HyperAIHyperAI
il y a 17 jours

Un réseau spatio-temporel fondé sur l'information de corrélation pour la prévision de l'écoulement du trafic

Weiguo Zhu, Yongqi Sun, Xintong Yi, Yan Wang
Un réseau spatio-temporel fondé sur l'information de corrélation pour la prévision de l'écoulement du trafic
Résumé

La technologie de prévision de la circulation routière joue un rôle essentiel dans les systèmes de transport intelligents. Basée sur les réseaux de neurones sur graphe et les mécanismes d’attention, la plupart des travaux antérieurs exploitent l’architecture Transformer pour découvrir les dépendances spatio-temporelles et les relations dynamiques. Toutefois, ces approches n’ont pas suffisamment pris en compte les informations de corrélation entre les séquences spatio-temporelles. Dans cet article, à partir du coefficient d’information maximal, nous proposons deux représentations spatio-temporelles fines : l’information de corrélation spatiale (SCorr) et l’information de corrélation temporelle (TCorr). En utilisant SCorr, nous introduisons un réseau spatio-temporel fondé sur l’information de corrélation (CorrSTN), comprenant un composant de réseau de neurones sur graphe dynamique permettant d’intégrer efficacement les informations de corrélation dans la structure spatiale, ainsi qu’un composant d’attention à plusieurs têtes pour modéliser avec précision les dépendances temporelles dynamiques. En exploitant TCorr, nous analysons les motifs de corrélation entre différentes données périodiques afin d’identifier les données les plus pertinentes, puis concevons un schéma efficace de sélection de données afin d’améliorer davantage les performances du modèle. Les résultats expérimentaux sur les jeux de données de circulation sur autoroute (PEMS07 et PEMS08) et de flux de passagers dans les métros (entrée et sortie HZME) démontrent que CorrSTN surpasser les méthodes de pointe en matière de performance prédictive. En particulier, sur le jeu de données HZME (sortie), notre modèle obtient des améliorations significatives par rapport au modèle ASTGNN, avec des gains respectifs de 12,7 %, 14,4 % et 27,4 % en termes d’erreur absolue moyenne (MAE), de racine carrée de l’erreur quadratique moyenne (RMSE) et d’erreur absolue moyenne en pourcentage (MAPE).

Un réseau spatio-temporel fondé sur l'information de corrélation pour la prévision de l'écoulement du trafic | Articles de recherche récents | HyperAI