Réseau de convolution de graphe spatio-temporel bayésien pour la prévision du trafic

Dans la prévision du trafic, les réseaux de convolution sur graphe (GCN), qui modélisent les flux de trafic sous forme de graphes spatio-temporels, ont obtenu des performances remarquables. Toutefois, les méthodes basées sur les GCN existantes définissent de manière heuristique la structure du graphe selon la topologie physique du réseau routier, tout en ignorant les dépendances potentielles entre cette structure et les données de trafic. De plus, la structure du graphe ainsi définie est déterministe, ce qui exclut toute prise en compte de l’incertitude. Dans cet article, nous proposons un réseau de convolution sur graphe spatio-temporel bayésien (BSTGCN) pour la prévision du trafic. Dans notre architecture, la structure du graphe est apprise de manière end-to-end à partir à la fois de la topologie physique du réseau routier et des données de trafic, permettant ainsi de découvrir une description plus précise des relations entre les flux de trafic. En outre, nous introduisons un modèle génératif paramétrique pour représenter la structure du graphe, ce qui améliore la capacité de généralisation des GCN. Nous validons l’efficacité de notre méthode sur deux jeux de données réels, et les résultats expérimentaux démontrent que le BSTGCN atteint des performances supérieures par rapport aux méthodes de pointe.