Réseaux de convolution de graphes synchrones spatio-temporels : un nouveau cadre pour la prévision des données de réseau spatio-temporel

La prévision des données de réseaux spatio-temporels revêt une importance capitale dans de nombreuses applications, notamment la gestion du trafic et la planification urbaine. Toutefois, les corrélations spatio-temporelles complexes et les hétérogénéités sous-jacentes rendent ce problème particulièrement difficile. Les méthodes existantes utilisent généralement des composants séparés pour capturer les corrélations spatiales et temporelles, tout en ignorant les hétérogénéités présentes dans les données spatio-temporelles. Dans cet article, nous proposons un nouveau modèle, nommé Réseaux de Convolution Graphique Spatio-Temporels Synchrones (STSGCN), destiné à la prévision des données de réseaux spatio-temporels. Ce modèle est capable de capturer efficacement les corrélations spatio-temporelles complexes et localisées grâce à un mécanisme de modélisation spatio-temporelle synchronisée soigneusement conçu. Par ailleurs, plusieurs modules adaptés à différentes périodes temporelles sont intégrés dans le modèle afin de capturer efficacement les hétérogénéités présentes dans les graphes spatio-temporels localisés. Des expériences étendues ont été menées sur quatre jeux de données réels, démontrant que notre méthode atteint des performances de pointe et surpasse de manière cohérente les autres méthodes de référence.