| --- |
| 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. |
| ```python |
| # 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. | |
|
|
|
|
|
|
