TRAFFIC PREDICTION

• Main Authors: BOGAERTS, Toon, BOSMANS, Stig, CASTEELS, Wim
• Format: Patent
• Language: English; French
• Published: 23.06.2022
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; PHYSICS

Example embodiments describe a computer implemented method for training a learning model for traffic prediction at respective localities by means of a learning system comprising a convolution engine and an encoder-decoder, the method comprising: constructing a graph representation of the localities based on a spatial relation between the respective localities; populating the constructed graph with traffic data characterizing the traffic in the respective localities at respective time periods;convolving, by the convolution engine, for a respective locality and for a respective time period, the traffic data in the respective locality with the traffic data in its neighbouring localities, thereby obtaining relation-based traffic representation; processing, by the encoder-decoder, for a respective locality and for a respective time period, the relation-based traffic representation, thereby obtaining a gradient information; and updating, for a respective locality, the learning model with the obtained gradient information, thereby training the learning model. Des modes de réalisation illustratifs décrivent un procédé mis en œuvre par ordinateur permettant d'entraîner un modèle d'apprentissage pour une prédiction de trafic à des localités respectives au moyen d'un système d'apprentissage comprenant un moteur de convolution et un codeur-décodeur, le procédé consistant à : construire une représentation graphique des localités sur la base d'une relation spatiale entre les localités respectives ; peupler le graphique construit avec des données de trafic caractérisant le trafic dans les localités respectives à des périodes de temps respectives ; convoluer, par le moteur de convolution, pour une localité respective et pour une période de temps respective, les données de trafic dans la localité respective avec les données de trafic dans ses localités voisines, obtenant ainsi une représentation de trafic basée sur une relation ; traiter, par le codeur-décodeur, pour une localité respective et pour une période de temps respective, la représentation de trafic basée sur une relation, obtenant ainsi des informations de gradient ; et mettre à jour, pour une localité respective, le modèle d'apprentissage à l'aide des informations de gradient obtenues, entraînant ainsi le modèle d'apprentissage.