要約
交通予測は機械学習分野における最も代表的な時空間タスクの一つである。現在の主流アプローチとして、時空間処理のため、グラフ畳み込みネットワーク（GCN）と再帰型ニューラルネットワーク（RNN）を組み合わせる手法が広く用いられている。この分野では競争が激しく、多数の新規手法が提案されている。本論文では、時空間グラフニューラル制御微分方程式（STG-NCDE）という新たな手法を提示する。ニューラル制御微分方程式（NCDE）は、順序データ処理において画期的な概念である。本研究ではこの概念を拡張し、時間的処理用と空間的処理用の2種類のNCDEを設計した。その後、これらを統合した単一のフレームワークを構築した。6つのベンチマークデータセットと20のベースラインを用いた実験において、STG-NCDEはすべてのケースで最も高い精度を達成し、すべてのベースラインを有意な差で上回った。