3D 그래프 컨볼루션 네트워크와 시계열 그래프: 교통 예측을 위한 공간 정보 자유 프레임워크

공간-시간 예측은 교통 분야를 포함한 많은 응용 영역에서 중요한 역할을 합니다. 그러나 도로 네트워크 내의 복잡한 공간-시간 의존성과 높은 비선형 동역학으로 인해 교통 예측 작업은 여전히 어려운 문제입니다. 기존 연구들은 무거운 학습 비용을 초래하거나 공간-시간 패턴을 정확하게 포착하지 못하며, 유사한 패턴을 공유하는 먼 거리의 도로 간 상관관계를 무시하는 경향이 있습니다. 본 논문에서는 이러한 문제들을 해결하기 위한 새로운 딥러닝 프레임워크인 3D 시간 그래프 컨볼루셔널 네트워크(3D-TGCN)를 제안합니다. 모델의 두 가지 혁신적인 구성 요소를 소개합니다. (1) 공간 정보에 기반하여 도로 그래프를 구축하는 대신, 각 도로의 시계열 데이터 간 유사성을 비교하여 학습함으로써 공간 정보가 필요 없는 프레임워크를 제공합니다. (2) 우리는 공간-시간 데이터를 더욱 정확하게 모델링하기 위한 원천적인 3D 그래프 컨볼루션 모델을 제안합니다. 실증적 결과는 3D-TGCN이 최신 기준모델들보다 우수한 성능을 보일 수 있음을 입증하고 있습니다.