ドメイン敵対的空間時系列ネットワーク：都市間における短期交通予測のための転移可能なフレームワーク

正確なリアルタイム交通予測は、スマート交通システム（ITS）にとって不可欠であり、さまざまなスマートモビリティアプリケーションの基盤となる。この研究分野は深層学習に支配されているが、最近の研究では、新たなモデル構造の開発による精度向上の余地が徐々に小さくなっていることが示されている。そこで本研究では、異なるデータ分布およびネットワーク構造を持つ都市間で「予測に関する知識」を転移することで、精度の向上を実現できると捉えている。そのために、本論文では新たな転移可能な交通予測フレームワークとして、ドメインアドバーサリアル空間時系列ネットワーク（DASTNet）を提案する。DASTNetは、複数のソースネットワークで事前学習を行い、ターゲットネットワークの交通データを用いて微調整する。具体的には、グラフ表現学習とアドバーサリアルドメイン適応技術を活用して、ドメイン不変なノード埋め込みを学習し、その情報を時系列交通データのモデリングに統合する。筆者らの知る限り、本研究はネットワーク全体の交通予測問題に対して、アドバーサリアルマルチドメイン適応を初めて採用した初の試みである。DASTNetは、3つのベンチマークデータセットにおいて、すべての最先端ベースライン手法を一貫して上回る性能を示した。訓練済みのDASTNetは香港の新設交通検出器に適用され、検出器の稼働が可能になると、1日以内に正確な交通予測が即座に提供可能となった。全体として、本研究は交通予測手法の向上に向けた新たなアプローチを提示し、歴史的交通データが不足する都市における実践的意義を示している。