Traffic Transformer：時系列の連続性と周期性を捉えるための交通予測手法

交通予測は、異なるスケールにおける空間時系列依存関係を統合的にモデル化する複雑さから、困難な問題である。近年、このような依存関係を捉えるために、複数のハイブリッド型ディープラーニングモデルが開発されている。これらの手法は一般的に、空間的依存関係を捉えるために畳み込みニューラルネットワーク（CNN）またはグラフニューラルネットワーク（GNN）を用い、時間的依存関係を学習するために再帰型ニューラルネットワーク（RNN）を活用している。しかし、RNNは時系列データの順序性のみを捉えることができ、周期性（例えば週単位のパターン）をモデル化する能力に欠ける。さらに、RNNは並列化が困難であるため、学習および予測の効率性が低下するという課題がある。本研究では、時系列の連続性と周期性を捉え、空間的依存関係を効果的にモデル化するための新しいディープラーニングアーキテクチャ「Traffic Transformer」を提案する。本研究のアイデアは、機械翻訳に用いられるGoogleのTransformerフレームワークに由来している。実世界の交通データセット2種類を用いた広範な実験を行い、その結果、本モデルがベースラインモデルを大きく上回る性能を発揮することを示した。