要約
私たちの日常生活は交通状況に大きく影響を受けており、道路網内の交通流を正確に予測することは極めて重要である。交通予測に用いられる交通信号は、通常、道路沿いに設置されたセンサーから得られるものであり、これらはグラフ上のノードとして表現できる。これらのセンサーは、通常の交通流を表す正常信号と、未知の交通混雑を示す異常信号の両方を生成する。グラフ畳み込みネットワーク（GCN）は、ネットワークノード間の相関関係を捉える能力があるため、交通予測に広く用いられている。しかし、従来の手法では、事前に定義されたまたは適応的に変化する隣接行列（adjacency matrix）が使用されており、実際の信号間の関係を正確に反映していない。この課題を解決するため、本研究では、分解型動的グラフ畳み込み再帰型ネットワーク（Decomposition Dynamic Graph Convolutional Recurrent Network: DDGCRN）を提案する。DDGCRNは、時系列変動する交通信号に基づいて動的グラフを生成するRNNベースのモデルと、動的グラフ畳み込み再帰型ネットワークを統合することで、空間的特徴と時系列的特徴の両方を効果的に抽出できる。さらに、DDGCRNは正常信号と異常信号を分離し、データ駆動型アプローチにより異常信号をモデル化することで、予測精度をさらに向上させている。6つの実世界データセットを用いた実験結果から、DDGCRNが現在の最先端手法を上回る性能を示した。ソースコードは以下のURLから公開されている：https://github.com/wengwenchao123/DDGCRN。