Graph WaveNet pour la modélisation profonde spatio-temporelle des graphes

La modélisation de graphes spatio-temporels est une tâche importante pour analyser les relations spatiales et les tendances temporelles des composants dans un système. Les approches existantes capturent principalement la dépendance spatiale sur une structure de graphe fixe, en supposant que la relation sous-jacente entre les entités est préétablie. Cependant, la structure de graphe explicite (relation) ne reflète pas nécessairement la véritable dépendance, et des relations authentiques peuvent manquer en raison de connexions incomplètes dans les données. De plus, les méthodes existantes sont inefficaces pour capturer les tendances temporelles, car les réseaux de neurones récurrents (RNN) ou convolutifs (CNN) utilisés dans ces méthodes ne peuvent pas saisir des séquences temporelles à long terme. Pour surmonter ces limitations, nous proposons dans cet article une nouvelle architecture de réseau neuronal graphique, Graph WaveNet, pour la modélisation de graphes spatio-temporels. En développant une nouvelle matrice de dépendance adaptative et en l'apprenant par le biais d'embeddings nodaux, notre modèle peut capturer avec précision la dépendance spatiale cachée dans les données. Grâce à un composant de convolution 1D dilatée empilée dont le champ récepteur s'élargit exponentiellement avec l'augmentation du nombre de couches, Graph WaveNet est capable de traiter des séquences très longues. Ces deux composants sont intégrés sans heurt dans un cadre unifié et l'ensemble du cadre est appris selon une méthode bout-à-bout. Les résultats expérimentaux sur deux jeux de données publics de réseau routier, METR-LA et PEMS-BAY, démontrent la supériorité des performances de notre algorithme.