Réseau de convolution de graphe tensoriel spatio-temporel pour la prédiction du trafic

La prédiction précise du trafic est essentielle pour guider et gérer efficacement les flux urbains. Toutefois, la plupart des modèles existants de prédiction du trafic ne tiennent pas compte de la charge computationnelle ni de l’espace mémoire nécessaire lors de la capture de la dépendance spatio-temporelle dans les données de trafic. Dans ce travail, nous proposons un réseau de convolution par graphe tensoriel factorisé spatial-temporel pour la prédiction de la vitesse du trafic. Les réseaux de trafic sont modélisés et unifiés sous la forme d’un graphe intégrant simultanément des informations spatiales et temporelles. Nous étendons ensuite la convolution de graphe au domaine tensoriel et proposons un réseau de convolution par graphe tensoriel afin d’extraire des caractéristiques plus discriminantes à partir des données spatio-temporelles. Pour réduire la charge computationnelle, nous utilisons une décomposition tensorielle de Tucker et introduisons une convolution tensorielle factorisée, qui effectue des filtrages séparés dans les modes d’espace, de temps et de caractéristiques à petite échelle. Par ailleurs, nous bénéficions d’une suppression du bruit dans les données de trafic en éliminant les composantes négligeables au cours du processus de décomposition tensorielle. Des expérimentations étendues sur deux jeux de données réels de vitesses de trafic démontrent que notre méthode est plus efficace que les approches traditionnelles de prédiction du trafic, tout en atteignant des performances de pointe.