La complexité de la prévision moderne du trafic

Les modèles statistiques traditionnels comme ARIMA ou Kalman filtrent la difficulté à saisir ces dépendances non linéaires et variables du temps. Le défi est aggravé par la nécessité de prédictions en temps réel – un modèle qui prend des minutes pour recalculer est inutile lorsque les conditions de circulation changent en secondes. L'apprentissage profond aborde ces problèmes en apprenant les représentations hiérarchiques directement à partir de données brutes ou peu traitées, permettant aux modèles de généraliser dans des conditions invisibles et s'adapter plus rapidement que leurs homologues fondés sur les règles.

Architectures d'apprentissage profond de base pour la prévision de la circulation

Réseaux neuronaux et LSTM récurrents

Les réseaux de données neurales récurrentes (RNN) sont conçus pour traiter les données séquentielles, ce qui les rend naturellement adaptés aux données de trafic de séries chronologiques. Cependant, les RNN vanillés souffrent de gradients qui disparaissent, limitant leur capacité à apprendre les dépendances à longue distance. Longs réseaux de mémoire à court terme (LSTM) surmontent cette limitation par des cellules mémoire fermées qui peuvent stocker des informations pendant des centaines de temps. Les systèmes de prédiction du trafic utilisent généralement des couches de LSTM empilées pour capturer des modèles à plusieurs échelles temporelles – par exemple, une couche inférieure peut apprendre les cycles quotidiens tandis qu'une couche supérieure apprend les tendances hebdomadaires ou saisonnières.

Réseaux neuronaux convolutionnels pour les modèles spatiaux

Les données de trafic ne sont pas purement séquentielles; elles ont aussi une dimension spatiale. La vitesse à une intersection est corrélée avec les vitesses aux intersections voisines. Les réseaux neuronaux convolutionnels (CNN), développés à l'origine pour les images, peuvent être appliqués aux réseaux de trafic en traitant les instantanés de réseau routier comme des matrices 2D. Une littérature en pleine croissance utilise des CNN spatiotemporels qui combinent les convolutions dans l'espace avec des couches récurrentes à travers le temps.

Modèles de transformation et mécanismes d'attention

Plus récemment, les architectures de transformateurs, développées à l'origine pour le traitement du langage naturel, ont été adaptées pour la prévision du trafic.Le mécanisme d'auto-attention permet au modèle de peser l'importance de toutes les étapes temporelles et de toutes les localisations spatiales lors de la réalisation d'une prédiction, sans les contraintes de traitement séquentielles des RNN.Cela rend les transformateurs particulièrement efficaces pour capter les dépendances à longue distance et les événements anormaux soudains.Les Autoformer et variantes d'informateur réduisent la complexité quadratique de l'auto-attention, ce qui les rend pratiques pour les déploiements à grande échelle.

Construire un pipeline de données robuste pour les prévisions en temps réel

Un modèle d'apprentissage profond n'est bon que si les données qu'il consomme. Pour construire un système de prévision du trafic en temps réel, il faut un pipeline qui ingère, nettoie et transforme les données de diffusion à partir de sources hétérogènes :

  • Les données du capteur[ — Les boucles d'induction, le radar et le lidar fournissent le nombre de véhicules et leur vitesse à des points fixes.
  • Les sondes GPS[ — Les données flottantes des voitures provenant des applications de navigation et des véhicules de parc offrent des temps de déplacement continus.
  • Feeds météorologiques — Les précipitations, la visibilité et la température affectent directement le comportement de conduite.
  • Horaires des événements[ — Les concerts, les jeux sportifs et les vacances créent des surtensions prévisibles.

Les valeurs manquantes doivent être imputées par interpolation ou factorisation matricielle; les valeurs aberrantes (p. ex., un capteur signalant 200 mi/h) doivent être identifiées et signalées. L'ingénierie des caractéristiques peut comprendre l'encodage du jour, les mannequins du jour de la semaine et les variables décalées. Pour les modèles d'apprentissage profond, les entrées brutes (p. ex., les lectures de vitesse au cours des 60 dernières minutes sur une grille) sont souvent directement alimentées en couches convolutionnelles ou récurrentes, permettant au réseau d'apprendre les caractéristiques pertinentes.

Formation et évaluation des modèles de prévision du trafic

La formation des modèles commence par diviser les données historiques en ensembles de formation, de validation et de test tout en préservant l'ordre temporel — le shuffling aléatoire divulguerait les informations futures. Les fonctions de perte standard comprennent l'erreur moyenne absolue (EA) et l'erreur carrée moyenne (EA) de racine, bien que plusieurs points de repère de trafic signalent également l'erreur moyenne absolue en pourcentage (EAEM) pour l'interprétation.

Les hyperparamètres clés comprennent le nombre de couches LSTM, le nombre de filtres dans les CNN, le taux d'apprentissage et la longueur de la séquence. Une pratique courante est d'utiliser l'arrêt précoce sur la perte de validation pour éviter les surajustements - des modèles profonds avec des millions de paramètres sont enclins à mémoriser les modèles historiques si formés pour trop d'époques. Transférer l'apprentissage d'un modèle pré-formé sur une grande ville , les données peuvent réduire le temps de formation pour les petites municipalités, comme le montre le travail de Zhang et al.

Stratégies d'inférence et de déploiement en temps réel

Pour pouvoir utiliser Docker, plusieurs organisations containerize des modèles et les servir via les API REST en utilisant des cadres tels que TensorFlow Serving, TorchServe ou NVIDIA Triton Inference Server. Pour les prévisions de trafic en temps réel, l'inférence doit être réalisée en quelques centaines de millisecondes pour être actionnable pour les systèmes de gestion du trafic. L'inférence de lots — traitement de plusieurs segments de route ou étapes temporelles ensemble — peut améliorer l'utilisation du GPU et réduire la latence par demande.

Un système robuste met en œuvre une surveillance continue avec des mesures comme les dérives d'erreur de prédiction, et déclenche un recyclage automatique lorsque la performance se dégrade au-delà d'un seuil. Les techniques d'apprentissage en ligne, où le modèle est mis à jour progressivement avec chaque lot de nouvelles données, gagnent en traction pour les applications de trafic, bien qu'elles nécessitent une gestion soigneuse pour éviter les oublis catastrophiques. Une approche hybride reformule un modèle complet chaque semaine tout en utilisant une couche adaptative légère pour les ajustements quotidiens.

Impact sur la mobilité urbaine et les tendances futures

Les prévisions en temps réel permettent aux services d'urgence de réacheminer les ambulances et les moteurs d'incendie autour de la congestion, ce qui peut sauver des vies. À mesure que les véhicules autonomes deviennent plus répandus, ces modèles alimenteront les prévisions directement dans les planificateurs de trajectoires des véhicules, améliorant ainsi la sécurité et l'efficacité. Le déploiement des bords est une direction prometteuse : le fonctionnement de modèles légers sur les routes ou même à l'intérieur des véhicules réduit la dépendance aux nuages et permet des réactions critiques en latence.

Les recherches futures explorent l'intégration des réseaux neuronaux graphes (RNG) qui traitent les réseaux routiers comme des graphiques, permettant une meilleure gestion des topologies irrégulières par rapport aux réseaux CNN basés sur le réseau. Des modèles multimodal qui fusionnent les flux de caméras vidéo avec les données de capteurs utilisant des mécanismes d'attention sont également en train d'apparaître, offrant un contexte plus riche. L'adoption de repères standard comme le [Fild Browmark][Fild Browmark][Fild Browmark][Fild Browmark]][FLT:]][FLT:][FLT:]][Fild Browmark][Fild Browmark][Fild][Fild][Fil[