Apprentissage auto-supervisé spatio-temporel pour la prédiction des flux de trafic
La prédiction robuste des flux de trafic urbain à différentes périodes temporelles joue un rôle crucial dans les systèmes de transport intelligents. Bien que les travaux précédents aient fait d'importants efforts pour modéliser les corrélations spatio-temporelles, les méthodes existantes souffrent encore de deux limitations clés : i) La plupart des modèles prédisent collectivement les flux de toutes les régions sans tenir compte de l'hétérogénéité spatiale, c'est-à-dire que différentes régions peuvent avoir des distributions de flux de trafic biaisées. ii) Ces modèles échouent à capturer l'hétérogénéité temporelle induite par les motifs de trafic variables dans le temps, car ils modélisent généralement les corrélations temporelles avec un espace paramétré partagé pour toutes les périodes temporelles.Pour relever ces défis, nous proposons un nouveau cadre de prédiction du trafic basé sur l'apprentissage auto-supervisé spatio-temporel (ST-SSL), qui améliore les représentations des motifs de trafic afin qu'elles reflètent à la fois l'hétérogénéité spatiale et temporelle, grâce à des paradigmes d'apprentissage auto-supervisé auxiliaires. Plus précisément, notre ST-SSL est construit sur un module intégré comprenant des convolutions temporelles et spatiales pour encoder l'information dans l'espace et le temps. Pour réaliser l'apprentissage auto-supervisé spatio-temporel adaptatif, notre ST-SSL effectue d'abord une augmentation adaptative des données graphiques des flux de trafic aux niveaux attributif et structurel.Sur la base du graphe de trafic augmenté, deux tâches auxiliaires d'apprentissage auto-supervisé (SSL) sont construites pour compléter la tâche principale de prédiction du trafic avec une augmentation consciente de l'hétérogénéité spatiale et temporelle. Les expériences menées sur quatre jeux de données de référence montrent que ST-SSL surpasse constamment diverses méthodes baselines d'avant-garde. Étant donné que l'hétérogénéité spatio-temporelle existe largement dans les jeux de données pratiques, le cadre proposé pourrait également éclairer d'autres applications spatio-temporelles. L'implémentation du modèle est disponible à l'adresse suivante : https://github.com/Echo-Ji/ST-SSL.