要約
インテリジェント交通システム（ITS）の不可欠な構成要素として、交通予測は以下の3つの困難な課題に直面している。第一に、交通データは道路ネットワークと物理的に関連しており、従来のグリッド型テンソルではなく、交通グラフとして表現されるべきである。第二に、交通データは強い空間的依存性を示すため、交通グラフ内のノード間には複雑かつ動的な関係性が存在する。第三に、交通データは強力な時間的依存性を有しており、これは交通時系列モデル構築において極めて重要である。これらの課題に対処するため、本研究では従来の畳み込みニューラルネットワーク（CNN）をグラフ領域に拡張し、交通予測に適したグラフ構造を学習可能とする新しいフレームワーク「構造学習畳み込み（Structure Learning Convolution, SLC）」を提案する。技術的には、SLCは畳み込み演算に構造情報を明示的に組み込む。このフレームワーク下では、さまざまな非ユークリッド空間におけるCNN手法が本提案の定式化の特殊なケースとして捉えられ、グラフ上での学習に柔軟なメカニズムを提供する。この技術的アプローチに基づき、グローバル構造とローカル構造をそれぞれ捉える2つのSLCモジュールを提案し、これらを統合してエンドツーエンドの交通予測ネットワークを構築する。さらに、このプロセスにおいて、交通データの時間的依存性を捉えるためにPseudo Three Dimensional convolution（P3D）ネットワークをSLCと組み合わせる。6つの実世界データセットを用いた広範な比較実験の結果、本提案手法が最先端手法を著しく上回ることを示した。