초록
공간-시간 예측은 신경과학, 기후 및 교통 분야에서 다양한 응용 사례를 가지고 있습니다. 교통 예측은 이러한 학습 과제의 대표적인 예시 중 하나입니다. 이 과제는 (1) 도로 네트워크 상의 복잡한 공간적 의존성, (2) 변하는 도로 상태에 따른 비선형 시간 동역학, (3) 장기 예측의 본질적인 어려움 등으로 인해 도전적입니다. 이러한 문제들을 해결하기 위해, 우리는 교통 흐름을 방향 그래프 상의 확산 과정으로 모델링하고, 공간적과 시간적 의존성을 모두 포함하는 교통 예측을 위한 딥러닝 프레임워크인 확산 합성곱 순환 신경망(DCRNN; Diffusion Convolutional Recurrent Neural Network)을 제안합니다. 구체적으로, DCRNN은 그래프 상의 양방향 랜덤 워크를 사용하여 공간적 의존성을 포착하며, 인코더-디코더 아키텍처와 스케줄 샘플링을 활용하여 시간적 의존성을 포착합니다. 우리는 두 개의 실제 대규모 도로 네트워크 교통 데이터셋에서 이 프레임워크를 평가하였으며, 최신 기법들보다 일관되게 12% - 15% 개선된 성능을 확인할 수 있었습니다.