STAEformer : Une intégration adaptative spatio-temporelle des embeddings rend le Transformer classique SOTA pour la prévision du trafic

Dans le cadre du développement rapide des systèmes de transport intelligents (ITS), la prévision précise du trafic s’est imposée comme un défi majeur. Le principal goulot d’étranglement réside dans la capacité à capturer les motifs spatio-temporels complexes du trafic. Ces dernières années, de nombreuses architectures de réseaux neuronaux aux structures complexes ont été proposées pour relever ce défi. Toutefois, les progrès dans les architectures de réseaux ont rencontré des gains de performance décroissants. Dans cette étude, nous introduisons un nouveau composant appelé embedding adaptatif spatio-temporel, capable d’obtenir des résultats exceptionnels avec des transformateurs de base. Notre modèle, le STAEformer (Transformateur à Embedding Adaptatif Spatio-Temporel), atteint des performances de pointe sur cinq jeux de données réels de prévision du trafic. Des expériences supplémentaires démontrent que l’embedding adaptatif spatio-temporel joue un rôle fondamental dans la prévision du trafic en capturant efficacement les relations intrinsèques spatio-temporelles ainsi que les informations chronologiques présentes dans les séries temporelles de trafic.