Les prévisions de trafic peuvent devenir plus précises quand les capteurs apprennent la signification des lieux voisins

Comment les connaissances publiques sur les lieux deviennent une couche de signification pour chaque capteur

Un capteur de trafic se trouve dans un coin précis d’une ville, et cet emplacement porte une signification qui dépasse la route qu’il surveille. Wikidata, grande base de connaissances publique qui conserve des faits sur les lieux, institutions, monuments et zones administratives, fournit la matière première. Ce choix a de l’importance parce que construire un dictionnaire de lieux séparé pour chaque ville serait lent, coûteux et difficile à réutiliser ailleurs.

Pour chaque capteur, la première étape consiste à collecter des entrées proches dans Wikidata, à l’intérieur d’un rayon choisi. Une recherche sur 600 mètres englobe l’entourage immédiat au niveau de la rue, comme les intersections, les infrastructures routières et les petits aménagements locaux. Une recherche sur 2,5 kilomètres atteint plus loin et inclut les grands attracteurs ainsi que les effets à l’échelle du quartier qui peuvent façonner le trafic sur une zone plus large. Les lieux sélectionnés forment un voisinage sémantique local pour le capteur.

Deux versions de ce voisinage sont utilisées. La version directe conserve uniquement les entrées proches et leurs informations de type. La version à un saut ajoute des entités connectées, si bien qu’un lieu peut apporter des faits liés situés à une étape de distance. Cela élargit le contexte tout en restant lié à l’entourage du capteur. À 600 mètres, le sous-graphe direct contient 797 entrées et 1827 liens ; l’ajout d’un saut l’étend à 2920 entrées et 12523 liens. À 2,5 kilomètres, la version directe compte 2770 entrées et 8062 liens, tandis que la version à un saut atteint 29655 entrées et 144141 liens.

Ces toiles locales sont ensuite transformées en nombres. Une méthode standard de plongement de graphes de connaissances représente chaque entrée comme un vecteur à valeurs complexes, qui peut être vu comme un point doté de deux coordonnées plutôt que d’un simple nombre. Cette forme est utile car beaucoup de relations dans les données publiques sur les lieux sont directionnelles ou asymétriques. Chaque lieu proche contribue donc par sa propre signature numérique au profil du capteur.

Le capteur reçoit un vecteur sémantique unique obtenu en moyennant tous les vecteurs de lieux associés. La moyenne produit une représentation de taille fixe qui ne dépend ni du nombre de lieux trouvés ni de leur ordre. Elle lisse aussi les environnements mixtes, si bien qu’un quartier d’affaires avec écoles, commerces, arrêts de transport et bureaux devient une signature unique plutôt qu’une liste de libellés séparés. Tous les plongements sont fixés à 64 dimensions après des tests préliminaires, en équilibrant puissance expressive et coût de calcul. Ils sont entraînés de façon auto supervisée sur les faits extraits sur les lieux, dans le but d’obtenir des représentations cohérentes des lieux et des entités plutôt que de régler directement la prédiction du trafic.

Transformer cette signification en liens entre capteurs

Une fois chaque capteur doté d’une description compacte de son entourage, la méthode compare ces descriptions par paires. Elle transforme la signification en liens en demandant si deux capteurs se ressemblent du point de vue de leurs lieux proches. La comparaison utilise un score de type cosinus, adapté aux vecteurs qui contiennent des nombres complexes. Le vecteur sémantique de chaque capteur est traité comme une flèche, et le score mesure dans quelle mesure deux flèches pointent dans la même direction. Parce que les vecteurs complexes portent plus qu’une longueur ordinaire, la méthode prend la partie réelle de leur produit intérieur puis divise par les longueurs des deux vecteurs. Cela donne une valeur de similarité élevée lorsque deux lieux partagent un caractère fonctionnel, même s’ils sont éloignés.

Le tableau résultant comporte une ligne et une colonne pour chaque capteur, avec un poids dans chaque cellule. Ce tableau est la nouvelle matrice d’adjacence, ou carte des connexions. Il n’est pas une simple carte abstraite des lieux. Les capteurs proches partagent souvent les mêmes rues, commerces et monuments, si bien que leurs profils sémantiques tendent aussi à se ressembler. Ce chevauchement spatial ancre les nouveaux liens dans la géographie. En même temps, deux quartiers d’affaires éloignés peuvent recevoir des poids similaires parce que leurs environnements jouent des rôles proches. Une zone de loisirs d’un côté de la ville peut se connecter à une autre zone de loisirs, et non simplement au capteur routier le plus proche.

La matrice mélange donc la géographie locale et la ressemblance fonctionnelle. Chaque connexion est un indice souple, pas une règle rigide sur les capteurs qui s’influencent mutuellement. Les modèles de prévision peuvent utiliser cette carte comme canal supplémentaire pour propager l’information dans le réseau de capteurs. En agissant ainsi, ils gagnent un moyen de repérer que le comportement du trafic peut dépendre du type de lieu et pas seulement de la distance routière.

Toute cette étape est volontairement simple : comparer des vecteurs, noter les paires et remplir une matrice. Pourtant, cette simplicité compte parce qu’elle permet aux modèles de trafic existants de recevoir un contexte plus riche sans être reconstruits depuis zéro.

Remplacer la carte routière par la carte fondée sur les lieux

Quand on écarte la carte routière et qu’on la remplace par une carte fondée sur les lieux, le résultat est mitigé. Dans ce test, les prévisionneurs de trafic reçoivent des connexions tirées des lieux proches au lieu des distances le long des rues. Certains modèles apprécient ce changement, tandis que d’autres deviennent moins précis.

Le gain le plus net vient de D2STGNN, qui réduit l’erreur absolue moyenne de 15,2 pour cent. Cette amélioration utilise la matrice du voisinage direct à 600 mètres, si bien qu’elle relie les capteurs par leur entourage immédiat. STGCN progresse jusqu’à 6,2 pour cent, et STTN jusqu’à 2,7 pour cent.

Ces gains sont réels, mais ils ne prouvent pas que la signification des lieux en est la cause. Un motif de connexions aléatoire avec la même densité aide aussi plusieurs modèles. D2STGNN gagne 13,2 pour cent avec cette carte aléatoire, et STGCN gagne 3,7 pour cent. Cela signifie qu’une partie du bénéfice peut venir d’une forme de graphe différente, et non de liens de lieux porteurs de sens.

Deux modèles résistent plus fortement au remplacement. Fixed GWaveNet se dégrade avec chaque matrice sémantique, jusqu’à 31,4 pour cent en erreur absolue moyenne. Adaptive GWaveNet recule aussi, mais seulement d’environ 1,7 à 2,1 pour cent. DCRNN se comporte moins prévisiblement : il progresse avec un réglage aléatoire et un réglage sémantique, mais se dégrade jusqu’à 24,9 pour cent ailleurs.

Le test de remplacement montre donc un motif utile : certains prévisionneurs peuvent utiliser des liens fondés sur les lieux comme carte spatiale principale. D’autres ont besoin du réseau routier pour rester stables, et les forcer sur un graphe sémantique seul dégrade les prévisions. Ce résultat pose une question plus difficile : la signification des lieux peut elle aider sans effacer la structure de rue que le trafic suit déjà.

Conserver la carte routière et ajouter la carte fondée sur les lieux

Le test par ajout conserve les connexions ordinaires par distance routière et donne à chaque prévisionneur une seconde carte de connexions en même temps. Une seconde carte relie les capteurs selon le caractère de leur entourage, pas seulement selon l’écart entre eux sur le réseau autoroutier. Dans ce montage, le modèle peut utiliser les deux vues de l’espace tout en apprenant quel poids donner à chacune. Ce choix aide parce que le trafic circule sur les routes et répond aussi à la fonction d’un lieu, des immeubles de bureaux aux zones commerciales.

Le test de San Diego utilise 716 capteurs et plus de 35000 mesures temporelles, si bien que le résultat ne vient pas d’un petit coin d’une seule ville. La plupart des prévisionneurs progressent quand la carte fondée sur les lieux est ajoutée à côté de la carte par distance routière. STGCN réduit son erreur absolue moyenne de 7,7 pour cent avec la version du voisinage élargi à 600 mètres. D2STGNN fait mieux encore et abaisse la même mesure d’erreur de 12,4 pour cent dans le même réglage. STTN gagne 5,0 pour cent quand il utilise la carte plus large du voisinage direct à 2,5 kilomètres.

DCRNN donne l’avertissement le plus net, parce que sa réponse dépend fortement de la carte fondée sur les lieux qu’il reçoit. Avec les cartes élargies à un saut, il réduit l’erreur de 15,9 pour cent à 600 mètres et de 11,7 pour cent à 2,5 kilomètres. Les cartes du voisinage direct produisent le résultat inverse : elles font monter l’erreur de 114,8 pour cent à 600 mètres et de 77,5 pour cent à 2,5 kilomètres. Cette variation montre que la carte ajoutée n’est pas une amélioration gratuite pour chaque architecture.

Une carte qui comprend où elle se trouve

La couche sémantique donne aux modèles de trafic un second moyen de voir la ville. Au lieu de traiter les capteurs comme des points reliés par distance routière, elle les traite comme des lieux porteurs de signification. Un capteur près d’immeubles de bureaux, d’écoles ou de pôles de transport porte une signature locale différente d’un capteur à côté d’une rue résidentielle. Cette signature vient de Wikidata, si bien que la même procédure peut passer d’une ville à l’autre sans construire à la main une carte locale.

Les gains de prévision sont réels et inégaux selon les modèles. Certains prévisionneurs progressent quand la matrice sémantique est ajoutée au réseau routier, tandis que d’autres changent peu ou se dégradent. Un motif de connexions aléatoire aide aussi plusieurs modèles, ce qui signifie qu’une partie du bénéfice peut venir d’une forme de graphe différente plutôt que de la signification seule.

La principale opportunité est que la méthode peut passer d’une ville à l’autre sans reconstruire à la main une ontologie locale des lieux. Elle ouvre aussi un chemin pour que les prévisionneurs utilisent les rôles administratifs et les fonctions proches sans reconstruire leur architecture centrale. Les obstacles pratiques sont assez clairs pour orienter les tests futurs. Wikidata est vaste, mais il peut manquer de détails locaux ou encoder les lieux de façon inégale. La matrice sémantique porte aussi un signal spatial, si bien qu’un gain ne peut pas toujours être rattaché à la signification seule. Certains modèles se dégradent fortement avec certains réglages, ce qui avertit que l’ajout d’un contexte peut troubler une architecture plutôt que de l’aider.

Au delà de la prédiction du trafic, l’idée pointe vers un changement plus large dans la façon dont les machines lisent les villes. Une rue porte plus qu’une géométrie ; elle a aussi un rôle dans la vie quotidienne. Si les prévisionneurs peuvent apprendre ce rôle à partir de connaissances partagées sur les lieux, ils peuvent anticiper la congestion avant que la distance routière seule ne l’explique. Une ville peut elle devenir prévisible par la signification de ses lieux plutôt que par la géométrie de ses rues ?