Amélioration incrémentale des performances de Graph WaveNet en prédiction de trafic

Nous présentons une série de modifications qui améliorent les performances précédemment état-de-l’art de Graph WaveNet sur la tâche de prédiction du trafic METR-LA. L’objectif de cette tâche consiste à prédire la vitesse future du trafic à chaque capteur d’un réseau à partir des lectures des capteurs des dernières soixante minutes. Graph WaveNet (GWN) est un réseau neuronal graphique spatio-temporel qui alterne des convolutions sur graphe pour agréger les informations provenant des capteurs voisins et des convolutions dilatées pour agréger les informations issues du passé. Nous améliorons GWN en (1) utilisant des hyperparamètres plus performants, (2) en ajoutant des connexions permettant une propagation plus efficace des gradients vers les couches convolutionnelles initiales, et (3) en pré-entraînant le modèle sur une tâche de prédiction à court terme plus simple. Ces modifications réduisent l’erreur absolue moyenne de 0,06 sur la tâche METR-LA, une amélioration quasi équivalente à celle apportée par GWN par rapport à son prédécesseur. Ces améliorations se généralisent au jeu de données PEMS-BAY, avec une amélioration relative similaire. Nous montrons également que l’ensemblage de modèles distincts pour les prédictions à court et à long terme améliore davantage les performances. Le code est disponible à l’adresse suivante : https://github.com/sshleifer/Graph-WaveNet.