Seminaire serres andrieu_profils vitesse
-
Upload
guillaumesaintpierre -
Category
Data & Analytics
-
view
498 -
download
0
description
Transcript of Seminaire serres andrieu_profils vitesse
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Modélisation fonctionnelle d’un profil de vitesse deréférence adapté à l’infrastructure
Cindie Andrieu
Directeur de thèse : X. Bressaud (Université Paul Sabatier, Institut deMathématiques de Toulouse)
Encadrant IFSTTAR : G. Saint Pierre (IFSTTAR, LIVIC)
Séminaire SERRES, Bron, 21-22 mars 2013
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 1 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 2 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Gestion de la vitesse
La connaissance de la vitesse réelle pratiquée sur nos routes estessentielle pour :
I Situer les points noirs du réseauI Améliorer la connaissance des temps de parcoursI Connaître les effets de modification de l’infrastructure (ajout
de dos d’ânes, rond-point, ...)
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 3 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Objet d’étude
Profils spatiaux de vitesse = vitesse vs position
Objectif : Construire un profil de vitesse de référence
' "profil moyen"Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 4 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Profil de vitesse de référence
A quoi ça sert ?
I Fournir une vitesse de consigne aux systèmes d’aides à la conduiteembarqués (Intelligent Speed Adaptation Systems) et aux véhicules"intelligents" (ex : Google Car).
I Informer les gestionnaires d’infrastructure de l’impact d’une modificationde l’infrastructure (ajout de ronds-points, de ralentisseurs).
Profils de vitesse de référence actuels ?
I Vitesse de conception (basée sur la géométrie de la route).Inconvénient : nécessite une information très précise de la géométrie de laroute (pente, devers, ...).
I V85 (vitesse en dessous de laquelle circulent 85% des véhicules libres).Inconvénient : fournit plutôt une borne supérieure (vitesse sécuritaire à nepas dépasser) sans tenir compte des conditions de conduite (ex : météo,état des feux).
I Limitation de vitesse.Inconvénient : c’est une borne supérieure.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 5 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Profil de vitesse de référence
A quoi ça sert ?
I Fournir une vitesse de consigne aux systèmes d’aides à la conduiteembarqués (Intelligent Speed Adaptation Systems) et aux véhicules"intelligents" (ex : Google Car).
I Informer les gestionnaires d’infrastructure de l’impact d’une modificationde l’infrastructure (ajout de ronds-points, de ralentisseurs).
Profils de vitesse de référence actuels ?
I Vitesse de conception (basée sur la géométrie de la route).Inconvénient : nécessite une information très précise de la géométrie de laroute (pente, devers, ...).
I V85 (vitesse en dessous de laquelle circulent 85% des véhicules libres).Inconvénient : fournit plutôt une borne supérieure (vitesse sécuritaire à nepas dépasser) sans tenir compte des conditions de conduite (ex : météo,état des feux).
I Limitation de vitesse.Inconvénient : c’est une borne supérieure.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 5 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Moyen de collecte des données
Véhicules traceurs = capteurs mobilesMesures continues de la vitesse et de la position tout au long du
trajet.
Actuellement : flottes privées (taxis, bus, ...).Non représentatif de l’usage réel du réseau. Instrumentation lourde.
Futur proche : Toute personne équipée d’un smartphone.Instrumentation légère.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 6 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Moyen de collecte des données
Véhicules traceurs = capteurs mobilesMesures continues de la vitesse et de la position tout au long du
trajet.
Actuellement : flottes privées (taxis, bus, ...).Non représentatif de l’usage réel du réseau. Instrumentation lourde.
Futur proche : Toute personne équipée d’un smartphone.Instrumentation légère.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 6 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Moyen de collecte des données
Véhicules traceurs = capteurs mobilesMesures continues de la vitesse et de la position tout au long du
trajet.
Actuellement : flottes privées (taxis, bus, ...).Non représentatif de l’usage réel du réseau. Instrumentation lourde.
Futur proche : Toute personne équipée d’un smartphone.Instrumentation légère.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 6 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Objectifs
I Utiliser les mesures répétées de vitesses réellement pratiquées issuesde véhicules traceurs.
I Développer une méthodologie statistique permettant d’extrairedivers profils de vitesse de référence, chacun étant adapté à unesituation de conduite (feu rouge ou vert, trafic libre ou contraint, ...)
Approche statistique fondée sur le comportement longitudinaladopté par les utilisateurs de la route
En pratique : profil spatial de vitesse = succession de mesures horodatéesde position et de vitesse.
Originalité de notre approche : Traiter les profils de vitesse comme desfonctions et non comme des vecteurs de Rn (Functional Data Analysis).
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 7 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Objectifs
I Utiliser les mesures répétées de vitesses réellement pratiquées issuesde véhicules traceurs.
I Développer une méthodologie statistique permettant d’extrairedivers profils de vitesse de référence, chacun étant adapté à unesituation de conduite (feu rouge ou vert, trafic libre ou contraint, ...)
Approche statistique fondée sur le comportement longitudinaladopté par les utilisateurs de la route
En pratique : profil spatial de vitesse = succession de mesures horodatéesde position et de vitesse.
Originalité de notre approche : Traiter les profils de vitesse comme desfonctions et non comme des vecteurs de Rn (Functional Data Analysis).
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 7 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 8 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Quand les données sont des courbes
I Données de nature continue (courbes, images...) dans denombreux domaines. Ex : chimiométrie, météorologie,traitement d’images, ...
I En pratique, observations en un nombre fini de points dediscrétisation ⇒ utilisation de méthodes statistiquesmultivariées usuelles ?
I Méthodes classiques inadéquates lorsque la fréquenced’échantillonnage est élevée :
fléau de la dimension ;Forte corrélation entre les points de discrétisation d’une mêmecourbe.
I Solution : Traiter les données comme des fonctions et noncomme des vecteurs de Rn.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 9 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Quand les données sont des courbes
I Données de nature continue (courbes, images...) dans denombreux domaines. Ex : chimiométrie, météorologie,traitement d’images, ...
I En pratique, observations en un nombre fini de points dediscrétisation ⇒ utilisation de méthodes statistiquesmultivariées usuelles ?
I Méthodes classiques inadéquates lorsque la fréquenced’échantillonnage est élevée :
fléau de la dimension ;Forte corrélation entre les points de discrétisation d’une mêmecourbe.
I Solution : Traiter les données comme des fonctions et noncomme des vecteurs de Rn.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 9 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Quand les données sont des courbes
I Données de nature continue (courbes, images...) dans denombreux domaines. Ex : chimiométrie, météorologie,traitement d’images, ...
I En pratique, observations en un nombre fini de points dediscrétisation ⇒ utilisation de méthodes statistiquesmultivariées usuelles ?
I Méthodes classiques inadéquates lorsque la fréquenced’échantillonnage est élevée :
fléau de la dimension ;Forte corrélation entre les points de discrétisation d’une mêmecourbe.
I Solution : Traiter les données comme des fonctions et noncomme des vecteurs de Rn.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 9 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Quand les données sont des courbes
I Données de nature continue (courbes, images...) dans denombreux domaines. Ex : chimiométrie, météorologie,traitement d’images, ...
I En pratique, observations en un nombre fini de points dediscrétisation ⇒ utilisation de méthodes statistiquesmultivariées usuelles ?
I Méthodes classiques inadéquates lorsque la fréquenced’échantillonnage est élevée :
fléau de la dimension ;Forte corrélation entre les points de discrétisation d’une mêmecourbe.
I Solution : Traiter les données comme des fonctions et noncomme des vecteurs de Rn.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 9 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Avantages de l’AFD
I Permet de prendre en compte la structure sous-jacentefonctionnelle des données : dérivées, intégrales, déphasage dedeux courbes, ...
I Développement de méthodes classiques adaptées aux donnéesfonctionnelles : modèles linéaires, ACP, analyse discriminante,classification ...
I Développement de méthodes spécifiques : recalage de courbes.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 10 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 11 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Lien entre vitesse, position et temps
En pratique : profil spatial de vitesse = succession de mesures horodatéesde position et de vitesse.
Conséquence : Un profil spatial de vitesse peut être manipulé dans lestrois espaces suivants :
Figure: Lien entre les trois espaces : [position × temps], [vitesse × temps] et[vitesse × position].
Principale difficulté : Assurer la correspondance entre vitesse et position(et implicitement temps) afin de préserver les caractéristiquesdynamiques d’un profil de vitesse valide.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 12 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Définition de l’espace ESSP
Définition
Soit xf ∈ R+. Alors l’espace des profils de vitesse spatiaux estdéfini de la façon suivante :ESSP = {vS : [0, xf ] −→ R+ tel qu’il existe un réel positif T et unefonction C2 croissante F : [0,T ] −→ [0, xf ] avec F (0) = 0 tels quevS(x) = F ′(F−1(x)), x ∈ [0, xf ]}
où F−1 est l’inverse généralisée de F défini parF−1(x) = inf {t ∈ [0,T ],F (t) = x}.
Figure: Diagramme fonctionnel.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 13 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Propriétés de l’espace ESSP
Propriétés
I Positivité
I Continuité
I Sous certaines hypothèses (faibles), non dérivabilité en tout point deH0 = {x ∈ [0, xf ], vS(x) = 0}.
Figure: Point de rebroussement de 1ère espèce.
I La somme de deux profils spatiaux de vitesse n’est pas toujours unprofil spatial de vitesse (cas où l’un s’annule en x0 mais pas l’autre).
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 14 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 15 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Introduction
Données : mesures bruitées (yi , xi ), i = 1, . . . , n, de la position et de lavitesse du véhicule issues de capteurs.
Objectif : Estimer au mieux le vrai profil vS par un estimateur v̂S .
Modélisation : Modèle de régression non paramétrique :
yi = vS(xi ) + εi , i = 1, . . . , n
où les εi sont les erreurs non corrélés entre elles, de moyenne 0 et devariance σ2 et vS est la fonction de régression que l’on cherche à estimer.
Contrainte : L’estimateur v̂S doit appartenir à l’espace ESSP des profilsspatiaux de vitesse ⇒ Non dérivabilité en tout point deH0 = {x ∈ [0, xf ], v̂S(x) = 0}
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 16 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Introduction
Données : mesures bruitées (yi , xi ), i = 1, . . . , n, de la position et de lavitesse du véhicule issues de capteurs.
Objectif : Estimer au mieux le vrai profil vS par un estimateur v̂S .
Modélisation : Modèle de régression non paramétrique :
yi = vS(xi ) + εi , i = 1, . . . , n
où les εi sont les erreurs non corrélés entre elles, de moyenne 0 et devariance σ2 et vS est la fonction de régression que l’on cherche à estimer.
Contrainte : L’estimateur v̂S doit appartenir à l’espace ESSP des profilsspatiaux de vitesse ⇒ Non dérivabilité en tout point deH0 = {x ∈ [0, xf ], v̂S(x) = 0}
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 16 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Introduction
Données : mesures bruitées (yi , xi ), i = 1, . . . , n, de la position et de lavitesse du véhicule issues de capteurs.
Objectif : Estimer au mieux le vrai profil vS par un estimateur v̂S .
Modélisation : Modèle de régression non paramétrique :
yi = vS(xi ) + εi , i = 1, . . . , n
où les εi sont les erreurs non corrélés entre elles, de moyenne 0 et devariance σ2 et vS est la fonction de régression que l’on cherche à estimer.
Contrainte : L’estimateur v̂S doit appartenir à l’espace ESSP des profilsspatiaux de vitesse ⇒ Non dérivabilité en tout point deH0 = {x ∈ [0, xf ], v̂S(x) = 0}
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 16 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Changement d’espace d’étude
Figure: Lien entre les trois espaces : [position × temps], [vitesse × temps] et[vitesse × position].
Principe : On se place dans l’espace [position × temps] et l’on cherche àestimer la fonction F représentant la distance parcourue au cours du temps.Modèle de régression non paramétrique :
yi = F (ti ) + εi , i = 1, . . . , n
où les yi sont les "observations" bruitées de la distance parcourue (obtenuesavec l’un des deux estimateurs de position), les εi sont les erreurs non corrélésentre elles, de moyenne 0 et de variance σ2 et F (t) est la fonction de régressionque l’on cherche à estimer.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 17 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Changement d’espace d’étude
Figure: Lien entre les trois espaces : [position × temps], [vitesse × temps] et[vitesse × position].
Principe : On se place dans l’espace [position × temps] et l’on cherche àestimer la fonction F représentant la distance parcourue au cours du temps.Modèle de régression non paramétrique :
yi = F (ti ) + εi , i = 1, . . . , n
Avantage : La seule contrainte sur l’estimateur F̂ est une contrainte de monoto-nie.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 17 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Changement d’espace d’étude
Figure: Lien entre les trois espaces : [position × temps], [vitesse × temps] et[vitesse × position].
Principe : On se place dans l’espace [position × temps] et l’on cherche àestimer la fonction F représentant la distance parcourue au cours du temps.Modèle de régression non paramétrique :
yi = F (ti ) + εi , i = 1, . . . , n
On en déduit une estimation du profil spatial de vitesse par :
v̂S(x) = F̂ ′(F̂−1(x))
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 17 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 18 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Construction des fonctions
Principe : Décomposition de la fonction F dans une base de fonctions :
F (t) =K∑
k=1
ckφk(t)
Exemples de base de fonctions :I monômes (fonctions polynomiales)I base de Fourier (fonctions périodiques)I splines (polynômes par morceaux)I ondelettes, . . .
Intérêt :I expression explicite de F ;I cadre d’étude de dim. finie (même si F ∈ espace de dim. infinie) ;I réduction de la dimension (généralement K � n) ;I possibilité d’effectuer des opérations fonctionnelles telles que la
dérivée.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 19 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Construction des fonctions
Principe : Décomposition de la fonction F dans une base de fonctions :
F (t) =K∑
k=1
ckφk(t)
Exemples de base de fonctions :I monômes (fonctions polynomiales)I base de Fourier (fonctions périodiques)I splines (polynômes par morceaux)I ondelettes, . . .
Intérêt :I expression explicite de F ;I cadre d’étude de dim. finie (même si F ∈ espace de dim. infinie) ;I réduction de la dimension (généralement K � n) ;I possibilité d’effectuer des opérations fonctionnelles telles que la
dérivée.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 19 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Construction des fonctions
Principe : Décomposition de la fonction F dans une base de fonctions :
F (t) =K∑
k=1
ckφk(t)
Exemples de base de fonctions :I monômes (fonctions polynomiales)I base de Fourier (fonctions périodiques)I splines (polynômes par morceaux)I ondelettes, . . .
Intérêt :I expression explicite de F ;I cadre d’étude de dim. finie (même si F ∈ espace de dim. infinie) ;I réduction de la dimension (généralement K � n) ;I possibilité d’effectuer des opérations fonctionnelles telles que la
dérivée.Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 19 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Méthode de régularisation : lissage avec pénalité
Principe : Contrôler la régularité de la fonction par l’ajout d’unepénalité.
Minimisation du critère des moindres carrés pénalisés :
PENSSEλ =n∑
i=1
(yi − F (ti ))2︸ ︷︷ ︸Fidélité aux donnés
+λ
∫ T
0(F (m)(t))2dt︸ ︷︷ ︸Régularité
où λ est le paramètre de lissage qui contrôle le compromisbiais-variance.
Choix du paramètre λ :I Méthodes de sélection automatique (CV, GCV) ;I Sélection "à la main".
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 20 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Méthode de régularisation : lissage avec pénalité
Principe : Contrôler la régularité de la fonction par l’ajout d’unepénalité.
Minimisation du critère des moindres carrés pénalisés :
PENSSEλ =n∑
i=1
(yi − F (ti ))2︸ ︷︷ ︸Fidélité aux donnés
+λ
∫ T
0(F (m)(t))2dt︸ ︷︷ ︸Régularité
où λ est le paramètre de lissage qui contrôle le compromisbiais-variance.
Choix du paramètre λ :I Méthodes de sélection automatique (CV, GCV) ;I Sélection "à la main".
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 20 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Méthode de régularisation : lissage avec pénalité
Principe : Contrôler la régularité de la fonction par l’ajout d’unepénalité.
Minimisation du critère des moindres carrés pénalisés :
PENSSEλ =n∑
i=1
(yi − F (ti ))2︸ ︷︷ ︸Fidélité aux donnés
+λ
∫ T
0(F (m)(t))2dt︸ ︷︷ ︸Régularité
où λ est le paramètre de lissage qui contrôle le compromisbiais-variance.
Choix du paramètre λ :I Méthodes de sélection automatique (CV, GCV) ;I Sélection "à la main".
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 20 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Existence et unicité des splines de lissage
On suppose que F appartient à l’espace de Sobolev :
W m[0,T ] = {f : f , f ′, . . . , f (m−1) absolument continues
et f (m) ∈ L2[0,T ]}
Alors dans cet espace, il existe une unique fonction F̂ qui minimise
n∑i=1
(yi − F (ti ))2 + λ
∫ T
0(F (m)(t))2dt
Cette fonction est une spline polynomiale naturelle d’ordre 2mayant pour noeuds les points d’échantillonnage t1, . . . , tn.
Remarque : Généralement, m = 2 : spline cubique.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 21 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 22 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Splines de lissage : utilisation de la théorie des RKHS
Lissage à partir d’observations sur f et f’ :{yi = f (ti ) + εi , i = 1, . . . , ny ′i = f ′(ti ) + ε′i , i = 1, . . . , n
Critère à minimiser dans l’espace de Sobolev H = W m[0,T ] :
1n{
n∑i=1
wi (yi−f (ti ))2+n∑
i=1
(1−wi )(y ′i −f ′(ti ))2}+λ
∫ T
0(f (m)(t))2dt (1)
On décompose H = H0⊕H1 où H0 = vect{φν , ν = 1, . . . ,m} (e.v. de
dim. finie) et H1 est un RKHS de noyau R1(s, t).D’après le th. de Kimeldorf et Wahba, le critère (1) admet un uniqueminimum donné par :
f̂ (t) =m∑
ν=1
dνφν(t) +n∑
i=1
ciR1(ti , t) +n∑
i=1
c ′i∂
∂sR1(s, t)|s=ti
où les coefficients dν , ci et c ′i sont estimés à partir des observations.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 23 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Splines de lissage : utilisation de la théorie des RKHS
Lissage à partir d’observations sur f et f’ :{yi = f (ti ) + εi , i = 1, . . . , ny ′i = f ′(ti ) + ε′i , i = 1, . . . , n
Critère à minimiser dans l’espace de Sobolev H = W m[0,T ] :
1n{
n∑i=1
wi (yi−f (ti ))2+n∑
i=1
(1−wi )(y ′i −f ′(ti ))2}+λ
∫ T
0(f (m)(t))2dt (1)
On décompose H = H0⊕H1 où H0 = vect{φν , ν = 1, . . . ,m} (e.v. de
dim. finie) et H1 est un RKHS de noyau R1(s, t).D’après le th. de Kimeldorf et Wahba, le critère (1) admet un uniqueminimum donné par :
f̂ (t) =m∑
ν=1
dνφν(t) +n∑
i=1
ciR1(ti , t) +n∑
i=1
c ′i∂
∂sR1(s, t)|s=ti
où les coefficients dν , ci et c ′i sont estimés à partir des observations.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 23 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Splines de lissage : utilisation de la théorie des RKHS
Lissage à partir d’observations sur f et f’ :{yi = f (ti ) + εi , i = 1, . . . , ny ′i = f ′(ti ) + ε′i , i = 1, . . . , n
Critère à minimiser dans l’espace de Sobolev H = W m[0,T ] :
1n{
n∑i=1
wi (yi−f (ti ))2+n∑
i=1
(1−wi )(y ′i −f ′(ti ))2}+λ
∫ T
0(f (m)(t))2dt (1)
On décompose H = H0⊕H1 où H0 = vect{φν , ν = 1, . . . ,m} (e.v. de
dim. finie) et H1 est un RKHS de noyau R1(s, t).D’après le th. de Kimeldorf et Wahba, le critère (1) admet un uniqueminimum donné par :
f̂ (t) =m∑
ν=1
dνφν(t) +n∑
i=1
ciR1(ti , t) +n∑
i=1
c ′i∂
∂sR1(s, t)|s=ti
où les coefficients dν , ci et c ′i sont estimés à partir des observations.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 23 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 24 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Lissage monotone : méthode de J. Ramsay (1998)
Principe : Se ramener à un problème de lissage sans contraintes.
Idée : Toute fonction f strict. monotone vérifie l’équationdifférentielle suivante :
D2f (t) = w(t)Df (t)
où w(t) est une fonction sans contraintes.
Par conséquent, toute fonction f strict. monotone peut s’écrire sousla forme (sol. de l’ODE) :
f (t) = β0 + β1
∫ t
0exp[
∫ u
0w(v)dv ]du
Le problème revient alors à estimer la fonction w(t) (noncontrainte) et les constantes β0 et β1.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 25 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Lissage monotone : méthode de J. Ramsay (1998)
Principe : Se ramener à un problème de lissage sans contraintes.
Idée : Toute fonction f strict. monotone vérifie l’équationdifférentielle suivante :
D2f (t) = w(t)Df (t)
où w(t) est une fonction sans contraintes.
Par conséquent, toute fonction f strict. monotone peut s’écrire sousla forme (sol. de l’ODE) :
f (t) = β0 + β1
∫ t
0exp[
∫ u
0w(v)dv ]du
Le problème revient alors à estimer la fonction w(t) (noncontrainte) et les constantes β0 et β1.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 25 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Lissage monotone : méthode de J. Ramsay (1998)
Principe : Se ramener à un problème de lissage sans contraintes.
Idée : Toute fonction f strict. monotone vérifie l’équationdifférentielle suivante :
D2f (t) = w(t)Df (t)
où w(t) est une fonction sans contraintes.
Par conséquent, toute fonction f strict. monotone peut s’écrire sousla forme (sol. de l’ODE) :
f (t) = β0 + β1
∫ t
0exp[
∫ u
0w(v)dv ]du
Le problème revient alors à estimer la fonction w(t) (noncontrainte) et les constantes β0 et β1.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 25 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 26 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Données brutes : Section de 1500m avec un stop et un feu.
●
0 50 100 150 200
050
010
0015
00
Distance as function of time (42 curves) Raw data (odometer)
Time (sec)
Dis
tanc
e (m
)
●
0 50 100 150 200
020
4060
80
Speed as function of time (42 curves) Raw data (speed Bus CAN)
Time (sec)
Spe
ed (
km/h
)
●
0 500 1000 1500
020
4060
80
Speed as function of Distance (42 curves) Raw data (speed Bus CAN vs odometer)
Distance (m)
Spe
ed (
km/h
)
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 27 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Lissage avec obs. sur la dérivée puis lissage monotone.
●
0 50 100 150 200
050
010
0015
00
Distance as function of time (42 curves) Smoothing spline (quintic) using derivative info and monotonization
Time (sec)
Dis
tanc
e (m
)
●
0 50 100 150 200
020
4060
80
Speed as function of time (42 curves) Smoothing spline (quintic) using derivative info and monotonization
Time (sec)
Spe
ed (
km/h
)
●
0 500 1000 1500
020
4060
80
Speed as function of Distance (42 curves) Smoothing spline (quintic) using derivative info and monotonization
Distance (m)
Spe
ed (
km/h
)
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 28 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Profils moyens : cas feu rouge / feu vert
0 500 1000 1500
020
4060
80
Speed as function of Distance (25 curves + mean curve) Red light case
Distance (m)
Spe
ed (
km/h
)
mean curve
0 500 1000 1500
020
4060
80
Speed as function of Distance (17 curves + mean curve) Green light case
Distance (m)
Spe
ed (
km/h
)
mean curve
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 29 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 30 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Recalage des courbes : alignement à partir de landmarks
Def : landmarks = ensemble de points caractéristiques d’une courbe(ex : position de maxima, de minima, de points d’inflexion).
Principe : déterminer des transformations qui mettent encorrespondance les landmarks qui sont communs à l’ensemble descourbes devant être recalés.
Exemple de 2 courbes : On suppose que l’on dispose de deuxensembles de N landmarks (τ1,1, . . . , τ1,N) et (τ2,1, . . . , τ2,N)obtenus à partir de la forme des courbes f1 et f2.On cherche alors une application u, strictement croissante, telle quepour tout i = 1, . . . ,N : τ2,i = u(τ1,i )
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 31 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Profils moyens après recalage : cas feu rouge / feu vert
0 500 1000 1500
020
4060
80
Speed as function of Distance : registered curves (25 curves + mean curve) Red light case
Distance (m)
Spe
ed (
km/h
)
mean curve
0 500 1000 1500
020
4060
80
Speed as function of Distance : registered curves (17 curves + mean curve) Green light case
Distance (m)
Spe
ed (
km/h
)
mean curve
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 32 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 33 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Boxplots classiques
●●●
●
●
●
●
●●
●
●●
●
●
●
●●●●
●
●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●●
●●●●
●
●●
●
●●
●●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●●●●●●
●
●
●●
●●●●
●
●
●
●
●
●
●
●
●
●●
●
●●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●●●●●
●
●●●●●●●●●
0 500 1000 1500
020
4060
80
Pointwise Boxplots (25 curves − distance sampling : 10m) Red light case
Distance (m)
Spe
ed (
km/h
)
●●
●
●
●●●
●
●●●●●●●●●●●●
●
●
●
●
●●● ●●●●●
●
●
●
●
●
●
●
●
●
●●●
●
●●
●
●
●
●
●
●
●
●
●●●●
0 500 1000 1500
020
4060
80
Pointwise Boxplots (17 curves − distance sampling : 10m) Green light case
Distance (m)
Spe
ed (
km/h
)
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 34 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Functional Boxplots (Sun and Genton, 2011)
Idée : Etendre la notion classique de boxplots au cas fonctionnel.
Principe : Ordonner les courbes par leur "profondeur".
Exemples de profondeur :I Band depth : BD(f ) = nombre de bandes contenant la courbe
f par rapport au nombre total de bandes.I Modified Band depth : MBD(f ) = prend en compte le % de
temps que f appartient à chaque bande. (Si f appartiententièrement à chaque bande, alors MBD(f ) = BD(f ))
La médiane est la courbe ayant la plus grande valeur de profondeur.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 35 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Functional Boxplots (Sun and Genton, 2011)
Idée : Etendre la notion classique de boxplots au cas fonctionnel.
Principe : Ordonner les courbes par leur "profondeur".
Exemples de profondeur :I Band depth : BD(f ) = nombre de bandes contenant la courbe
f par rapport au nombre total de bandes.I Modified Band depth : MBD(f ) = prend en compte le % de
temps que f appartient à chaque bande. (Si f appartiententièrement à chaque bande, alors MBD(f ) = BD(f ))
La médiane est la courbe ayant la plus grande valeur de profondeur.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 35 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Functional Boxplots (Sun and Genton, 2011)
Idée : Etendre la notion classique de boxplots au cas fonctionnel.
Principe : Ordonner les courbes par leur "profondeur".
Exemples de profondeur :I Band depth : BD(f ) = nombre de bandes contenant la courbe
f par rapport au nombre total de bandes.I Modified Band depth : MBD(f ) = prend en compte le % de
temps que f appartient à chaque bande. (Si f appartiententièrement à chaque bande, alors MBD(f ) = BD(f ))
La médiane est la courbe ayant la plus grande valeur de profondeur.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 35 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Functional Boxplots (Sun and Genton, 2011)
Idée : Etendre la notion classique de boxplots au cas fonctionnel.
Principe : Ordonner les courbes par leur "profondeur".
Exemples de profondeur :I Band depth : BD(f ) = nombre de bandes contenant la courbe
f par rapport au nombre total de bandes.I Modified Band depth : MBD(f ) = prend en compte le % de
temps que f appartient à chaque bande. (Si f appartiententièrement à chaque bande, alors MBD(f ) = BD(f ))
La médiane est la courbe ayant la plus grande valeur de profondeur.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 35 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Functional Boxplots
0 500 1000 1500
020
4060
80
Enhanced functional boxplot with Modified Band Depth (25 curves) Red light case
Distance (m)
Spe
ed (
km/h
)
25% central region 50% central region 75% central region
0 500 1000 1500
020
4060
80
Enhanced functional boxplot with Modified Band Depth (17 curves) Green light case
Distance (m)
Spe
ed (
km/h
)
25% central region 50% central region 75% central region
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 36 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Exemples de profils de vitesse de référence
0 500 1000 1500
020
4060
80
Examples of reference speed profiles (case red light)
dist_eval
med
ian_
mbd
_red
light
.vec
* 3
.6
mean median (MBD) V85
0 500 1000 1500
020
4060
80
Examples of reference speed profiles (case green light)
dist_eval
med
ian_
mbd
_gre
enlig
ht.v
ec *
3.6
mean median (MDB) V85
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 37 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Functional boxplots : application à l’éco-conduite
0 500 1000 1500
020
4060
80
Enhanced Functional boxplot with Modified Band Depth (14 curves) Normal driving − Red light case
Distance (m)
Spe
ed (
km/h
)
25% central region 50% central region 75% central region
0 500 1000 1500
020
4060
80
Enhanced Functional boxplot with Modified Band Depth (11 curves) Eco driving − Red light case
Distance (m)
Spe
ed (
km/h
)
25% central region 50% central region 75% central region
0 500 1000 1500
020
4060
80
Enhanced Functional boxplot with Modified Band Depth (7 curves) Normal driving − Green light case
Distance (m)
Spe
ed (
km/h
)
25% central region 50% central region 75% central region
0 500 1000 1500
020
4060
80
Enhanced Functional boxplot with Modified Band Depth (10 curves) Eco driving − Green light case
Distance (m)
Spe
ed (
km/h
)
25% central region 50% central region 75% central region
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 38 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Plan1 Introduction
ContexteObjectifs
2 Généralités sur l’Analyse des Données Fonctionnelles (AFD)3 Modélisation fonctionnelle des profils spatiaux de vitesse
DéfinitionPropriétés
4 Lissage sous contraintesChangement d’espace d’étudeDes données brutes aux fonctions : l’étape de lissage1ère étape : Ajout des observations sur la vitesse2ème étape : Lissage sous contrainte de monotonie
5 ApplicationDes données brutes aux courbesRecalage de courbesEnveloppes de vitesses
6 ConclusionCindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 39 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Conclusion
I Application de l’Analyse des Données Fonctionnelles aux profilsde vitesse :
permet de garder le caractère fonctionnel sous-jacent desdonnées ;facilite le calcul des dérivées et intégrales ;utilisation de méthodes spécifiques : recalage de courbes.
I Développement de méthodes de lissage appropiées aux profilsde vitesse :
splines de lissage (permet de contrôler le degré de lissage avecun unique paramètre) ;généralisation des splines de lissage au cas où l’on disposed’observations sur f et sa dérivée f ′ ;lissage sous contraintes de monotonie.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 40 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Conclusion
I Application de l’Analyse des Données Fonctionnelles aux profilsde vitesse :
permet de garder le caractère fonctionnel sous-jacent desdonnées ;facilite le calcul des dérivées et intégrales ;utilisation de méthodes spécifiques : recalage de courbes.
I Développement de méthodes de lissage appropiées aux profilsde vitesse :
splines de lissage (permet de contrôler le degré de lissage avecun unique paramètre) ;généralisation des splines de lissage au cas où l’on disposed’observations sur f et sa dérivée f ′ ;lissage sous contraintes de monotonie.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 40 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Perspectives
Exemples d’application de la construction d’enveloppes de vitesse :I développement d’un système ISA basé sur les vitesses
pratiquées ;I étude de l’impact (sécuritaire, environnemental) d’une
modification de l’infrastructure ;I enrichissement des cartes numériques (détection d’éléments de
l’infrastructure).
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 41 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Merci de votre attention
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 42 / 43
Introduction ADF Modélisation fonctionnelle Lissage sous contraintes Application Conclusion
Bibliographie
Ramsay, J.O. and Silverman, B.W. (2005)Functional Data Analysis, Second Edition.Springer Series in Statistics.
Berlinet, A. and Thomas-Agnan, C. (2004)Reproducing Kernel Hilbert Spaces in Probability and Statistics.Kluwer Academic.
Wang Y. (2011)Smoothing Splines : Methods and Applications.Chapman and Hall/CRC
Ramsay, J. (1998)Estimating smooth monotone fonctions.Journal of the Royal Statistical Society : Series B, vol. 60(2), pp. 365-375.
Sun, Y. and Genton, M. G. (2011)Functional boxplots.Journal of Computational and Graphical Statistics 20 : 316-334.
Andrieu, C. and Saint Pierre, G. and Bressaud, X. (2012)Modélisation fonctionnelle et lissage sous contraintes d’un profil spatial de vitesse.44ème Journées de Statistique, Bruxelles, Belgique.
Andrieu, C. and Saint Pierre, G. and Bressaud, X. (2013)Estimation of space-speed profiles : A functional approach using smoothing splines.IV2013, Gold Coast, Australia.
Cindie Andrieu Modélisation fonctionnelle d’un profil de vitesse de référence 43 / 43