Apprentissage profond de séquences avec des informations auxiliaires pour la prédiction du trafic

Prédire les conditions de circulation à partir de requêtes de trajets en ligne est une tâche complexe, car il existe de nombreuses interactions compliquées entre les routes et les foules. Dans cet article, nous visons à améliorer la prédiction du trafic par l'intégration appropriée de trois types de facteurs implicites mais essentiels codés dans des informations auxiliaires. Nous le faisons au sein d'un cadre d'apprentissage séquentiel encodeur-décodeur qui intègre les données suivantes : 1) attributs géographiques et sociaux hors ligne. Par exemple, la structure géographique des routes ou des événements sociaux publics tels que les célébrations nationales ; 2) informations sur les intersections routières. En général, les embouteillages se produisent aux principaux carrefours ; 3) requêtes en ligne de la foule. Par exemple, lorsque de nombreuses requêtes en ligne sont émises pour la même destination en raison d'une performance publique, le trafic autour de cette destination pourrait potentiellement s'intensifier après un certain temps. Des expériences qualitatives et quantitatives menées sur un jeu de données réel provenant de Baidu ont démontré l'efficacité de notre cadre.