Réseau de mémoire dynamique par correspondance de motifs pour la prédiction en mode dual du trafic

Ces dernières années, l’apprentissage profond a suscité un intérêt croissant dans le domaine de la prévision du trafic. Les modèles existants de prévision du trafic s’appuient souvent sur des réseaux de neurones convolutifs sur graphes (GCN) ou des mécanismes d’attention présentant une complexité O(N²) afin d’extraire dynamiquement les caractéristiques des nœuds de trafic, ce qui se traduit par une faible efficacité et un manque de légèreté. En outre, ces modèles exploitent généralement uniquement des données historiques pour effectuer leurs prévisions, sans tenir compte de l’impact des informations cibles sur le processus de prédiction. Pour remédier à ces limites, nous proposons un réseau à mémoire dynamique basé sur la correspondance de motifs (PM-DMNet). PM-DMNet utilise une nouvelle architecture de mémoire dynamique permettant de capturer les caractéristiques des motifs de trafic avec une complexité réduite à O(N), ce qui diminue considérablement la charge computationnelle tout en maintenant des performances exceptionnelles. Le modèle intègre également deux méthodes de prévision : la prévision multi-étapes récursive (RMP) et la prévision multi-étapes parallèle (PMP), qui exploitent les caractéristiques temporelles des cibles de prédiction pour améliorer le processus de forecast. Par ailleurs, un mécanisme d’attention transférée est intégré dans PMP, permettant de transformer les caractéristiques des données historiques afin de mieux les aligner sur les états cibles prévus, ce qui améliore la détection des évolutions de tendance et réduit les erreurs. Des expérimentations étendues démontrent clairement l’avantage du modèle proposé par rapport aux références existantes. Le code source est disponible à l’adresse suivante : https://github.com/wengwenchao123/PM-DMNet.