Adaptation en temps réel en ligne pour la prévision des flux de trafic spatio-temporels
La prévision précise de l’écoulement du trafic en espace et en temps est essentielle pour aider les gestionnaires du trafic à mettre en œuvre des mesures de contrôle et pour accompagner les conducteurs dans le choix de leurs itinéraires optimaux. Les méthodes traditionnelles basées sur l’apprentissage profond pour la prévision de l’écoulement du trafic s’appuient généralement sur des données historiques afin d’entraîner leurs modèles, qui sont ensuite utilisés pour effectuer des prédictions sur des données futures. Toutefois, la performance du modèle entraîné décline généralement en raison du décalage temporel entre les données historiques et les données futures. Afin de permettre au modèle entraîné sur des données historiques de s’adapter de manière optimale aux données futures de façon entièrement en ligne, cette étude présente la première exploration des techniques d’adaptation en temps de test en ligne pour les problèmes de prévision spatio-temporelle de l’écoulement du trafic. À cette fin, nous proposons une méthode intitulée ADCSD (Adaptive Double Correction by Series Decomposition), qui décompose d’abord la sortie du modèle entraîné en parties saisonnières et tendancielles-cycliques, puis corrige ces composantes à l’aide de deux modules distincts pendant la phase de test, en utilisant les données observées les plus récentes, une à une. Dans la méthode proposée ADCSD, plutôt que de réajuster l’intégralité du modèle entraîné durant la phase de test, un réseau léger est ajouté après le modèle entraîné, et seul ce réseau léger est réajusté à chaque observation d’une nouvelle donnée. En outre, afin de tenir compte du fait que différentes variables temporelles peuvent présenter des niveaux variés de dérive temporelle, deux vecteurs adaptatifs sont utilisés pour attribuer des poids différents aux différentes variables temporelles. Des expérimentations étendues sur quatre jeux de données réels de prévision de l’écoulement du trafic démontrent l’efficacité de la méthode ADCSD proposée. Le code est disponible à l’adresse suivante : https://github.com/Pengxin-Guo/ADCSD.