Transformersを用いた効率的な大規模交通予測：空間データ管理の視点から

道路交通予測は、都市管理や個人の移動における交通管制や経路計画といった実世界のスマート交通システムにおいて極めて重要である。このような課題において、時空間グラフニューラルネットワーク（STGNN）が主流のアプローチとして注目されている。しかし、顕著な動的空間モデリングに基づくSTGNNの計算量は二次関数的であり、大規模な交通データに対しては処理のボトルネックとなっている。空間データ管理の観点から、本研究では、解釈可能性と忠実性を兼ね備えつつ、大規模交通予測において効率的かつ動的に空間依存性をモデル化するための新規なTransformerフレームワーク「PatchSTG」を提案する。具体的には、Transformerにおける動的計算に含まれる点の数を削減するため、不規則な空間パッチング手法を新たに設計した。この不規則空間パッチングは、まず、葉ノードの容量が小さいように不規則に分布する交通点を再帰的に分割するための葉付きK次元木（KDTree）を用い、次に、同じ部分木に属する葉ノードをパディングとバックトラッキングにより、占有率が等しくかつ重複のないパッチに統合する。このパッチ化されたデータに基づき、エンコーダでは深さ方向と幅方向のアテンションを交互に用いて、各パッチ内の点および同じインデックスを持つパッチ間の点から、動的に局所的およびグローバルな空間知識を学習する。4つの実世界の大規模交通データセットを用いた実験結果から、PatchSTGは最先端の性能を維持しつつ、学習速度とメモリ使用量において最大で10倍および4倍の改善を達成した。