Accident Risk Navigator
Prédit le risque d'accident routier en temps réel et visualise les zones à haut risque sur des cartes interactives grâce au machine learning.
Une plateforme IA full-stack qui prédit le risque d'accident en fonction des conditions routières et météorologiques, et visualise les zones à risque sur des cartes interactives.
Accident Risk Navigator est une plateforme intelligente de sécurité routière conçue pour prédire et visualiser les risques d'accidents grâce au machine learning, couvrant le cycle complet depuis le traitement des données brutes et l'entraînement du modèle jusqu'à une interface web prête pour la production.
Les utilisateurs saisissent un emplacement et reçoivent instantanément un score de risque d'accident alimenté par un classificateur binaire TensorFlow/Keras entraîné. Le modèle prend en compte le type de route, la limite de vitesse, les conditions météorologiques, l'heure de la journée et le type de jonction pour produire une évaluation contextuelle du risque.
Une carte interactive basée sur Leaflet affiche les scores de risque sous forme de superpositions de carte de chaleur sur le réseau routier, permettant aux utilisateurs d'identifier visuellement les zones à haut risque.
Fonctionnalités clés
Prédiction de risque en temps réel
Saisissez n'importe quel emplacement et recevez instantanément un score de risque d'accident du classificateur TensorFlow/Keras entraîné.
Carte de chaleur de risque interactive
Les couches Leaflet visualisent les zones routières à haut risque avec des niveaux d'intensité codés par couleur sur le réseau routier.
Score tenant compte de la météo
Les prédictions de risque intègrent dynamiquement les conditions météo actuelles — pluie, brouillard et route sèche influencent chacun le score.
Analyse des dangers routiers
Le modèle tient compte du type de route, des limites de vitesse et des caractéristiques des jonctions pour une analyse contextuelle du risque.
Tableau de bord analytique
Dashboard Recharts affichant les tendances de distribution des risques, les heures de pointe des accidents et l'importance des variables du modèle.
Stack technique
Architecture
Le système est divisé en deux services : un frontend React + TypeScript pour le rendu des cartes et la visualisation, et une API Python Flask qui sert les prédictions du modèle.
Le modèle Keras est chargé une fois au démarrage Flask et gardé en mémoire. Les couches heatmap Leaflet utilisent un fenêtrage basé sur le viewport avec re-fetch débounced au pan/zoom.
Défis & Solutions
Les problèmes complexes — et comment je les ai résolus.
Feature engineering pour des prédictions significatives
Les datasets bruts avaient des formats incohérents et un mélange de variables numériques et catégorielles. L'essentiel du travail était le feature engineering : normalisation, one-hot encoding et dérivation de features significatives.
Servir le modèle Keras avec faible latence
Charger le modèle à chaque requête introduisait une latence inacceptable. Résolu en le chargeant une fois au démarrage Flask dans une variable globale, avec un sémaphore basique pour les appels concurrents.
Rendu de grands datasets de carte de chaleur sans lag
Tracer des milliers de points simultanément causait un lag significatif. Implémenté un fenêtrage basé sur le viewport avec refetch débounced au pan et zoom.
Plus de projets
ExtMig
Un outil de développement open-source conçu pour améliorer les workflows de migration et la productivité des équipes de développement modernes.
Masroufi
Une plateforme mobile de recrutement complète construite avec Flutter en Clean Architecture et BLoC, supportant trois rôles utilisateurs distincts.
Cat'aloge
Une application mobile alimentée par l'IA qui scanne automatiquement votre galerie et organise les photos d'animaux grâce à une inférence TensorFlow Lite entièrement on-device.
Intéressé par une collaboration ?
Je suis toujours ouvert à discuter de nouveaux projets et opportunités.