要約
空間時間予測は、神経科学、気候学、交通分野などにさまざまな応用が見られます。交通予測はそのような学習タスクの典型的な例の一つです。このタスクは、（1）道路ネットワーク上の複雑な空間依存関係、（2）変動する道路状況による非線形的な時間的動態、（3）長期予測の固有の難しさという理由から困難を伴います。これらの課題に対処するために、私たちは交通流を有向グラフ上の拡散過程としてモデル化し、交通予測に空間的および時間的依存関係を組み込んだ深層学習フレームワークである拡散畳み込み再帰ニューラルネットワーク（Diffusion Convolutional Recurrent Neural Network: DCRNN）を提案します。具体的には、DCRNNはグラフ上の双方向ランダムウォークを使用して空間依存関係を捉え、エンコーダー-デコーダー構造とスケジュールサンプリングを使用して時間依存関係を捉えます。私たちはこのフレームワークを2つの実世界の大規模道路ネットワーク交通データセットで評価し、最先端の基準モデルに対して一貫して12% - 15%の改善が観察されました。