Dimonoff : Prédiction dynamique d’occupation d’espace de stationnement en milieu urbain

D’ici les trente prochaines années, il est anticipé que les deux tiers de la population mondiale résideront en milieu urbain. Cette statistique presse les villes à organiser leurs infrastructures dans une logique sans précédent afin de conserver ou d’améliorer la qualité de vie des citoyens. La rapidité avec laquelle la population croît et l’indisponibilité des informations de mobilité aux gestionnaires de stationnement et automobilistes causent d’innombrables problématiques de gestion. Dimonoff en tant que chef de file mondial dans le domaine de l’IoT relié aux technologies urbaines désire
contribuer à fournir des solutions. C’est dans ce contexte que la solution Mobilité a été lancée, basée sur une plateforme IoT complète et de capteurs connectés. Cette solution Mobilité permet une meilleure connaissance des données de mobilité que ce soit pour trouver des stationnements de façon plus rapide, surveiller et contrôler à distance les différents espaces de stationnement ou encore un meilleur suivi des accès aux zones restreintes.
Dans ce contexte, nous cherchons à résoudre une problématique importante qui réside dans la difficulté de prédire l’occupation des espaces de stationnement. Les modèles de prédictions actuels sont simplistes et requièrent souvent l’intervention humaine pour la prise de décision. L’objectif est donc de développer un modèle de prédiction plus dynamique, capable de s’adapter aux différents facteurs environnementaux, géographiques, démographiques, sociaux et économiques. La plateforme contient des données d’occupations de milliers d’espaces de stationnements situés à Québec et Montréal. Les données d’occupation proviennent de capteurs individuels et/ou de barrières d’accès. Autres que les informations d’occupations, nous y trouvons des données telles que la localisation, la météorologie et des données d’accès tels les types d’utilisateurs.

Faculty Supervisor:

Christian Gagné;Thierry Badard

Student:

Partner:

DimOnOff

Discipline:

Computer science

Sector:

Manufacturing; Professional, scientific and technical services

University:

Université Laval

Program: