Réseau de convolution de graphe causal dynamique pour la prédiction du trafic

La modélisation des dépendances spatio-temporelles complexes dans des séries de trafic corrélées est essentielle pour la prédiction du trafic. Bien que les travaux récents aient montré une amélioration des performances de prédiction en utilisant des réseaux neuronaux pour extraire les corrélations spatio-temporelles, leur efficacité dépend fortement de la qualité des structures de graphe utilisées pour représenter la topologie spatiale du réseau de trafic. Dans ce travail, nous proposons une nouvelle approche de prédiction du trafic qui intègre un réseau bayésien dynamique à variation temporelle afin de capturer la topologie spatio-temporelle fine des données de trafic. Nous utilisons ensuite des réseaux de convolution de graphe pour générer des prévisions de trafic. Afin de permettre à notre méthode de modéliser efficacement les motifs non linéaires de propagation du trafic, nous avons conçu un module basé sur l’apprentissage profond, agissant comme un hyper-réseau, pour générer des graphes causaux dynamiques étape par étape. Nos résultats expérimentaux sur un jeu de données réel de trafic démontrent la supériorité des performances de prédiction de la méthode proposée. Le code est disponible à l’adresse suivante : https://github.com/MonBG/DCGCN.