Un article accepté publié dans Scientific Reports le 10 octobre par des chercheurs affiliés à l’Université du Roi Abdulaziz et à l’Université de Taif propose un réseau d’attention sur graphes combinant relations spatiales et temporelles pour classer la congestion routière. DLUMIS-TCF utilise Elastic Net pour sélectionner les variables, un réseau d’attention spatio-temporel hétérogène pour la classification, AdaBelief pour l’optimisation et SHAP pour expliquer la contribution des variables. L’évaluation s’appuie sur le jeu public Urban Mobility Intelligence de Kaggle, qui contient 3 287 trajets. L’article ne précise pas de ville pour ce jeu de données.

L’article rapporte une précision de 94,07 % sur une séparation test 80/20 et une moyenne de 94,15 % en validation croisée à dix blocs. Ces résultats portent sur la classification d’étiquettes de congestion faible, moyenne et élevée dans ce jeu de données ; ils ne montrent pas que le modèle a été utilisé sur la circulation urbaine en direct ou sur une route saoudienne. Les chercheurs indiquent que l’étude se limite à un seul benchmark et nécessite une validation supplémentaire avec des données urbaines réelles plus vastes et des flux en temps réel. La revue signale un article accepté mis en ligne en avance, dont la version finale peut encore être modifiée.