17日前

交通予測のためのマルチヘッド時空間注意力グラフ畳み込みネットワーク

{Rauf HT, Yu Y, Sarfraz MS, Qin Z, Aftab MU, Oluwasanmi A}
要約

スマート交通システム(ITS)は、現代のグローバルな技術発展において不可欠な要素となっており、特定の交通施設へ通勤する車両や個人の正確な統計的推定において重要な役割を果たしている。これにより、交通分析に適切なインフラ整備を設計・実装するための理想的な基盤が整う。しかし、道路網の非ユークリッド的かつ複雑な分布特性、および都市部における道路網のトポロジカルな制約により、交通予測は依然として極めて困難な課題である。本研究では、この課題を解決するために、グラフ畳み込みネットワーク(GCN)、ゲート付き再帰ユニット(GRU)、およびマルチヘッドアテンション機構を統合した交通予測モデルを提案する。このモデルは、交通データの空間的・時系列的依存性およびトポロジカルな変動を同時に捉え、効果的に組み込むことを可能にする。ロサンゼルスの高速道路交通データ(Los-loop)を用いた15分先の交通予測において91.8%の精度を達成し、深セン市(SZ-taxi)データセットでは15分および30分先の予測においてR²スコア85%を記録した。これらの結果から、本モデルが交通データのグローバルな空間的変動および時間的な動的変化を効果的に学習できることを示した。本モデルは、SZ-taxiおよびLos-loopデータセットにおいて、現行の最先端技術を上回る交通予測性能を実現した。