Prédiction de séries temporelles multi-variées stationnaires: modélisation du contexte pour l'analyse des données de transports - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Prédiction de séries temporelles multi-variées stationnaires: modélisation du contexte pour l'analyse des données de transports

Résumé

This article presents a new predictive model for multivariate time series that not only makes use of the relations between past and future values but also learns the representation of some exogenous features such as spatio-temporal context. We demonstrate the advantages of our model by applying it to the forecast of smart cards tap-in logs in the Parisian subway network: our model (that uses Recurent Neural Network to learn representations) outperforms the baseline for forecasting while also elegantly learning the spatio-temporal context.
Cet article décrit un nouvel algorithme prédictif dédié aux séries temporelles multi-variées qui se base non seulement sur les relations entre les valeurs passées et futures mais qui apprend aussi une représentation de certaines caractéristiques externes comme le contexte spatio-temporel. Nous démontrons l'intérêt de cette approche sur des données issues d'un système de transports en commun : notre algorithme d'apprentissage de représentation (qui utilise des réseaux de neurones récurrents) permet de dépasser significativement les méthodes de référence pour la prédiction de fréquentation tout en modélisant élégamment le contexte spatio-temporel des séries analysées.
Fichier principal
Vignette du fichier
ArticleGRETSI2019.pdf (354.85 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02269214 , version 1 (22-08-2019)

Identifiants

  • HAL Id : hal-02269214 , version 1

Citer

Valentin Guiguet, Perrine Cribier-Delande, Nicolas Baskiotis, Vincent Guigue. Prédiction de séries temporelles multi-variées stationnaires: modélisation du contexte pour l'analyse des données de transports. GRETSI 2019, Aug 2019, Lille, France. ⟨hal-02269214⟩
337 Consultations
484 Téléchargements

Partager

Gmail Facebook X LinkedIn More