Les villes intelligentes sont apparues comme un changement de paradigme dans la planification et le développement urbain, intégrant des technologies de pointe pour optimiser divers aspects de l’infrastructure urbaine et améliorer la qualité de vie des résidents et des visiteurs. [1]. Une ville intelligente est un environnement urbain qui intègre diverses technologies et solutions basées sur les données pour améliorer la qualité de vie de ses résidents, améliorer l’efficacité opérationnelle et promouvoir le développement durable. Le concept de ville intelligente implique le déploiement stratégique de technologies avancées, telles que l’Internet des objets (IoT), l’analyse de données, l’intelligence artificielle (IA) et les réseaux de communication, pour relever les défis urbains et optimiser divers aspects de la vie en ville. Une gestion efficace du trafic est un élément crucial des villes intelligentes, car la congestion urbaine et les systèmes de transport inefficaces peuvent avoir un impact substantiel sur la mobilité, la productivité et la durabilité environnementale. [2]. Les méthodes traditionnelles d’analyse et de gestion du trafic reposent souvent sur des modèles trop simplistes qui ne parviennent pas à saisir la complexité dynamique des systèmes de trafic urbain. Ces méthodes sont incapables de fournir des prévisions précises, d’identifier les modèles de congestion ou d’optimiser le flux de trafic. [3]. Par conséquent, il existe une demande croissante de techniques sophistiquées capables d’exploiter la puissance des données et des analyses pour améliorer l’intelligence du trafic dans les villes intelligentes. [4]. L’apprentissage profond, un sous-ensemble de l’apprentissage automatique, a démontré un succès extraordinaire dans l’extraction d’informations précieuses à partir d’ensembles de données massifs et dans la résolution de problèmes complexes. [5]. Grâce à leur capacité à apprendre des représentations hiérarchiques de données, les réseaux de neurones profonds se sont révélés très prometteurs dans divers domaines. [6]. Cependant, en raison de la complexité inhérente et de la non-linéarité des modèles de trafic, il peut être difficile d’appliquer directement les techniques d’apprentissage profond à l’analyse et à la prévision du trafic. [7]. La combinaison des réseaux d’apprentissage profond et de fonctions de base radiale (RBF) constitue une stratégie prometteuse pour améliorer l’intelligence du trafic dans les villes intelligentes. Les réseaux RBF ont été largement utilisés pour les tâches de reconnaissance de formes et d’approximation de fonctions, modélisant efficacement les relations non linéaires en exploitant les propriétés des fonctions de base radiales. [8]. Un réseau RBF approfondi peut identifier des modèles et des dépendances complexes dans les données de trafic en combinant l’adaptabilité et la généralisabilité de l’apprentissage profond avec le pouvoir discriminant des réseaux RBF. Utilisant des réseaux RBF profonds, le but de cette recherche est d’améliorer l’intelligence du trafic dans les villes intelligentes [9]. L’objectif est de surmonter les limites des méthodes conventionnelles d’analyse du trafic et de fournir des prévisions, une détection des embouteillages et des stratégies d’optimisation de la gestion du trafic plus précises pour les zones urbaines. La nouveauté de cette recherche réside dans l’intégration de techniques d’apprentissage profond, notamment les réseaux RBF profonds, avec l’analyse du trafic des villes intelligentes. [10]. L’approche proposée basée sur le RBF profond exploite la structure hiérarchique des réseaux neuronaux profonds pour extraire des informations précieuses à partir d’ensembles de données de trafic à grande échelle, alors que les méthodes conventionnelles échouent souvent à capturer les modèles et la dynamique complexes des systèmes de trafic urbain. [11]. Cette intégration des réseaux d’apprentissage profond et RBF pour la gestion intelligente du trafic dans les villes intelligentes constitue une contribution révolutionnaire dans ce domaine. Les approches traditionnelles d’analyse et de gestion du trafic échouent souvent à capturer les modèles et la dynamique complexes des systèmes de trafic urbain, ce qui entraîne une circulation inefficace, des embouteillages et des stratégies de transport sous-optimales. [12]. Ces limitations entravent la capacité des villes intelligentes à fournir des prévisions de trafic précises, à détecter les schémas de congestion et à optimiser la gestion du trafic. Les méthodes traditionnelles d’analyse du trafic s’appuient souvent sur des modèles simplistes qui ne parviennent pas à capturer les relations complexes et les modèles non linéaires présents dans les données de trafic. [13]. Par conséquent, la précision des prévisions de trafic est compromise, ce qui rend difficile la planification et l’optimisation efficaces des systèmes de transport. L’identification des modèles de congestion est essentielle pour une gestion efficace et rapide du trafic. [14]. Cependant, les méthodes traditionnelles ne parviennent souvent pas à détecter les embouteillages avec précision et en temps réel, ce qui entraîne des retards pour les navetteurs, une augmentation des temps de trajet et de la frustration. Les villes intelligentes se composent de zones diverses avec des schémas de circulation distincts. Généralement, les méthodes conventionnelles emploient une approche combinatoire, qui peut ne pas prendre en compte les exigences et la dynamique uniques de chaque emplacement. [15]. Pour une mobilité efficace dans les villes intelligentes, des stratégies de gestion du trafic personnalisées et optimisées, adaptées aux différentes zones, sont essentielles. Les villes intelligentes génèrent de grandes quantités de données provenant de nombreuses sources, telles que des capteurs, des appareils intelligents et des systèmes de surveillance du trafic. Il peut être difficile pour les méthodes traditionnelles de gérer et d’extraire des informations significatives à partir de ces énormes ensembles de données. Cette abondance de données doit être traitée et utilisée efficacement afin d’améliorer l’intelligence routière. Dans cet article, nous proposons l’utilisation de réseaux RBF profonds comme nouvelle approche pour améliorer l’intelligence du trafic dans les villes intelligentes afin de résoudre ces problèmes. Combinant des techniques d’apprentissage profond avec le pouvoir discriminant des réseaux RBF, la méthode proposée vise à identifier les relations complexes, à détecter les modèles de congestion et à fournir des stratégies de gestion du trafic personnalisées et optimisées.