Réseau spatial-temporel adversarial par domaine : un cadre transférable pour la prévision à court terme du trafic entre villes

Une prévision précise en temps réel du trafic est essentielle pour les systèmes intelligents de transport (ITS) et constitue la pierre angulaire de nombreuses applications de mobilité intelligente. Bien que ce domaine de recherche soit largement dominé par l’apprentissage profond, des études récentes indiquent que l’amélioration de la précision obtenue par la conception de nouvelles architectures de modèles devient de plus en plus marginale. À la place, nous envisageons que l’amélioration puisse être réalisée en transférant des connaissances liées à la prévision entre villes présentant des distributions de données et des topologies de réseau différentes. À cette fin, ce papier propose un nouveau cadre de prévision du trafic transférable : le Réseau Spatial-Temporel Adversaire par Domaine (DASTNet). DASTNet est pré-entraîné sur plusieurs réseaux sources, puis affiné à l’aide des données de trafic du réseau cible. Plus précisément, nous exploitons les techniques d’apprentissage de représentation sur graphe et d’adaptation de domaine adversaire afin d’apprendre des embeddings de nœuds invariants par rapport au domaine, qui sont ensuite intégrés pour modéliser les données temporelles de trafic. À notre connaissance, nous sommes les premiers à appliquer l’adaptation multi-domaine adversaire aux problèmes de prévision du trafic à l’échelle d’un réseau. DASTNet surpasse de manière constante toutes les méthodes de référence de pointe sur trois jeux de données standard. Le modèle DASTNet entraîné a été appliqué aux nouveaux capteurs de trafic de Hong Kong, permettant d’obtenir des prévisions précises immédiatement (en moins d’un jour) dès la mise en service de chaque capteur. Globalement, cette étude propose une alternative prometteuse pour améliorer les méthodes de prévision du trafic et ouvre des perspectives pratiques pour les villes qui manquent de données historiques sur le trafic.