要約
交通系時系列データにおける複雑な空間的・時系列的相関をモデル化することは、交通動態の理解および進化する交通システムの将来状態予測において不可欠である。近年の研究では、事前に定義されたグラフを活用して共有パターンを捉えるために、複雑なグラフニューラルネットワーク（GNN）アーキテクチャの設計に注力している。本論文では、交通予測においてノード固有のパターンを学習することが本質的であり、事前定義されたグラフを用いる必要はないと主張する。この目的の下、GCNの性能を向上させるための2つのアダプティブモジュールを提案する。1つ目は、ノード固有のパターンを捉えるための「ノード適応的パラメータ学習（NAPL）モジュール」、2つ目は、異なる交通時系列間の相互依存関係を自動的に推定する「データ適応的グラフ生成（DAGG）モジュール」である。さらに、これらの2つのモジュールと再帰型ネットワークを組み合わせることで、交通時系列における細粒度な空間的・時系列的相関を自動的に捉える「アダプティブグラフ畳み込み再帰ネットワーク（AGCRN）」を提案する。実世界の2つの交通データセットを用いた実験結果から、空間的接続に関する事前定義グラフを一切使用せずに、AGCRNが最先端手法を大きく上回る性能を発揮することが示された。