要約
交通流の空間時系列予測は、異なる道路間における複雑な空間的依存関係および時系列パターンの動的変化に起因し、困難な課題である。従来の枠組みは、空間的および時系列的相関をモデル化するために、与えられた空間的隣接グラフと高度な機構を用いることが一般的である。しかし、不完全な隣接接続を有する与えられた空間的グラフ構造の表現が限定的であるため、これらのモデルが効果的な空間時系列依存関係の学習を行うことを制限する可能性がある。こうした課題を克服するために、本論文では交通流予測のための空間時系列融合グラフニューラルネットワーク（STFGNN）を提案する。STFGNNは、データ駆動型手法により生成された複数の空間的および時系列的グラフを新たな融合演算によって統合することで、隠れた空間時系列依存関係を効果的に学習可能である。さらに、この融合グラフモジュールと新規のゲート付き畳み込みモジュールを統合したユニファイド層を採用することで、長時間系列の処理も可能となる。複数の公開交通データセットにおける実験結果から、本手法が他のベースライン手法と比較して一貫して最先端の性能を達成することが示された。