要約
正確な交通予測は都市交通の誘導および管理において極めて重要である。しかし、現在の大多数の交通予測モデルは、交通データ間の空間時系列的依存関係を捉える際に、計算負荷やメモリ使用量の観点を十分に考慮していない。本研究では、交通速度予測に対応するため、因子分解型空間時系列テンソルグラフ畳み込みネットワーク（Factorized Spatial-Temporal Tensor Graph Convolutional Network）を提案する。交通ネットワークを空間的・時系列的情報を同時に統合したグラフとしてモデル化・統一することで、空間時系列的な構造を効果的に表現する。さらに、グラフ畳み込みをテンソル空間へ拡張し、空間時系列グラフデータからより判別力の高い特徴を抽出可能なテンソルグラフ畳み込みネットワークを構築した。計算負荷の低減を図るため、Tuckerテンソル分解を採用し、因子分解型テンソル畳み込みを導出。この手法は、小規模な空間、時間、特徴モードごとに別々にフィルタリングを実行することで、効率的な処理を実現する。また、テンソル分解の過程で微小な成分を除去することで、交通データのノイズ抑制効果も得られる。2つの実世界の交通速度データセットを用いた広範な実験により、本手法が従来の交通予測手法を上回る有効性を示し、同時に最先端の性能を達成することが確認された。