要約
交通流予測は、交通分野における研究者および実務家にとって重要な課題である。しかし、交通流は通常、高い非線形性と複雑なパターンを示すため、予測は極めて困難である。既存の多くの交通流予測手法は、交通データの動的空間時系列相関を適切にモデル化する能力に欠けており、結果として満足のいく予測精度を達成できていない。本研究では、交通流予測問題を解決するため、新たな注目機構を用いた空間時系列グラフ畳み込みネットワーク（ASTGCN）モデルを提案する。ASTGCNは、交通流の3つの時間的特性——即ち、短期的な依存性、日周期性、週周期性——をそれぞれ独立してモデル化する3つの主要構成要素から構成される。具体的には、各構成要素は以下の2つの主要な部分で構成されている：1）空間時系列注目機構（spatio-temporal attention mechanism）により、交通データ内の動的空間時系列相関を効果的に捉えること；2）空間時系列畳み込み（spatio-temporal convolution）により、グラフ畳み込みを用いて空間的パターンを抽出し、従来の標準畳み込みを用いて時間的特徴を記述すること。これらの3つの構成要素の出力を重み付きで統合することで、最終的な予測結果を生成する。カリフォルニア州交通局のパフォーマンス測定システム（Caltrans Performance Measurement System, PeMS）から得た2つの実世界データセットを用いた実験により、提案するASTGCNモデルが最先端のベースライン手法を上回ることを実証した。