PGSFormer : prédiction du flux de trafic basée sur l’optimisation conjointe de réseaux convolutionnels progressifs sur graphes et d’un transformer pour sous-séries

Pourquoi des prévisions de trafic plus intelligentes comptent

Les villes du monde entier affrontent des embouteillages qui gaspillent du temps, du carburant et de l’argent. À mesure que davantage de routes sont équipées de capteurs, nous collectons désormais d’énormes volumes de données en temps réel sur les déplacements des véhicules. Le défi consiste à transformer ces données en prévisions fiables à court et à long terme afin d’ajuster les feux de circulation, de proposer des itinéraires et de réduire la congestion avant qu’elle n’apparaisse. Cet article introduit PGSFormer, une nouvelle méthode de prévision qui vise à prédire le trafic avec plus de précision en apprenant comment l’espace (l’emplacement des routes) et le temps (l’évolution des motifs) interagissent dans le monde réel.

Des moyennes simples aux motifs complexes

Les premiers outils de prédiction du trafic reposaient principalement sur des statistiques simples, comme la moyenne historique, ou sur des modèles supposant des schémas réguliers et répétitifs. Ces approches fonctionnent uniquement lorsque les données se comportent de manière stable, presque linéaire — ce qui est rarement le cas pour le trafic réel. La congestion peut apparaître soudainement, se propager de façon imprévisible à travers une ville et être influencée par de nombreux facteurs tels que l’heure de la journée, le jour de la semaine ou des incidents à proximité. Par la suite, les méthodes d’apprentissage profond ont commencé à utiliser les réseaux routiers sous forme de graphes, où chaque capteur est un nœud et chaque liaison routière une arête. Ces modèles basés sur les graphes ont amélioré la précision en reconnaissant que ce qui se passe sur une route affecte fortement ses voisines. Pourtant, la plupart continuent de traiter les connexions routières comme fixes, ignorant que les relations entre routes peuvent évoluer dans le temps.

Capturer un réseau routier vivant et changeant

PGSFormer repose sur l’idée qu’un réseau de trafic urbain n’est pas statique ; il se comporte plutôt comme un système vivant dont les connexions internes évoluent d’un instant à l’autre. Plutôt que de s’appuyer uniquement sur la configuration physique des routes, la méthode construit ce que les auteurs appellent un graphe progressif. Dans ce graphe, la force de la connexion entre deux capteurs quelconques dépend de la similarité de leurs tendances de trafic récentes, et non uniquement de leur proximité sur la carte. Par exemple, une zone scolaire et un quartier de bureaux voisin peuvent se comporter de manière similaire pendant l’heure de pointe du matin, mais très différemment l’après-midi. PGSFormer met continuellement à jour ces connexions pendant l’entraînement et le test, de sorte que le modèle peut réagir aux données fraîches au lieu d’être enfermé dans des schémas appris il y a longtemps.

Explorer profondément le temps sans se perdre

Un autre obstacle dans la prévision du trafic est la gestion de longues séries temporelles. Les données de trafic présentent souvent plusieurs cycles qui se chevauchent — heures de pointe quotidiennes, rythmes hebdomadaires et même variations saisonnières. Les méthodes standard peuvent se concentrer excessivement sur le passé récent et manquer des tendances plus lentes, ce qui nuit aux prévisions à longue portée. PGSFormer aborde cela en combinant deux idées. Premièrement, il utilise un type particulier de convolution temporelle capable de remonter loin dans le passé sans nécessiter un réseau extrêmement profond, ce qui l’aide à capter à la fois les variations rapides et les tendances plus larges. Deuxièmement, il découpe les longues séries en sous-séquences plus courtes et les injecte dans un Transformer — une architecture puissante conçue à l’origine pour le langage — tout en masquant une partie de ces sous-séquences et en demandant au modèle de les reconstruire. Cette tâche de « sous-séries masquées » apprend au système à comprendre le contexte global plutôt qu’à mémoriser des points de données isolés.

Tests sur des données de trafic réelles

Pour évaluer les performances de PGSFormer en conditions réelles, les auteurs l’ont testé sur quatre grands ensembles de données du monde réel provenant de Californie, couvrant des centaines de capteurs routiers à Los Angeles et dans la région de la baie de San Francisco, ainsi que deux autres réseaux autoroutiers. Ils ont comparé leur méthode à un large éventail de concurrents, depuis des modèles classiques comme ARIMA jusqu’à des systèmes modernes d’apprentissage profond utilisant des graphes, des réseaux récurrents et des architectures basées sur Transformer. Sur l’ensemble des jeux de données et pour différents horizons de prédiction — 15, 30 et 60 minutes — PGSFormer a systématiquement affiché des erreurs plus faibles. Il s’est montré particulièrement performant sur les horizons longs, où de nombreux modèles ont tendance à dériver. Des expériences supplémentaires, dans lesquelles des composants individuels du système ont été retirés, ont montré que tant le graphe progressif que le Transformer sur sous-séquences masquées sont cruciaux pour son succès.

Ce que cela signifie pour les déplacements quotidiens

Pour le grand public, l’essentiel est que PGSFormer représente une manière plus réaliste de penser le trafic urbain. Plutôt que de supposer que les routes n’influencent que leurs voisins immédiats ou que les schémas ne changent jamais, il apprend en continu quelles zones se comportent de manière similaire à l’instant présent et utilise cette connaissance pour mieux anticiper l’avenir. Dans des tests sur des données réelles d’autoroutes, cette approche a produit des prévisions plus précises et plus stables que beaucoup de méthodes existantes. Intégrés aux centres de gestion du trafic, aux applications de navigation ou aux outils de planification des transports publics, de tels modèles pourraient contribuer à réduire la congestion, raccourcir les trajets et mieux exploiter l’infrastructure routière existante sans construire un seul kilomètre d’asphalte supplémentaire.

Citation: Chen, L. PGSFormer: traffic flow prediction based on joint optimization of progressive graph convolutional networks with subseries transformer. Sci Rep 16, 7200 (2026). https://doi.org/10.1038/s41598-026-35643-x

Mots-clés: prévision du trafic, réseaux de neurones sur graphes, modèles Transformer, transport intelligent, données spatiotemporelles