グラフ・ウェーブネットを用いた深層空間時間グラフモデリング

空間時間グラフモデリングは、システム内の構成要素の空間関係と時間的傾向を分析する重要な課題である。既存の手法は主に固定されたグラフ構造上の空間依存関係を捉え、エンティティ間の基礎的な関係が事前に決定されているという前提に基づいている。しかし、明示的なグラフ構造（関係）は必ずしも真の依存関係を反映せず、データの不完全な接続により本質的な関係が欠落する可能性がある。さらに、既存の手法ではRNNやCNNが使用されているが、これらの手法は長期間の時間系列を捉えることができず、時間的傾向を効果的に把握できない。これらの制約を克服するために、本論文では新しいグラフニューラルネットワークアーキテクチャであるGraph WaveNetを提案する。新規開発した適応型依存行列をノード埋め込みを通じて学習することで、当モデルはデータ内の隠れた空間依存関係を正確に捉えることができる。また、受容野が層数とともに指数関数的に拡大するスタックされた1次元ディラテッド畳み込みコンポーネントにより、Graph WaveNetは非常に長い系列を処理できる。これら2つのコンポーネントは統一フレームワーク内でシームレスに統合され、全体的なフレームワークはエンドツーエンドで学習される。METR-LAおよびPEMS-BAYという2つの公開交通ネットワークデータセットにおける実験結果は、当アルゴリズムの優れた性能を示している。