Réseau récurrent à convolution de graphe dynamique pour la prévision du trafic : benchmark et solution

La prédiction du trafic constitue la pierre angulaire d’un système de transport intelligent. Une prévision précise du trafic est essentielle pour les applications des villes intelligentes, telles que la gestion intelligente du trafic et la planification urbaine. Bien que diverses méthodes aient été proposées pour le modélisation spatio-temporelle, elles négligent les caractéristiques dynamiques des corrélations entre les points d’un réseau routier. Par ailleurs, la plupart des approches basées sur les réseaux de neurones récurrents (RNN) souffrent d’une efficacité insuffisante en raison de leurs opérations récurrentes. En outre, il existe un manque criant de comparaisons équitables entre différentes méthodes sur les mêmes jeux de données. Pour relever ces défis, nous proposons dans cet article un nouveau cadre de prédiction du trafic, nommé Dynamic Graph Convolutional Recurrent Network (DGCRN). Dans DGCRN, des hyper-réseaux sont conçus pour exploiter et extraire les caractéristiques dynamiques à partir des attributs des nœuds, tandis que les paramètres des filtres dynamiques sont générés à chaque pas de temps. Nous filtrons les embeddings des nœuds, puis les utilisons pour construire un graphe dynamique, qui est intégré à un graphe statique prédéfini. À notre connaissance, nous sommes les premiers à adopter une méthode de génération pour modéliser la topologie fine du graphe dynamique à chaque instant de temps. En outre, afin d’améliorer l’efficacité et les performances, nous mettons en œuvre une stratégie d’apprentissage pour DGCRN en limitant le nombre d’itérations du décodeur pendant la propagation avant et arrière. Enfin, nous proposons une référence standardisée reproductible ainsi qu’un nouveau jeu de données représentatif de trafic, ouverts pour permettre des comparaisons équitables et des recherches ultérieures. Des expériences étendues sur trois jeux de données montrent que notre modèle surpasse de manière cohérente 15 méthodes de référence.