要約
多次元時系列予測は、変数同士が時間的・空間的に複雑に相互作用しているため、交通信号のようなケースでは特に課題となる。グラフ上に信号を定義することで、熱拡散カーネルなどの関連するグラフカーネルを用いて空間的な信号の変化を表現することにより、こうした複雑性を緩和できる。しかし、このカーネル単体ではグラフ構造に依存するのみであり、実際のデータの動的挙動を十分に捉えることはできない。このギャップを埋めるためには、グラフカーネルの表現を、過去のデータを活用するデータ駆動型モデルと組み合わせることが有効である。本研究では、複数の熱拡散カーネルを統合したデータ駆動型予測モデルとして、交通信号の予測を目的とした交通伝播モデルを提案する。モデルのパラメータはベイズ推論を用いて最適化し、予測誤差を最小化することで、2つのアプローチの混合比率を決定する。この混合比率は、訓練データのサイズやデータ異常（通常は交通量のピーク時間に相当）に強く依存する。提案モデルは、最先端の深層ニューラルネットワークと同等の予測精度を達成しつつ、計算コストを低減している。特に、データ駆動型モデルが周期性をモデル化する特性を活かすことで、長期予測において顕著な優れた性能を発揮している。