Logo Lanfrica

IoT-based Distributed Platform for Intelligent Urban Traffic Management: Architecture, Modules and Experimental Results Plateforme IoT Distribuée pour la Gestion Intelligente de la Circulation Urbaine : Architecture, Modules et Résultats Expérimentaux

Domaine:

mobilitydigital infrastructure

Type de record:

papersoftwaremodel
Créateur:
LouPea
Éditeur:
Uni
Éditeur:
CCSD
Hôte:avatar
soumission à Episciences The rapid demographic growth of African cities generates chronic road congestion with severe economic, social and environmental consequences. This article presents a distributed IoT platform designed to optimize urban traffic management in Benin. The architecture relies on three interconnected modules: an Intelligent Camera Module embedding YOLOv8n on Raspberry Pi 5 for real-time vehicle detection, tracking and speed estimation; a Central Server Module (VPS) orchestrating data collection, aggregation and exposure via REST, WebSocket and WebRTC APIs; and a VMS Module (Variable Message Sign) providing traffic information to drivers on P10 LED matrices. Trained on 24,239 images collected on Cotonou road axes, the YOLOv8n model achieves precision P ≈ 98%, recall R ≈ 90% and mAP50 ≈ 90% for five vehicle categories. The platform is operational and deployed online. La croissance démographique rapide des villes africaines engendre une congestion routière chronique aux conséquences économiques, sociales et environnementales sévères. Cet article présente une plateforme IoT distribuée conçue pour optimiser la gestion de la circulation urbaine au Bénin. L'architecture repose sur trois modules interconnectés : un Module Caméra Intelligente embarquant YOLOv8n sur Raspberry Pi 5 pour la détection, le suivi et l'estimation de vitesse des véhicules en temps réel ; un Module Serveur Central (VPS) orchestrant la collecte, l'agrégation et l'exposition des données via des API REST, WebSocket et WebRTC ; et un Module VMS (Variable Message Sign) restituant les informations aux conducteurs sur matrices LED P10. Entraîné sur 24 239 images collectées sur les axes routiers de Cotonou, le modèle YOLOv8n atteint une précision P ≈ 98 %, un rappel R ≈ 90 % et un mAP50 ≈ 90 % pour cinq catégories de véhicules. La plateforme est opérationnelle et déployée en ligne.

Similaires