Apprentissage des dynamiques spatio-temporelles des réseaux mobiles pour s’adapter aux événements du monde ouvert

Contexte de la recherche

Le système de services de mobilité (Mobility-as-a-Service, MaaS) de la société moderne est une intégration transparente de divers modes de transport (transports publics, véhicules de location, vélos partagés, etc.). Pour permettre un fonctionnement stable de MaaS, il est indispensable de modéliser les dynamiques spatio-temporelles des réseaux de mobilité multimodale. Cependant, les méthodes existantes traitent implicitement les interactions entre les différents modes de transport, ou supposent que ces interactions sont invariables. Qui plus est, lorsque des événements du monde ouvert (vacances, conditions météorologiques défavorables, pandémies, etc.) se produisent, les comportements de mobilité collective des populations s’écartent considérablement de la normale, rendant cette tâche de modélisation encore plus difficile.

Source de l’article

Cet article est co-écrit par Zhaonan Wang du Département de Géographie et de Sciences de l’Information Géographique de l’Université de l’Illinois à Urbana-Champaign, Renhe Jiang, Xuan Song et Ryosuke Shibasaki du Centre de Sciences de l’Information Spatiale de l’Université de Tokyo, ainsi que Hao Xue, Flora D. Salim de la Faculté d’Informatique et de Génie de l’Université de Nouvelle-Galles du Sud. L’article a été accepté par la revue Artificial Intelligence (Intelligence Artificielle) et sera publié officiellement en 2024.

Contenu de la recherche et innovations

Processus de recherche

Cette recherche porte sur la tâche de prévision de la mobilité multimodale (Multimodal Mobility Nowcasting). Les auteurs ont d’abord conçu un réseau d’information de mobilité hétérogène (Heterogeneous Mobility Information Network, HMIN) pour représenter explicitement les interactions entre les différents modes de transport (c’est-à-dire l’“intermodalité”). Plus précisément, HMIN est composé de nœuds régionaux (region nodes), de nœuds modaux (modal nodes) et de différents types d’arêtes (edges) les reliant, permettant ainsi de capturer les dépendances à la fois spatiales et modales.

Ensuite, les auteurs ont proposé un nouveau générateur basé sur la mémoire et les filtres dynamiques (Memory-Augmented Dynamic Filter Generator, MDFG). MDFG peut générer des paramètres en temps réel en fonction des caractéristiques de la séquence d’entrée, permettant ainsi au modèle de répondre de manière appropriée à diverses situations, y compris les événements du monde ouvert jamais rencontrés auparavant. MDFG se compose d’une mémoire prototypique de mobilité (mobility prototype memory) entraînable et d’une couche de génération de filtre dynamique. La mémoire prototypique stocke des représentations prototypiques de mobilité de haut niveau, contenant des connaissances spatiales, temporelles et multimodales. La couche de génération de filtre dynamique interroge alors la mémoire prototypique pour trouver des représentations similaires à la séquence d’entrée actuelle, et génère des paramètres spécifiques à la séquence en conséquence.

Enfin, les auteurs ont combiné HMIN et MDFG pour concevoir un réseau spatio-temporel sensible aux événements du monde ouvert (Event-Aware Spatio-Temporal Network, EAST-Net). EAST-Net peut non seulement modéliser explicitement les interactions dynamiques entre les différents modes de transport, mais peut également ajuster ses paramètres de manière adaptative en fonction des caractéristiques de la séquence d’entrée actuelle, offrant ainsi une meilleure sensibilité et capacité d’adaptation aux événements.

Jeux de données

L’article utilise 5 jeux de données de mobilité du monde réel pour l’évaluation, couvrant différentes échelles spatio-temporelles et incluant des événements du monde ouvert ayant un impact sociétal majeur, tels que les tempêtes de neige “Jonas” à New York et Washington, D.C. (2016), l’ouragan “Dorian” en Floride (2019), la pandémie de COVID-19 aux États-Unis et à Chicago (2019).

Résultats expérimentaux

Les résultats expérimentaux montrent que, par rapport aux méthodes principales existantes, EAST-Net obtient des performances nettement supérieures dans la tâche de prévision de la mobilité multimodale, en particulier lorsque des événements du monde ouvert se produisent, démontrant ainsi sa sensibilité et sa capacité d’adaptation aux événements.

De plus, à travers une série d’expériences de transfert de connaissances, les chercheurs ont découvert qu’EAST-Net possède une certaine capacité de généralisation dans les domaines spatial et temporel. Plus précisément, sur le jeu de données COVID-19, les connaissances apprises à Chicago peuvent être relativement directement appliquées à l’échelle nationale américaine ; tandis que sur le jeu de données des tempêtes de neige, le transfert de connaissances entre les deux villes nécessite une formation supplémentaire pour s’adapter. Ces résultats suggèrent que, dans différents scénarios, la nature des motifs de mobilité (modes de transport vs destinations) peut influencer le degré de transférabilité des connaissances.

Signification de la recherche

Cette recherche a plusieurs implications majeures :

1) La structure HMIN représente explicitement les interactions entre les différents modes de transport, jetant les bases pour résoudre les problèmes d’optimisation multimodale coordonnée dans MaaS.

2) Le mécanisme MDFG permet au modèle d’ajuster dynamiquement ses paramètres en fonction du contexte, offrant ainsi une meilleure sensibilité et capacité d’adaptation aux événements, fournissant ainsi une approche de référence pour l’intelligence artificielle dans les environnements du monde ouvert.

3) Les expériences de généralisation indiquent que le mécanisme de mémoire et de représentation prototypique proposé pourrait devenir un composant essentiel des futurs modèles de base spatio-temporels, permettant aux modèles non seulement de s’adapter à différentes régions spatiales, mais aussi de répondre en temps opportun aux événements imprévus du monde ouvert.

Conclusion

Cette recherche aborde le problème de la modélisation dynamique spatio-temporelle des réseaux de mobilité multimodale, en particulier la manière de s’adapter aux situations exceptionnelles causées par les événements du monde ouvert. Les auteurs ont conçu un réseau d’information de mobilité hétérogène et un mécanisme de génération de paramètres dynamiques basé sur la mémoire, proposant ainsi un modèle de réseau spatio-temporel sensible aux événements du monde ouvert. De nombreux résultats expérimentaux valident les performances exceptionnelles du modèle en termes de sensibilité aux événements, d’adaptabilité et de capacité de généralisation, fournissant un soutien technologique précieux pour les applications réelles telles que MaaS. À l’avenir, ce domaine de recherche mérite une attention et une exploration continues de la part de l’industrie et du milieu académique.