Xiao-Rui Fang , Shanghai Jiao Tong University

La pandémie de COVID-19 a changé les habitudes de vie et de voyage des personnes. Pendant la pandémie, les voyageurs préfèrent davantage voyager en voiture privée, ce qui va à l’encontre des politiques de développement durable préconisées par les gouvernements. Bien que les recherches actuelles aient étudié les changements dans le comportement des personnes en matière de déplacements pendant la pandémie sous différents aspects, la façon de construire un modèle prédisant la fréquentation du métro pendant la pandémie reste encore peu étudiée. Dans cette étude, nous proposons un modèle d’apprentissage profond appelé Réseau d’attention de graphe hétérogène (HetGAN) pour la prévision du nombre d’usagers du métro pendant la pandémie COVID-19. Les stations de métro et les blocs géographiques urbains sont formulés comme des nœuds hétérogènes dans un réseau complexe qui contient à la fois la fréquentation du métro et les informations sur les infections. Le mécanisme d’attention est alors mis en œuvre pour capturer et agréger les informations des deux types de nœuds dans le graphe hétérogène. Des expériences numériques à New York montrent que, pendant la pandémie, le réseau graphique hétérogène proposé est capable de saisir la corrélation entre la fréquentation du métro et le nombre d’infections et de faire ensuite une prévision précise de la fréquentation du métro. En comparant les modèles de référence qui ne tiennent pas compte du nombre d’infections pandémiques, le modèle HetGAN proposé a obtenu un gain de performance de 11 % en moyenne. Cette étude contribue techniquement à aider les chercheurs et les décideurs politiques à prévoir le changement possible de la fréquentation du métro sous l’influence de la pandémie, et à prendre des mesures correspondantes à l’avance.
Xiao-Rui Fang

Mots-clés Prévision de l’fréquentation du métro, apprentissage en profondeur, COVID-19, réseau de graphiques hétérogènes, mécanisme d’attention