FR
Un modèle tenant compte des routes prévoit le trafic sans réentraînement
GAS-PFN: Graph-Aware Spatiotemporal Prior-Data Fitted Networks for Zero-Shot Traffic Forecasting · arXiv:2610.37598
En termes simples
Le trafic évolue avec le temps, et les routes reliées entre elles peuvent s’influencer. L’article présente GAS-PFN, une méthode de prévision qui apprend à partir de motifs de trafic fictifs structurés selon les cartes routières, puis utilise les relevés récents et plus anciens d’un réseau cible sans modifier les paramètres du modèle.
Sur six jeux de données de trafic, son erreur quadratique moyenne de prévision à 90 minutes était inférieure à celle de TimePFN selon la règle de comparaison de l’article. Ces tests ne montrent pas comment la méthode se comporterait sur un réseau routier en conditions réelles.
La recherche
Un modèle de prévision du trafic peut-il exploiter la configuration d’un réseau routier cible sans être entraîné spécifiquement sur ce réseau ? Les méthodes fondées sur les graphes nécessitent généralement un entraînement propre à chaque jeu de données, tandis que les PFN conçus pour les séries temporelles ne représentent pas explicitement la topologie des routes.
Cet article examine si des exemples structurés selon le graphe et les relevés du réseau cible peuvent aider à combler cet écart.
GAS-PFN combine des exemples synthétiques structurés selon le réseau routier et les relevés du réseau cible pour prévoir le trafic sans y réentraîner ses paramètres.
Les chercheurs évaluent GAS-PFN sur six jeux de données de trafic en comparant les prévisions aux vitesses ou aux flux mesurés sur des découpages chronologiques de test. À 90 minutes, son erreur quadratique moyenne est en moyenne inférieure de 34.0 % à celle de TimePFN.
Pour chaque jeu de données, TimePFN utilise l’option de contexte qui obtient la plus faible erreur absolue moyenne sur le test ; GAS-PFN utilise trois points de contrôle préentraînés indépendamment, contre un seul point de contrôle publié pour TimePFN.
Cette comparaison étaye une erreur quadratique moyenne inférieure selon les procédures d’évaluation et de sélection du contexte de l’article. Elle ne signifie pas que GAS-PFN l’emporte sur chaque jeu de données ou avec chaque choix de contexte.
Ces résultats proviennent de six découpages chronologiques des données de test, et non d’un réseau routier en conditions réelles.
La comparaison avec TimePFN utilise aussi une règle de sélection du contexte qui peut choisir une longueur différente pour chaque jeu de données ; la moyenne ne montre donc pas que GAS-PFN est meilleur dans toutes les situations.
Ce que montrent les preuves
- Prévoir le trafic sur différents réseaux
GAS-PFN, ou Graph-Aware Spatiotemporal Prior-Data Fitted Network, est une méthode sans entraînement spécifique pour prévoir le trafic sur des réseaux de capteurs représentés sous forme de graphes. Elle utilise la structure et les relevés du réseau cible sans mettre à jour ses paramètres sur les données de ce réseau.
La question de recherche est de savoir si ce type de prévision peut tenir compte des connexions routières — que les PFN conçus pour les séries temporelles ne représentent pas explicitement — tout en évitant l’entraînement propre à chaque jeu de données, habituel avec les méthodes fondées sur des graphes.
- Représenter les routes connectées
Pendant le préentraînement, la méthode fournit au modèle des exemples liés à la structure du graphe : elle associe des motifs temporels générés à des sous-graphes routiers échantillonnés, fait varier les signaux selon les capteurs et laisse une partie du signal et du bruit circuler entre les capteurs reliés. Au moment de la prédiction, un passage utilise les relevés d’un seul capteur, tandis qu’un autre peut aussi tenir compte des capteurs voisins.
Un mécanisme appris combine leurs représentations. Les exemples synthétiques et le processus d’inférence reposent ainsi sur la même structure spatiale.
- Comparer les erreurs de prévision
Les chercheurs évaluent les prévisions sur six tests de trafic, en comparant les vitesses ou les flux prévus aux valeurs mesurées. À l’horizon cumulé de 90 minutes, l’erreur quadratique moyenne de GAS-PFN est en moyenne inférieure de 34.0 % à celle de TimePFN sur les six jeux de données.
Pour chaque jeu, TimePFN est évalué avec l’option de contexte qui obtient la plus faible erreur absolue moyenne sur le test parmi deux possibilités ; cette option sert ensuite pour toutes les mesures d’erreur et tous les horizons rapportés. Le résultat étaye un avantage selon la procédure de comparaison de l’étude, mais pas dans chaque cas individuel.
- Vérifier le contexte et la couverture routière
Une étude d’ablation avec point de contrôle figé vérifie si les exemples historiques aident au moment de l’inférence : leur retrait augmente l’erreur absolue moyenne ou l’erreur quadratique moyenne dans les 36 combinaisons de jeux de données, d’horizons et de mesures.
Un autre test compare GAS-PFN à SCPT, entraîné sur les relevés d’une fraction des routes et évalué sur des routes mises de côté. Avec une couverture de 10 % des routes, GAS-PFN obtient des erreurs plus faibles sur les six jeux de données ; avec une couverture de 20 % et de 30 %, il reste meilleur sur cinq jeux sur six. Ces résultats étayent son utilité dans les conditions testées, même si les procédures diffèrent.
Détails
- Auteurs de l’article original
- Joseph Natter, Long Vu, Yifan Zhang, Bobin Deng, Kun Suo
- Soumis à arXiv
- Licence
- arXiv non-exclusive