Prévision de l'état du trafic spatio-temporel au niveau du réseau avec HierAttnLSTM basé sur une attention hiérarchique et un LSTM

Les données d’état du trafic, telles que la vitesse, le volume et le temps de parcours, collectées à partir de capteurs ubiquitaires de surveillance du trafic, nécessitent des analyses avancées au niveau du réseau pour la prévision et l’identification de schémas de trafic significatifs. Ce papier exploite des jeux de données diversifiés d’état du trafic provenant du système de mesure des performances de Caltrans (PeMS), hébergé sur une plateforme open benchmark, et obtient des performances prometteuses comparées à des modèles spatio-temporels bien établis. Inspirés du succès des architectures hiérarchiques dans diverses tâches d’intelligence artificielle (IA), nous intégrons les états cellulaire et caché des réseaux de mémoire à long terme (LSTM) de bas niveau à haut niveau, en combinant un mécanisme d’agrégation par attention similaire aux systèmes de perception humaine. La structure hiérarchique ainsi conçue permet de prendre en compte les dépendances à différentes échelles temporelles, en capturant les corrélations spatio-temporelles des états du trafic au niveau du réseau, permettant ainsi la prédiction de l’état du trafic pour l’ensemble des corridors, et non pas pour une seule liaison ou itinéraire. L’efficacité du modèle LSTM basé sur l’attention est analysée à l’aide d’une étude d’ablation. Les résultats comparatifs avec des modèles LSTM de référence démontrent que le modèle Hierarchical Attention LSTM (HierAttnLSTM) offre non seulement une précision de prédiction supérieure, mais aussi une capacité efficace à anticiper les schémas inhabituels de congestion. Les données et le code sont rendus disponibles publiquement afin de soutenir la recherche scientifique reproductible.