T-GCN : Un Réseau de Convolution Graphique Temporel pour la Prédiction du Trafic

La prévision précise et en temps réel du trafic joue un rôle important dans le Système de Trafic Intelligent et est d'une grande importance pour la planification, la gestion et le contrôle du trafic urbain. Cependant, la prévision du trafic a toujours été considérée comme une question scientifique ouverte, en raison des contraintes liées à la structure topologique du réseau routier urbain et aux lois de changement dynamique au fil du temps, c'est-à-dire la dépendance spatiale et temporelle. Pour capturer simultanément la dépendance spatiale et temporelle, nous proposons une nouvelle méthode de prévision du trafic basée sur les réseaux neuronaux, le modèle de réseau convolutif graphique temporel (T-GCN), qui combine le réseau convolutif graphique (GCN) et l'unité récurrente à porte (GRU). Plus précisément, le GCN est utilisé pour apprendre des structures topologiques complexes afin de capturer la dépendance spatiale, tandis que l'unité récurrente à porte est utilisée pour apprendre les changements dynamiques des données de trafic afin de capturer la dépendance temporelle. Ensuite, le modèle T-GCN est appliqué à la prévision du trafic basée sur le réseau routier urbain. Les expériences montrent que notre modèle T-GCN peut extraire la corrélation spatio-temporelle des données de trafic et que ses prédictions surpassent les méthodes de référence les plus avancées sur des jeux de données réels de trafic. Notre implémentation de T-GCN avec TensorFlow est disponible sur https://github.com/lehaifeng/T-GCN.