L'apprentissage profond permet aux modèles de prévision du trafic d'intégrer plusieurs sources de données auxiliaires (telles que les informations météorologiques et temporelles), améliorant ainsi la précision des prévisions. Les méthodes existantes souffrent souvent de limitations en termes de généralité et de scalabilité, et ce domaine manque d'un cadre de référence unifié pour des comparaisons équitables des modèles. Cette absence entrave la cohérence de l'évaluation des performances, ralentit le développement de modèles robustes et adaptatifs, et complique la quantification des bénéfices incrémentaux des différentes sources de données auxiliaires. Pour résoudre ces problèmes, nous proposons MltAuxTSPP — un cadre de référence unifié d'apprentissage profond pour la prévision du trafic intégrant des données auxiliaires multi-sources. Ce cadre comprend des conteneurs de données standardisés et des modules d'intégration fusionnés, permettant un traitement unifié des données hétérogènes et améliorant la scalabilité. La représentation implicite unifiée qu'il génère peut être utilisée de manière transparente par divers modèles en aval, assurant des comparaisons équitables et reproductibles dans les mêmes conditions. Des expérimentations étendues sur des jeux de données réels démontrent que MltAuxTSPP exploite efficacement les caractéristiques météorologiques et temporelles pour améliorer la performance des prévisions à long terme, fournissant une base pratique et reproductible pour faire avancer la recherche en prévision de l'état du trafic.

prévision du trafic;plateforme de référence;apprentissage profond;données auxiliaires multi-sources