HyperAIHyperAI
il y a 17 jours

Réseau neuronal graphique spatio-temporel dynamique déconnecté pour la prévision du trafic

Zezhi Shao, Zhao Zhang, Wei Wei, Fei Wang, Yongjun Xu, Xin Cao, Christian S. Jensen
Réseau neuronal graphique spatio-temporel dynamique déconnecté pour la prévision du trafic
Résumé

Nous dépendons tous de la mobilité, et les transports routiers influencent le quotidien de la majorité d’entre nous. Par conséquent, la capacité à prévoir l’état du trafic dans un réseau routier constitue une fonctionnalité essentielle mais également un défi important. Les données de trafic sont généralement recueillies à l’aide de capteurs déployés dans le réseau routier. Les approches récentes basées sur les réseaux de neurones graphes spatio-temporels ont permis des progrès significatifs dans la modélisation des corrélations spatio-temporelles complexes présentes dans les données de trafic, en les traitant comme un processus de diffusion. Toutefois, de manière intuitive, les données de trafic contiennent deux types distincts de signaux temporels cachés : les signaux de diffusion et les signaux intrinsèques. Malheureusement, la quasi-totalité des travaux antérieurs considèrent de manière trop simplifiée les signaux de trafic comme entièrement le produit de la diffusion, en négligeant les signaux intrinsèques, ce qui nuit négativement à la performance des modèles. Pour améliorer cette performance, nous proposons un cadre novateur, dénommé DSTF (Decoupled Spatial-Temporal Framework), qui sépare de manière data-driven les informations de trafic relatives à la diffusion et celles intrinsèques, intégrant une porte d’estimation originale et un mécanisme de décomposition résiduelle. Ces signaux séparés peuvent ensuite être traités indépendamment par des modules dédiés à la diffusion et à l’intrinsèque. En outre, nous introduisons une instance concrète de DSTF, appelée D2STGNN (Decoupled Dynamic Spatial-Temporal Graph Neural Network), qui capture les corrélations spatio-temporelles tout en intégrant un module d’apprentissage dynamique de graphe, spécifiquement conçu pour modéliser les caractéristiques dynamiques des réseaux de trafic. Des expérimentations étendues sur quatre jeux de données réels de trafic démontrent que ce cadre permet d’atteindre un niveau d’avancement supérieur à l’état de l’art.

Réseau neuronal graphique spatio-temporel dynamique déconnecté pour la prévision du trafic | Articles de recherche récents | HyperAI