Etudiant : FATACH YOUSSEF

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. YAHYAOUYI ALI

Annèe : 2026

Résumé : La congestion du trafic urbain représente un défi économique et écologique majeur pour les métropoles modernes. Face à l'incapacité des systèmes de régulation statiques classiques à s'adapter aux asymétries et aux fluctuations imprévisibles des véhicules, ce projet propose une approche novatrice basée sur l'Apprentissage Automatique Avancé. L'objectif de ce travail est de concevoir, développer et évaluer un système de contrôle de trafic intelligent fondé sur l'Apprentissage par Renforcement Multi-Agents. Afin de garantir une applicabilité universelle, notre architecture intègre un pipeline automatisé capable d'extraire dynamiquement n'importe quelle topologie routière réelle mondiale via OpenStreetMap (OSMnx). Deux modèles décisionnels ont été implémentés et encapsulés au sein d'une plateforme de simulation web interactive (Streamlit) : un agent local indépendant (TC1) et un agent coopératif avancé (TC2). Les expérimentations rigoureuses, menées notamment sur des réseaux urbains fortement asymétriques, démontrent que le modèle TC2, grâce à ses mécanismes d'anticipation spatiale (Look-ahead) et de partage de paramètres (Parameter Sharing), surpasse largement les méthodes traditionnelles. Il prévient efficacement les congestions en cascade (Gridlock) et réduit significativement le temps d'attente global, constituant ainsi une solution logicielle robuste pour la gestion des futures Smart Cities.