PDG2Seq : Modèle de Graphique Dynamique Périodique vers Suite pour la Prévision de l'Écoulement du Traffique

La prédiction de la circulation routière constitue la fondation des systèmes intelligents de gestion du trafic. Les méthodes actuelles privilégient le développement de modèles complexes afin de capturer les corrélations spatio-temporelles, tout en négligeant fréquemment l’exploitation des caractéristiques latentes présentes dans les données de trafic. Premièrement, les corrélations entre différents nœuds routiers sont dynamiques plutôt que statiques. Deuxièmement, les données de trafic présentent une périodicité évidente, mais la recherche actuelle manque d’exploration et d’utilisation de ces caractéristiques périodiques. Enfin, les modèles existants s’appuient généralement uniquement sur des données historiques pour la modélisation, ce qui limite leur capacité à capter précisément les évolutions futures de la circulation. Pour répondre à ces lacunes, cet article propose un modèle de prédiction de flux de trafic appelé PDG2Seq (Periodic Dynamic Graph to Sequence Model). PDG2Seq intègre deux composants clés : un module de sélection de caractéristiques périodiques (PFSM) et une unité récurrente à mémoire à grille à convolution graphique dynamique périodique (PDCGRU), permettant d’extraire de manière approfondie les caractéristiques spatio-temporelles du trafic en temps réel. Le PFSM extrait des caractéristiques périodiques apprises en utilisant les instants temporels comme indices, tandis que le PDCGRU exploite ces caractéristiques périodiques extraites par le PFSM ainsi que les caractéristiques dynamiques issues des données de trafic pour construire un graphe dynamique périodique, au moyen duquel sont ensuite extraits les caractéristiques spatio-temporelles. Lors de la phase de décodage, PDG2Seq utilise les caractéristiques périodiques associées à la cible de prédiction afin de capter les évolutions futures du trafic, conduisant à des prédictions plus précises. Des expérimentations approfondies menées sur quatre jeux de données à grande échelle confirment l’avantage de PDG2Seq par rapport aux méthodes de pointe actuelles. Le code associé est disponible à l’adresse suivante : https://github.com/wengwenchao123/PDG2Seq.