RGDAN : un réseau d'attention par diffusion de graphe aléatoire pour la prédiction du trafic

La prédiction du trafic fondée sur des structures de graphes constitue une tâche complexe, compte tenu du fait que les réseaux routiers sont généralement des structures complexes et que les données à analyser présentent des caractéristiques temporelles variables. En outre, la qualité de l’extraction des caractéristiques spatiales dépend fortement des paramètres de pondération des graphes. Dans le domaine des transports, les poids de ces graphes sont actuellement calculés en se basant sur des facteurs tels que la distance entre les routes. Toutefois, ces méthodes ne tiennent pas compte des caractéristiques propres aux routes ni des corrélations entre différents flux de trafic. Les approches existantes accordent généralement une attention accrue à l’extraction des dépendances spatiales locales, au détriment des dépendances spatiales globales. Un autre problème majeur réside dans la difficulté d’extraire une information suffisante à partir de profondeurs limitées des structures de graphes. Pour relever ces défis, nous proposons un modèle appelé Réseau d’Attention par Diffusion de Graphe Aléatoire (RGDAN) pour la prédiction du trafic. Le RGDAN se compose d’un module d’attention par diffusion de graphe et d’un module d’attention temporelle. Le module d’attention par diffusion de graphe ajuste automatiquement ses poids en apprenant à partir des données, de manière similaire à un réseau de convolution (CNN), afin de capturer des dépendances spatiales plus réalistes. Le module d’attention temporelle, quant à lui, modélise les corrélations temporelles. Des expériences menées sur trois jeux de données publiques de grande ampleur montrent que le RGDAN atteint une précision supérieure de 2 % à 5 % par rapport aux méthodes de pointe actuelles.