時空間自己監督学習による交通流予測

都市全体の交通流量を異なる時間帯で堅牢に予測することは、知能型輸送システムにおいて重要な役割を果たします。従来の研究では空間・時間相関性のモデリングに大きな努力が払われてきましたが、現行の手法には依然として二つの主要な制限があります。i) 多くのモデルは空間的な異質性（異なる地域が偏った交通流量分布を持つ可能性があること）を考慮せずに、すべての地域の流量を一括して予測しています。ii) これらのモデルは、通常すべての時間帯に対して共有パラメータ化された空間で時間相関性をモデリングするため、時間変動による交通パターンの時間的な異質性を捉えられていません。これらの課題に対処するために、我々は新しい空間・時間自己監督学習（Spatio-Temporal Self-Supervised Learning: ST-SSL）に基づく交通予測フレームワークを提案します。このフレームワークは、空間と時間両方の異質性を反映した交通パターン表現を強化し、補助的な自己監督学習パラダイムを使用します。具体的には、ST-SSLは時空間畳み込みを行う統合モジュール上に構築されており、これにより空間と時間全体での情報を符号化できます。適応的な空間・時間自己監督学習を達成するために、ST-SSLはまず属性レベルと構造レベル双方で交通流量グラフデータに対する適応的な拡張を行います。拡張された交通グラフデータ上で、二つの自己監督学習（Self-Supervised Learning: SSL）補助タスクが構築され、これらは主となる交通予測タスクに加えて、空間と時間を意識した拡張機能を提供します。四つのベンチマークデータセットでの実験結果から、ST-SSLが様々な最先端ベースラインを超える性能を持つことが示されています。実際のデータセットにおいて広範に存在する時空間異質性を考えると、提案されたフレームワークは他の時空間アプリケーションにも示唆を与える可能性があります。本モデルの実装は https://github.com/Echo-Ji/ST-SSL で公開されています。