Les modèles d'apprentissage profond utilisés pour prédire des données spatio-temporelles utilisent généralement des embeddings pour représenter les différents nœuds qui composent un graphe, et peuvent ainsi représenter les caractéristiques des nœuds à prédire. Alors que dans d'autres domaines de l'apprentissage profond, comme le traitement du langage naturel, un pré-entraînement est effectué sur de grands ensembles de données pour obtenir les embeddings puis les appliquer à une autre tâche avec un ensemble de données plus petit, dans le cas des problèmes spatio-temporels, c'est une tâche plus complexe. Par conséquent, dans cet article, nous proposons une méthode d'entraînement sur plusieurs graphes simultanément pour améliorer les embeddings, en utilisant un modèle adapté au problème et un ensemble de données généré à partir de sous-graphes. Pour valider la méthode, un nouvel ensemble de données a été généré à partir de plusieurs ensembles de données utilisés pour la prévision du trafic. Les résultats obtenus montrent que les embeddings générés avec un entraînement sur plusieurs ensembles de données augmentent la précision des prédictions, améliorant les métriques dans les ensembles de données utilisés pour la validation. De plus, une analyse des embeddings a été réalisée pour ajouter de l'explicabilité à notre méthode, fournissant une meilleure compréhension de la manière dont cet entraînement affecte les embeddings générés.
García-Sigüenza et al. (Sat,) ont étudié cette question.