交通予測のための時空間メタグラフ学習

交通予測は、多変量時系列予測における代表的な課題として、AI分野において重要な研究テーマの一つである。本研究では、交通流に内在する空間時系列的な非一様性および非定常性に対処するため、空間時系列データにおける新しいグラフ構造学習メカニズムとして「空間時系列メタグラフ学習（Spatio-Temporal Meta-Graph Learning）」を提案する。具体的には、メタノードバンクによって駆動されるメタグラフラーナーをGCRNエンコーダデコーダに組み込むことで、このアイデアを「メタグラフ畳み込み再帰ネットワーク（Meta-Graph Convolutional Recurrent Network, MegaCRN）」に実装した。本研究では、2つのベンチマークデータセット（METR-LAおよびPEMS-BAY）および東京の1,843本の高速道路区間をカバーする新規の大規模な交通速度データセットEXPY-TKYを用いて包括的な評価を実施した。その結果、すべての3つのデータセットにおいて、既存の最先端手法を上回る性能を達成した。さらに、複数の定性的評価を通じて、本モデルが異なるパターンを持つ道路区間および時刻帯を明示的に分離可能であり、異常交通状況に対しても堅牢に適応可能であることを示した。コードおよびデータセットは、https://github.com/deepkashiwa20/MegaCRN にて公開されている。