要約
都市交通制御および誘導において、適時に正確な交通予測は極めて重要である。交通流の高い非線形性と複雑さにより、従来の方法では中長期予測タスクの要件を満たすことができず、しばしば空間的・時間的依存関係が軽視されている。本論文では、交通分野における時系列予測問題を解決するための新しい深層学習フレームワーク、空間時間グラフ畳み込みネットワーク（Spatio-Temporal Graph Convolutional Networks: STGCN）を提案する。通常の畳み込みユニットや再帰ユニットを使用せず、問題をグラフ上に定式化し、完全な畳み込み構造に基づいてモデルを構築することで、少ないパラメータで高速な学習速度を実現している。実験結果から、当モデルSTGCNは多スケール交通ネットワークのモデリングを通じて包括的な空間時間相関関係を効果的に捉え、様々な実世界の交通データセットにおいて最先端の基準モデルを一貫して上回ることが示された。