Attention wavenet spatio-temporelle : un cadre d'apprentissage profond pour la prédiction du trafic prenant en compte les dépendances spatio-temporelles

La prédiction du trafic sur les réseaux routiers est particulièrement complexe en raison de la nature intrinsèquement complexe des systèmes de circulation, et constitue une tâche essentielle pour le succès des applications de systèmes intelligents de gestion du trafic. Les approches existantes captent principalement la dépendance spatiale statique, en s’appuyant sur des connaissances préalables concernant la structure du graphe. Toutefois, la dépendance spatiale peut être dynamique, et la structure physique du réseau ne reflète pas toujours la véritable relation entre les tronçons routiers. Afin de mieux modéliser les dépendances spatio-temporelles complexes et de prédire précisément les conditions de circulation sur les réseaux routiers, nous proposons un modèle de prédiction multi-étapes nommé Spatial-Temporal Attention Wavenet (STAWnet). Ce modèle utilise des convolutions temporelles pour traiter des séquences temporelles longues, et exploite un réseau d’attention auto-attentionnel pour capturer les dépendances spatiales dynamiques entre différents nœuds. Contrairement aux modèles existants, STAWnet ne nécessite pas de connaissance a priori sur la structure du graphe, grâce à l’embedding des nœuds appris automatiquement. Ces composants sont intégrés dans un cadre end-to-end. Les résultats expérimentaux sur trois jeux de données publics de prédiction du trafic (METR-LA, PEMS-BAY et PEMS07) démontrent l’efficacité de notre approche. En particulier, pour la prédiction à 1 heure à l’avance, STAWnet surpasser les méthodes de pointe actuelles, même sans aucune connaissance préalable sur la topologie du réseau.