jojonocode/traffic-prediction-lstm

🚦 Traffic Flow Prediction - Multi-Paradigm LSTM

Ce dépôt contient des modèles de Deep Learning (PyTorch) conçus pour la prédiction du flux de trafic routier. Le projet compare deux approches : un Modèle Global (entraîné sur toutes les jonctions) et des Modèles Spécifiques (un par jonction).

🏗️ Architecture du Modèle

Le modèle utilise une architecture LSTM (Long Short-Term Memory) optimisée :

• Input Layer: 9 features (temporelles + historiques).
• LSTM Layers: 2 couches superposées avec un hidden_size de 128.
• Regularization: Dropout (0.3) et Batch Normalization après le LSTM pour stabiliser l'apprentissage.
• Output Layer: Couche dense (Linear) pour la prédiction scalaire du nombre de véhicules.

📊 Variables d'Entrée (Input Features)

Le modèle a été entraîné avec un encodage cyclique pour capturer la périodicité du trafic :

1. hour_sin / hour_cos : Heure de la journée (0-23).
2. dayofweek : Jour de la semaine (Lundi-Dimanche).
3. month : Mois de l'année.
4. is_weekend : Flag binaire (0 ou 1).
5. veh_lag_1, 2, 3, 24 : Historique du trafic à T-1h, T-2h, T-3h et T-24h.

🚀 Utilisation avec FastAPI / Spark Streaming

Le format .pt est prêt pour TorchScript ou un chargement direct dans un backend Python.

import torch
model = TrafficLSTM(input_size=9) # Classe définie dans l'app
model.load_state_dict(torch.load('global_model.pt'))
model.eval()

📈 Performances (MAE)

Jonction	Modèle Global (P1)	Modèle Spécifique (P2)
J1	3.73	5.09
J2	1.98	2.98
J3	2.61	3.65
J4	2.13	2.13

Note : Le modèle Global surpasse souvent les modèles spécifiques grâce à la généralisation des patterns de trafic entre jonctions.

📁 Structure du Repo

• global_model.pt : Le modèle principal prêt à l'emploi.
• specific_junctions/ : Modèles spécialisés pour des comportements atypiques de certaines routes.

---

Contact: jojonocode | Frameworks: PyTorch, Sklearn, HuggingFace Hub