Datasets:

jojonocode
/

traffic-prediction-dataset-engineered

language: fr
license: cc-by-4.0
task_categories:
  - time-series-forecasting
tags:
  - smart-city
  - transport
  - traffic-flow
  - deep-learning
  - lstm
pretty_name: Traffic Prediction Engineered Dataset

🚦 Prédiction du Trafic Urbain : Dataset Card

Bienvenue ! Ce dataset n'est pas qu'une simple suite de chiffres ; c'est une vue numérique du pouls de notre ville. Il a été conçu pour entraîner des modèles capables de comprendre le rythme des déplacements urbains sur 4 jonctions clés.

💡 Pourquoi ce Dataset est unique ?

Passer des données brutes à l'intelligence nécessite du soin. Nous avons transformé les colonnes classiques en features intelligentes pour aider les réseaux de neurones (LSTM) à mieux "voir" le temps.

🧠 Le Feature Engineering : Le secret de la précision

1. La perception du temps cyclique (Sin/Cos)

Les machines voient souvent l'heure 23 et l'heure 0 comme les deux points les plus éloignés. Pour un humain, c'est presque le même moment (minuit). Notre solution : Nous projetons l'heure sur un cercle trigonométrique.

# Donner au modèle la notion de cycle
df['hour_sin'] = np.sin(2 * np.pi * df['hour']/24.0)
df['hour_cos'] = np.cos(2 * np.pi * df['hour']/24.0)

2. L'effet miroir du passé (Lags)

veh_lag_1, 2, 3 : Capturent la tendance immédiate.
veh_lag_24 : Capture la routine quotidienne.

📂 Contenu du coffret

Fichier	Utilité
`traffic_original.csv`	La source brute.
`traffic_engineered_full.csv`	La version prête pour l'IA.
`splits/train.csv`	80% des données pour l'apprentissage.
`splits/test.csv`	20% des données pour la validation.