Une série temporelle vaut cinq experts : mélange hétérogène d’experts pour la prévision de l’écoulement du trafic

La prédiction précise de la circulation fait face à des défis importants, nécessitant une compréhension approfondie des indices temporels et spatiaux ainsi que de leurs interactions complexes à travers plusieurs variables. Les avancées récentes dans les systèmes de prédiction de la circulation s'expliquent principalement par le développement de modèles séquentiels complexes. Toutefois, les approches existantes intègrent souvent plusieurs variables et relations spatiales à chaque instant temporel, ce qui peut entraver un apprentissage centré sur les variables, entraînant finalement une dégradation des performances dans les tâches classiques de prédiction de la circulation. Pour surmonter ces limites, nous introduisons des techniques de modélisation centrées sur les variables et sur les connaissances a priori. Plus précisément, nous proposons un modèle Heterogeneous Mixture of Experts (TITAN) pour la prédiction des flux de circulation. TITAN commence par trois experts spécialisés dans la modélisation centrée sur les séquences. Ensuite, nous concevons une méthode adaptative à faible rang qui permet simultanément une modélisation centrée sur les variables. Par ailleurs, nous supervisons le processus d’ouverture (gating) via une stratégie de modélisation centrée sur les connaissances a priori afin d’assurer un routage précis. Des expériences menées sur deux jeux de données publics de réseaux de circulation, METR-LA et PEMS-BAY, démontrent que TITAN capte efficacement les dépendances centrées sur les variables tout en garantissant un routage précis. En conséquence, il améliore tous les indicateurs d’évaluation, avec des gains allant de 4,37 % à 11,53 % par rapport aux modèles les plus avancés précédents (SOTA). Le code source est disponible à l’adresse suivante : \href{https://github.com/sqlcow/TITAN}{https://github.com/sqlcow/TITAN}.