Un nouveau réseau de neurones à graphes à variation temporelle hybride pour la prévision du flux de trafic

La prédiction en temps réel et précise du flux de trafic est essentielle pour l’efficacité des systèmes de transport intelligents. Les méthodes traditionnelles utilisent souvent des réseaux de neurones graphiques (GNN) basés sur des graphes prédéfinis afin de modéliser les corrélations spatiales entre les nœuds de trafic dans les réseaux routiers urbains. Toutefois, ces graphes prédéfinis sont limités par les connaissances existantes et les méthodologies de génération de graphes, offrant une représentation incomplète des corrélations spatiales. Bien que des graphes dynamiques fondés sur l’apprentissage data-driven aient été proposés pour pallier ces limites, ils peinent encore à capturer adéquatement les corrélations spatiales intrinsèques présentes dans les données de trafic. En outre, la plupart des méthodes actuelles pour modéliser les corrélations temporelles dynamiques reposent sur un schéma de calcul unifié utilisant un mécanisme d’attention auto-associative multi-têtes temporelle, ce qui peut, à certains égards, entraîner des inexactitudes. Afin de surmonter ces défis, nous proposons un nouveau modèle hybride à réseau de neurones graphiques à graphes variables dans le temps (HTVGNN) pour la prédiction du flux de trafic. Premièrement, nous introduisons un nouveau mécanisme d’attention auto-associative multi-têtes amélioré basé sur une amélioration par masque dynamique dans le temps, permettant une modélisation plus précise des dépendances temporelles dynamiques entre les différents nœuds de trafic du réseau. Deuxièmement, nous proposons une nouvelle stratégie d’apprentissage de graphe permettant d’apprendre simultanément les associations spatiales statiques et dynamiques entre les nœuds de trafic dans les réseaux routiers. Par ailleurs, afin d’améliorer la capacité d’apprentissage des graphes variables dans le temps, un mécanisme couplé d’apprentissage de graphe a été conçu pour coupler les graphes appris à chaque pas temporel. Enfin, l’efficacité de la méthode proposée HTVGNN a été démontrée à l’aide de quatre jeux de données réels. Les résultats de simulation montrent que HTVGNN atteint une précision de prédiction supérieure à celle des modèles d’état de l’art basés sur les réseaux de neurones graphiques spatio-temporels. En outre, les expériences d’ablation confirment que le mécanisme couplé d’apprentissage de graphe améliore efficacement la performance de prédiction à long terme d’HTVGNN.