Équations différentielles rugueuses à réseaux de neurones graphiques pour la prévision du trafic

La prévision du trafic constitue l'une des tâches spatio-temporelles les plus courantes dans le domaine de l'apprentissage automatique. Une approche largement répandue consiste à combiner des réseaux de neurones convolutifs sur graphe (GCN) et des réseaux de neurones récurrents (RNN) pour traiter les données spatio-temporelles. Ce domaine connaît une concurrence intense, avec la proposition continue de nouvelles méthodes innovantes. Dans cet article, nous présentons une méthode baptisée équation différentielle rugueuse à réseau neuronal spatio-temporel (STG-NRDE). Les équations différentielles rugueuses à réseau neuronal (NRDE) constituent une avancée conceptuelle majeure pour le traitement des séries temporelles. Leur principe fondamental repose sur la transformation par signature logarithmique, qui permet de convertir un échantillon de série temporelle en une séquence plus courte de vecteurs caractéristiques. Nous étendons ce concept en concevant deux NRDE : l'une dédiée au traitement temporel, l'autre au traitement spatial. Ces deux composantes sont ensuite intégrées dans un cadre unifié. Nous menons des expériences sur 6 jeux de données de référence et 27 méthodes de comparaison. Le modèle STG-NRDE obtient la meilleure précision dans tous les cas, surpassant significativement les 27 méthodes de référence.