3D グラフ畳み込みネットワークと時系列グラフ：交通予測のための空間情報不要フレームワーク

空間時間予測は、多くの応用分野、特に交通領域において重要な役割を果たしています。しかし、道路ネットワークにおける複雑な空間時間依存関係と高次非線形動態のため、交通予測タスクは依然として困難です。既存の研究では、重い学習コストが発生するか、または空間時間パターンを正確に捉えることができず、遠隔地にある類似のパターンを持つ道路間の相関関係も無視されています。本論文では、これらの問題を克服する新しい深層学習フレームワークである3D Temporal Graph Convolutional Networks (3D-TGCN) を提案します。当モデルの2つの新規構成要素について説明します。(1) 空間情報に基づいて道路グラフを構築するのではなく、各道路の時系列データ間の類似性を比較して学習することで、空間情報を必要としないフレームワークを提供します。(2) 空間時間データをより正確にモデリングするために、独自の3次元グラフ畳み込みモデルを提案します。実験結果から、3D-TGCN が最先端の基準モデルを超える性能を示すことが確認されました。