Dans un climat doux marqué par des températures souvent proches du gel, il est difficile d’identifier les secteurs du réseau routier réclamant un salage une nuit donnée. Des prévisions exactes et granulaires des conditions routières sont nécessaires pour éviter un salage inutile tout en préservant la sécurité des usagers. Nous présentons ici un modèle d’IA de prévision de la température de surface des routes élaboré à l’aide de données relevées par 112 capteurs en réseau dans le Kent, au sud-est de l’Angleterre. S’appuyant sur des prévisions météorologiques et les caractéristiques spécifiques du lieu (altitude, type de route, densité de population, volume de circulation, etc.), le modèle a pu prédire la température de surface des routes 24 heures à l’avance avec une exactitude de plus de 90 % et une erreur absolue moyenne (EAM) de 1 °C. Dans le présent article, nous expliquons comment le modèle peut être utilisé pour anticiper les températures d’un réseau d’itinéraires de salage et exploitons un algorithme de clustering (groupement) afin d’identifier les routes qui gèlent en conditions similaires et de suggérer de nouvelles limites de secteur pour ces itinéraires. Les secteurs optimisés seront testés pour la saison de salage de l’hiver 2020-2021 et devraient améliorer l’efficacité des décisions en matière d’épandage. Nous abordons également le recours possible au modèle d’lA pour établir des prévisions granulaires basées sur les itinéraires et l’intégration possible de ces dernières à un outil d’aide à la prise de décision afin de renforcer encore l’efficacité des décisions.