précision de 97%, une exactitude de 98,1%, un
rappel de 99,5%, et un F1-score de 98,7%, indiquant une performance élevée du modèle.
Cette approche offre une solution prometteuse renforcer la confiance dans les systèmes
ferroviaires intelligents, bien que des défis persistent pour son intégration et son adaptation dans des environnements réels et variés.
