그래프 웨이브넷을 이용한 깊은 공간-시간 그래프 모델링

공간-시간 그래프 모델링은 시스템 내 구성 요소들의 공간적 관계와 시간적 추세를 분석하는 중요한 작업입니다. 기존 접근 방식들은 대부분 고정된 그래프 구조에서의 공간적 의존성을 포착하며, 엔티티 간의 근본적인 관계가 사전에 결정되었다고 가정합니다. 그러나 명시적인 그래프 구조(관계)는 반드시 실제 의존성을 반영하지 않을 수 있으며, 데이터의 불완전한 연결로 인해 진정한 관계가 누락될 수도 있습니다. 또한, 이러한 방법들에서 사용되는 RNN 또는 CNN은 장기 시간 시퀀스를 포착할 수 없으므로 시간적 추세를 효과적으로 포착하기 어렵습니다.이러한 제약을 극복하기 위해 본 논문에서는 공간-시간 그래프 모델링을 위한 새로운 그래프 신경망 아키텍처인 Graph WaveNet을 제안합니다. 새로운 적응형 의존성 행렬을 개발하고 노드 임베딩을 통해 학습함으로써 우리의 모델은 데이터 내의 숨겨진 공간적 의존성을 정확히 포착할 수 있습니다. 층별로 확장된 1D 컨볼루션 구성요소를 사용하여 계층 수가 증가함에 따라 수용 범위가 지수적으로 확대되므로, Graph WaveNet은 매우 긴 시퀀스를 처리할 수 있습니다. 이 두 가지 구성요소는 통합된 프레임워크에서 원활하게 결합되며, 전체 프레임워크는 엔드투엔드 방식으로 학습됩니다.두 개의 공개 교통 네트워크 데이터셋인 METR-LA와 PEMS-BAY에서 수행된 실험 결과는 우리 알고리즘의 우수한 성능을 입증합니다.