T-GCN: 교통 예측을 위한 시계열 그래프 컨볼루션 네트워크

정확하고 실시간 교통 예측은 지능형 교통 시스템에서 중요한 역할을 하며, 도시 교통 계획, 관리 및 제어에 있어 큰 의미를 갖습니다. 그러나 도시 도로 네트워크의 위상 구조와 시간에 따른 동적 변화의 법칙, 즉 공간 의존성과 시간 의존성으로 인해 교통 예측은 항상 개방된 과학적 문제로 여겨져 왔습니다. 이 두 가지 의존성을 동시에 포착하기 위해, 우리는 그래프 컨볼루션 네트워크(GCN)와 게이트 순환 유닛(GRU)을 결합한 새로운 신경망 기반 교통 예측 방법인 시간 그래프 컨볼루션 네트워크(T-GCN) 모델을 제안합니다. 구체적으로, GCN은 복잡한 위상 구조를 학습하여 공간 의존성을 포착하고, GRU는 교통 데이터의 동적 변화를 학습하여 시간 의존성을 포착하는 데 사용됩니다. 그런 다음 T-GCN 모델은 도시 도로 네트워크를 기반으로 한 교통 예측에 활용됩니다. 실험 결과, 우리의 T-GCN 모델은 교통 데이터에서 시공간 상관관계를 얻을 수 있으며, 실제 세계의 교통 데이터셋에서 최신 기준 모델들보다 우수한 예측 성능을 보였습니다. 우리의 T-GCN 텐서플로우 구현은 https://github.com/lehaifeng/T-GCN에서 확인할 수 있습니다.