초록
도시 교통 제어 및 안내를 위한 적시적이고 정확한 교통 예측은 매우 중요합니다. 교통 흐름의 높은 비선형성과 복잡성으로 인해 전통적인 방법들은 중장기 예측 과제의 요구사항을 충족시키지 못하며, 종종 공간적 및 시간적 의존성을 간과합니다. 본 논문에서는 교통 분야에서 시계열 예측 문제를 해결하기 위해 새로운 딥러닝 프레임워크인 Spatio-Temporal Graph Convolutional Networks (STGCN)을 제안합니다. 일반적인 컨볼루션 및 순환 유닛을 사용하는 대신, 우리는 그래프 상에서 문제를 정식화하고 완전한 컨볼루션 구조로 모델을 구성하여, 더 적은 매개변수로 훨씬 빠른 학습 속도를 제공합니다. 실험 결과, STGCN 모델이 다중 규모의 교통 네트워크를 모델링함으로써 포괄적인 공간-시간 상관관계를 효과적으로 포착하며, 다양한 실제 교통 데이터셋에서 최신 기준 모델들을 일관되게 능가한다는 것을 보여주었습니다.