Apprendre à se souvenir de motifs : réseaux de mémoire par correspondance de motifs pour la prévision du trafic

La prévision du trafic constitue un problème difficile en raison des réseaux routiers complexes et des variations soudaines de vitesse provoquées par divers événements sur les routes. De nombreux modèles ont été proposés pour résoudre ce problème, en se concentrant principalement sur l’apprentissage des dépendances spatio-temporelles des routes. Dans ce travail, nous introduisons une nouvelle perspective consistant à transformer le problème de prévision en une tâche de correspondance de motifs, en supposant que de grandes quantités de données peuvent être représentées par un ensemble de motifs. Pour évaluer la validité de cette nouvelle approche, nous avons conçu un nouveau modèle de prévision du trafic, nommé Pattern-Matching Memory Networks (PM-MemNet), qui apprend à correspondre les données d’entrée aux motifs représentatifs à l’aide d’une structure mémoire à clé-valeur. Nous extrayons d’abord et regroupons des motifs de trafic représentatifs, qui servent de clés dans la mémoire. Ensuite, en correspondant ces clés extraites aux données d’entrée, PM-MemNet récupère les informations pertinentes relatives aux motifs de trafic existants depuis la mémoire et les utilise pour la prévision. Pour modéliser les corrélations spatio-temporelles du trafic, nous proposons une nouvelle architecture mémoire, GCMem, qui intègre l’attention et la convolution de graphe afin d’améliorer la mémoire. Les résultats expérimentaux montrent que PM-MemNet est plus précis que les modèles de pointe actuels, tels que Graph WaveNet, tout en offrant une meilleure réactivité. Nous présentons également une analyse qualitative qui décrit le fonctionnement de PM-MemNet et explique comment il atteint une plus grande précision lors de changements rapides de vitesse sur les routes.