Réseaux de convolution de graphe spatio-temporel basés sur l'attention pour la prévision du flux de trafic

La prévision des flux de trafic constitue une question cruciale pour les chercheurs et les praticiens dans le domaine des transports. Toutefois, elle demeure très difficile, car les flux de trafic présentent généralement des non-linéarités élevées et des motifs complexes. La plupart des méthodes existantes de prévision des flux de trafic, en raison de leur incapacité à modéliser les corrélations spatiales-temporelles dynamiques des données de trafic, ne parviennent pas à produire des résultats satisfaisants. Dans cet article, nous proposons un nouveau modèle basé sur l’attention, appelé réseau de convolution graphique spatiale-temporelle à attention (ASTGCN), afin de résoudre le problème de la prévision des flux de trafic. Le modèle ASTGCN se compose principalement de trois composants indépendants, chacun étant conçu pour modéliser une propriété temporelle spécifique des flux de trafic : les dépendances récentes, les dépendances périodiques quotidiennes et les dépendances périodiques hebdomadaires. Plus précisément, chaque composant comprend deux éléments principaux : 1) un mécanisme d’attention spatiale-temporelle permettant de capturer efficacement les corrélations spatiales-temporelles dynamiques présentes dans les données de trafic ; 2) une convolution spatiale-temporelle qui utilise simultanément des convolutions de graphe pour capter les motifs spatiaux et des convolutions standards classiques pour décrire les caractéristiques temporelles. Les sorties des trois composants sont ensuite fusionnées pondérées afin d’obtenir les prédictions finales. Des expériences menées sur deux jeux de données réels provenant du système de mesure des performances de Caltrans (PeMS) démontrent que le modèle ASTGCN proposé surpasse les méthodes de pointe actuelles.