交通予測のためのデカップルド・ダイナミック空間時系列グラフニューラルネットワーク

移動性は私たちの生活に不可欠であり、車両交通は大多数の人の日常に大きな影響を与えています。したがって、道路ネットワーク内の交通状態を予測する能力は、重要な機能でありながらも極めて挑戦的な課題です。交通データは、道路ネットワークに設置されたセンサーから得られることが一般的です。近年、時空間グラフニューラルネットワーク(spatial-temporal graph neural networks)に関する提案が、交通データを拡散過程(diffusion process)としてモデル化することで、交通データに含まれる複雑な時空間相関を効果的に捉えることに大きな進展を遂げています。しかし直感的に考えると、交通データには二種類の隠れた時系列信号が含まれており、それぞれ拡散信号(diffusion signals)と固有信号(inherent signals)と呼ばれます。残念なことに、これまでの多くの研究は、交通信号をすべて拡散の結果として粗く扱い、固有信号の存在を無視する傾向にあり、これによりモデルの性能が低下する要因となっています。モデル性能の向上を目的として、本研究ではデータ駆動型のアプローチにより拡散情報と固有情報の分離を実現する新しい「分離型時空間フレームワーク」(Decoupled Spatial-Temporal Framework, DSTF)を提案します。このフレームワークは、独自の推定ゲート(estimation gate)と残差分解機構(residual decomposition mechanism)を備えており、分離された信号をそれぞれ拡散モジュールと固有モジュールで独立して処理できるように設計されています。さらに、DSTFの具体化として、「分離型動的時空間グラフニューラルネットワーク」(Decoupled Dynamic Spatial-Temporal Graph Neural Network, D2STGNN)を提案し、時空間相関を捉えるとともに、交通ネットワークの動的特性を学習するための動的グラフ学習モジュールを備えています。4つの実世界交通データセットを用いた広範な実験により、本フレームワークが最先端の性能を実現できることを示しました。