GMAN : Réseau de Multi-Attention par Graphes pour la Prédiction du Trafic

La prévision à long terme du trafic est particulièrement difficile en raison de la complexité des systèmes de trafic et de la nature changeante de nombreux facteurs influents. Dans cet article, nous nous concentrons sur les facteurs spatio-temporels et proposons un réseau à multi-attention sur graphe (GMAN) pour prédire les conditions de trafic à des étapes futures à différents lieux sur un graphe de réseau routier. GMAN adopte une architecture encodeur-décodeur, où à la fois l’encodeur et le décodeur sont composés de plusieurs blocs d’attention spatio-temporelle afin de modéliser l’impact des facteurs spatio-temporels sur les conditions de trafic. L’encodeur encode les caractéristiques de trafic d’entrée, tandis que le décodeur prédit la séquence de sortie. Entre l’encodeur et le décodeur, une couche d’attention de transformation est appliquée pour transformer les caractéristiques de trafic encodées, générant ainsi les représentations de séquence des étapes futures qui servent d’entrée au décodeur. Le mécanisme d’attention de transformation modélise les relations directes entre les étapes temporelles passées et futures, ce qui aide à atténuer le problème de propagation des erreurs entre les étapes de prédiction. Les résultats expérimentaux sur deux tâches réelles de prévision du trafic (à savoir la prédiction du volume de trafic et celle de la vitesse du trafic) démontrent l’efficacité supérieure de GMAN. En particulier, pour la prédiction à 1 heure à l’avance, GMAN dépasse les méthodes de pointe par une amélioration allant jusqu’à 4 % en termes de mesure d’erreur absolue moyenne (MAE). Le code source est disponible à l’adresse suivante : https://github.com/zhengchuanpan/GMAN.