Étude de Cas : Analyse prédictive de SAMRoute autour d'établissements scolaires
Cette étude de cas présente l’analyse prédictive de SAMRoute autour de 7 500 établissements scolaires dans l’Ouest de la France. Elle montre comment la plateforme identifie les abords routiers à risque et soutient des décisions de sécurité proactives.
Pré-diagnostic SAMRoute de sécurité routière autour de 7500 écoles en France
Analyse de la capacité de SAMRoute à pré-diagnostiquer la dangerosité relative des abords routiers de points d'intérêts
SAMRoute est une solution d'IA générative explicable,
qui pré-diagnostique la sécurité et modélise les
risques liés à l'infrastructure de transport, comme les
risques d'accident de la route.
Dans cette étude de cas, nous allons utiliser les capacités de pré-diagnostic de SAMRoute pour analyser les abords routiers de 7 500 écoles situées dans l’Ouest de la France, englobant une population de 10 millions d’habitants.
Cette étude explore trois questions relative à l'usage de SAMRoute:
1️⃣ Peut-on évaluer autant de points d’intérêt ?
2️⃣ Quelle est la précision de notre pré-diagnostic ?
3️⃣ Et à quoi ressemble concrètement un site à risque identifié par SAMRoute?
Dans cette étude de cas, nous allons utiliser les capacités de pré-diagnostic de SAMRoute pour analyser les abords routiers de 7 500 écoles situées dans l’Ouest de la France, englobant une population de 10 millions d’habitants.
Cette étude explore trois questions relative à l'usage de SAMRoute:
1️⃣ Peut-on évaluer autant de points d’intérêt ?
2️⃣ Quelle est la précision de notre pré-diagnostic ?
3️⃣ Et à quoi ressemble concrètement un site à risque identifié par SAMRoute?
Vidéo : Cas pratique et analyse des abords routiers de 7 500 établissements scolaires de France
SAMRoute : Solution SaaS pour une sécurité routière proactive
Un modèle explicable évaluant le risque d'accident avant sa survenue
SAMRoute est une solution SaaS qui aide les acteurs de l'infrastructure routière à analyser et modéliser la sécurité relative des routes avant la survenue d'accidents, en s'appuyant sur plusieurs sources de données reconnues et des modèles explicables.
En quelques points, SAMRoute c'est :
En quelques points, SAMRoute c'est :
- Un score évaluant le risque annuel d'accidents tous les 100 mètres, basé sur un modèle multi-factoriel (34 facteurs) adapté au profil risque d'usagers (voitures, motos, vélos, piétons).
- Un score linéaire produisant des prédictions décomposables, transparentes et explicables — contrairement aux modèles de deep learning (IA) qui sont opaques.
- 72,5 millions de km de routes scorées à partir d'OpenStreetMap.
- L'accidentologie pour l'analyse rétrospective (FR, NL, UK, US).
- Couches de données satellites de la NASA et de l'ESA pour contextualiser l'environnement proche des routes.
- Tracés de transport et arrêts en France (GTFS).
- Image de rue et annotations de META/Mapillary (FR, US/CA+NY).
Figure. Sources de données utilisées
Évaluation de la capacité pré-diagnostic de SAMRoute
Score de risque routier près de 7 500 écoles de l'Ouest de la France
Nous évaluons la capacité du score de risque SAMRoute à
identifier les établissements scolaires dont les abords
routiers sont dangereux. Le protocole est le suivant :
1️⃣ Pour chaque établissement scolaire, 500 mètres autour, nous calculons la moyenne des scores, et nous regardons s'il y a eu des fatalités récentes (2019-2022).
2️⃣ Nous répétons quatorze fois une analyse ROC (Receiver Operating Characteristic), qui fait varier un seuil de classification binaire sur l'ensemble des valeurs du score de risque. Chaque ROC produit un graphique et une métrique d'AUC (area under the curve).
3️⃣ Ensuite, nous sélectionnons le seuil de 90% (top-10%). Une école dont le score est supérieur au top-10% est pré-diagnostiquée comme à-risque.
4️⃣ Nous calculons diverses métriques, dont la corrélation de Spearman et la valeur prédictive positive (PPV), qui est la proportion de prédictions correctes dans la classe à-risque.
Les résultats sont représentés sous forme :
1️⃣ Pour chaque établissement scolaire, 500 mètres autour, nous calculons la moyenne des scores, et nous regardons s'il y a eu des fatalités récentes (2019-2022).
2️⃣ Nous répétons quatorze fois une analyse ROC (Receiver Operating Characteristic), qui fait varier un seuil de classification binaire sur l'ensemble des valeurs du score de risque. Chaque ROC produit un graphique et une métrique d'AUC (area under the curve).
3️⃣ Ensuite, nous sélectionnons le seuil de 90% (top-10%). Une école dont le score est supérieur au top-10% est pré-diagnostiquée comme à-risque.
4️⃣ Nous calculons diverses métriques, dont la corrélation de Spearman et la valeur prédictive positive (PPV), qui est la proportion de prédictions correctes dans la classe à-risque.
Les résultats sont représentés sous forme :
- de quatorze graphiques (qq-plot, ROC, matrice de confusion) et
- d’un tableau (PPV).
Figure. Protocole d'évaluation de la performance
SAMRoute identifie les zones à-risque
Le score est corrélé positivement avec le nombre d'accidents et est prédictif dans le décile supérieur
Le tableau ci-contre présente une ligne par analyse. Chaque
ligne indique la région, le département, le nombre
d’écoles, le nombre de fatalités, ainsi que trois métriques :
la prévalence, la PPV (valeur prédictive positive) et le
LR+ (rapport de vraisemblance positif). En triant par la
colonne PPV, on observe que 8 départements ont une PPV
supérieure à 90%, et les 6 autres entre 66,1% et 89,1%.
➡️ SAMRoute pré-diagnostique donc, avec un certain succès, les écoles aux abords routiers dangereux.
Les graphiques restituent les analyses par département. On y observe notamment une corrélation positive entre le nombre d'accidents et les scores SAMRoute, avec des coefficients de Spearman (ρ) allant de 0,52 à 0,80 pour p < 0,1%.
➡️ SAMRoute pré-diagnostique donc, avec un certain succès, les écoles aux abords routiers dangereux.
Les graphiques restituent les analyses par département. On y observe notamment une corrélation positive entre le nombre d'accidents et les scores SAMRoute, avec des coefficients de Spearman (ρ) allant de 0,52 à 0,80 pour p < 0,1%.
Composantes des graphique :
1️⃣ Un QQ-plot qui révèle la relation entre le nombre d'accidents (axe des x) et le score moyen des écoles (axe des y), et où chaque point représentant une école.
2️⃣ Un graphique révélant le LR+ pour différents seuils.
3️⃣ Un graphique PR montrant la relation entre la précision et le rappel.
4️⃣ Une courbe ROC qui montre le compromis entre le taux de vrais positifs (sensibilité) et le taux de faux positifs pour différents seuils.
5️⃣ Un résumé des paramètres d'analyse comprend le rayon, les usagers de la route utilisés pour le score de risque, le seuil sélectionné (pour la matrice de confusion et le PPV), la période observée, les niveaux de gravité pris en compte, les usagers de la route impliqués dans les accidents, ainsi que le type d'événement.
6️⃣ Une section où nous rapportons les estimations contextuelles : le nombre de POIs, la superficie totale (km2), la superficie avec un événement (km2), le nombre d'accidents et la prévalence (%).
7️⃣ Une matrice de confusion incluant AP (positif réel), AN (négatif réel), PP (positif prédit), PN (négatif prédit), sensibilité, spécificité, PPV (valeur prédictive positive), NPV (valeur prédictive négative).
8️⃣ Un tableau de synthèse présentant les métriques dont : TPR (taux de vrais positifs), TNR (taux de vrais négatifs), FPR (taux de faux positifs), FNR (taux de faux négatifs), LR+ (rapport de vraisemblance positif), DOR (odd ratio diagnostique), ACC (précision), corrélation de Spearman, erreurs de type I et type II.
1️⃣ Un QQ-plot qui révèle la relation entre le nombre d'accidents (axe des x) et le score moyen des écoles (axe des y), et où chaque point représentant une école.
2️⃣ Un graphique révélant le LR+ pour différents seuils.
3️⃣ Un graphique PR montrant la relation entre la précision et le rappel.
4️⃣ Une courbe ROC qui montre le compromis entre le taux de vrais positifs (sensibilité) et le taux de faux positifs pour différents seuils.
5️⃣ Un résumé des paramètres d'analyse comprend le rayon, les usagers de la route utilisés pour le score de risque, le seuil sélectionné (pour la matrice de confusion et le PPV), la période observée, les niveaux de gravité pris en compte, les usagers de la route impliqués dans les accidents, ainsi que le type d'événement.
6️⃣ Une section où nous rapportons les estimations contextuelles : le nombre de POIs, la superficie totale (km2), la superficie avec un événement (km2), le nombre d'accidents et la prévalence (%).
7️⃣ Une matrice de confusion incluant AP (positif réel), AN (négatif réel), PP (positif prédit), PN (négatif prédit), sensibilité, spécificité, PPV (valeur prédictive positive), NPV (valeur prédictive négative).
8️⃣ Un tableau de synthèse présentant les métriques dont : TPR (taux de vrais positifs), TNR (taux de vrais négatifs), FPR (taux de faux positifs), FNR (taux de faux négatifs), LR+ (rapport de vraisemblance positif), DOR (odd ratio diagnostique), ACC (précision), corrélation de Spearman, erreurs de type I et type II.
Résultats de l'analyse de risque autour des établissements, par département, 2019-2022Calvados (14), Normandie, FranceSarthe (72), Pays-de-la-Loire, FranceOrne (61), Normandie, FranceSeine-Maritime (76), Normandie, FranceVendée (85), Pays-de-la-Loire, FranceMorbihan (56), Bretagne, FranceMayenne (53), Pays-de-la-Loire, FranceManche (50), Normandie, FranceMaine-et-Loire (49), Pays-de-la-LoireLoire-Atlantique (44), Pays-de-la-LoireIlle-et-Vilaine (35), Bretagne, FranceFinistère (29), Bretagne, FranceEure (27), Normandie, FranceCôtes-d'Armor (22), Bretagne, France
Points clés de l'étude de cas
SAMRoute apporte une valeur ajoutée aux gestionnaires d'infrastructure routière
Capacité discriminatoire
Le modèle SAMRoute montre un rapport de vraisemblance positif (LR+) allant de 1.45x à 23.49x, ce qui démontre sa capacité à différencier efficacement les zones à haut risque des zones à faible risque.
Identifie les zones à risque
SAMRoute identifie efficacement les zones à risque autour des écoles, avec une valeur prédictive positive (PPV) supérieure à 90 % dans la plupart des départements.
Évalue de manière proactive
Grâce à un système de prédiction des risques, SAMRoute permet aux parties prenantes d’agir avant la survenue d’accidents, minimisant les coûts humains et économiques.
Aide à prioriser les ressource
En se concentrant sur les 10 % des sites les plus à risque, SAMRoute permet une allocation optimale des ressources pour les améliorations de sécurité.
Décisions à partir des données
SAMRoute s’appuie sur des données fiables (NASA, ESA, OpenStreetMap, etc.) pour fournir des modèles transparents et explicables, garantissant des décisions basées sur des faits concrets.
+ de confiance et transparence
Les prédictions transparentes de SAMRoute permettent aux gestionnaires d'infrastructure de mieux communiquer avec le public et de renforcer la confiance dans les mesures de sécurité.
Les raisons de nous choisir
— Pourquoi SAMRoute peut être une solution innovante contribuant à améliorer la sécurité de l'infrastructure de transport de votre organisation ?
Parce que :
- SAMRoute évalue 100% du réseau, y compris les segments souvent négligés.
- Vous n'êtes pas limités par les frontières administratives.
- Vous anticipez les nouvelles régulations, comme la directive EC 2019/1936 qui impose l'évaluation proactive des routes majeures d'ici 2024.
- En identifiant les segments à risque en amont, vous avez l'opportunité d'éviter les coûts humains et matériels consécutifs à des accidents.
- Le score de risque de SAMRoute est linéaire et explicable, contrairement aux modèles d'IA qui sont non-linéaires et donc opaques.
Découvrez ce que SAMRoute peut faire pour vous
Dites-nous qui vous êtes et nous vous mettrons en relation avec un expert de SAMRoute qui pourra vous en dire plus sur le produit et répondre à vos questions.