要約
交通予測は公共の安全確保および資源最適化において極めて重要であるが、交通データの時間的変化および動的な空間相関性のため、実現が極めて困難である。こうした複雑な依存関係を捉えるために、時空間ネットワーク（例：グラフ畳み込みネットワークを組み込んだ再帰型ニューラルネットワーク、時系列畳み込みネットワークを搭載したグラフ畳み込みネットワーク、および完全グラフアテンションネットワークを用いた時系列アテンションネットワーク）が用いられている。しかし、従来の時空間ネットワークはエンドツーエンド学習に基づくため、非定常な交通時系列における分布シフト（distribution shift）に対処できないという課題がある。一方で、空間相関を効率的かつ効果的にモデル化する手法も、既存のネットワークでは依然として不足している。本論文では、新たなエンドツーエンドモデルを提案するのではなく、分布シフト問題を緩和するための新しい分離融合フレームワーク「STWave」を提示する。このフレームワークは、まず複雑な交通データを安定したトレンドと変動するイベントに分離し、その後、二重チャネルの時空間ネットワークを用いてそれぞれの要素を独立してモデル化する。最後に、トレンドとイベントの融合により、合理的な将来の交通状況を予測する。さらに、完全グラフアテンションネットワークに新しいクエリサンプリング戦略およびグラフウェーブレットに基づくグラフ位置符号化（graph positional encoding）を導入することで、動的な空間相関を効率的かつ高精度にモデル化している。6つの交通データセットを用いた広範な実験により、本手法が優れた予測精度を達成しつつ、計算コストを低減できることを示した。