Réseaux de neurones convolutifs spatio-temporels : Un cadre d'apprentissage profond pour la prévision du trafic

Une prévision de trafic précise et en temps opportun est cruciale pour le contrôle et la guidance du trafic urbain. En raison de la forte non-linéarité et de la complexité des flux de trafic, les méthodes traditionnelles ne peuvent pas satisfaire les exigences des tâches de prédiction à moyen et long terme et négligent souvent les dépendances spatiales et temporelles. Dans cet article, nous proposons un nouveau cadre d'apprentissage profond, les Réseaux de Neurones Convolutifs Spatio-Temporels sur Graphes (STGCN), pour aborder le problème de prédiction des séries temporelles dans le domaine du trafic. Au lieu d'utiliser des unités convolutives et récurrentes régulières, nous formulons le problème sur des graphes et construisons le modèle avec des structures convolutives complètes, ce qui permet une vitesse d'entraînement beaucoup plus rapide avec moins de paramètres. Les expériences montrent que notre modèle STGCN capture efficacement les corrélations spatio-temporelles globales en modélisant des réseaux de trafic multi-échelles et surpassent constamment les meilleures méthodes existantes sur divers jeux de données réels relatifs au trafic.Note : - "Spatio-Temporal Graph Convolutional Networks" a été traduit par "Réseaux de Neurones Convolutifs Spatio-Temporels sur Graphes" (STGCN).- "time series prediction problem" a été traduit par "problème de prédiction des séries temporelles".- "multi-scale traffic networks" a été traduit par "réseaux de trafic multi-échelles".