要約
交通状態データ（速度、交通量、所要時間など）は、広く普及した交通モニタリングセンサーから収集されるものであり、ネットワークレベルでの予測や重要な交通パターンの特定には、高度な解析手法が求められる。本研究では、オープンベンチマークにホストされているカリフォルニア州交通局（Caltrans）のパフォーマンス測定システム（PeMS）から得られる多様な交通状態データセットを活用し、広く知られた空間時系列モデルと比較して、有望な性能を達成した。人工知能（AI）のさまざまなタスクにおいて階層的アーキテクチャが成功を収めたことに着想を得て、低レベルから高レベルへのLong Short-Term Memory（LSTM）ネットワークにセル状態および隠れ状態を統合し、人間の知覚システムに類似したアテンションプーリング機構を導入した。開発された階層構造は、異なる時間スケールにおける依存関係を捉え、ネットワークレベルの交通状態における空間時系列相関を効果的に表現することを目的としており、単一のリンクや経路ではなく、すべての経路における交通状態の予測を可能にしている。アブレーションスタディを通じて、アテンションベースのLSTMの効率性が検証された。ベースラインのLSTMモデルとの比較結果から、階層的アテンションLSTM（HierAttnLSTM）モデルが、高い予測精度を実現するだけでなく、異常な渋滞パターンの予測にも有効であることが明らかになった。本研究で使用したデータおよびコードは公開されており、再現可能な科学的研究の支援を目的としている。