초록
장기적인 교통 예측은 교통 시스템의 복잡성과 영향을 미치는 다양한 요인들이 지속적으로 변화하는 특성으로 인해 매우 도전적인 과제이다. 본 논문에서는 시공간적 요인에 초점을 맞추어, 도로망 그래프 상의 다양한 위치에서 향후 시간 단계의 교통 상태를 예측하기 위한 그래프 다중 주의망(GMAN)을 제안한다. GMAN은 인코더-디코더 아키텍처를 채택하며, 인코더와 디코더 모두 시공간 주의 블록을 다수 포함하여 시공간적 요인이 교통 상태에 미치는 영향을 모델링한다. 인코더는 입력 교통 특징을 인코딩하고, 디코더는 출력 시계열을 예측한다. 인코더와 디코더 사이에는 변환 주의 레이어(Transfrom Attention Layer)를 도입하여 인코딩된 교통 특징을 변환하여 향후 시간 단계의 시퀀스 표현을 생성하고, 이를 디코더의 입력으로 활용한다. 변환 주의 메커니즘은 과거와 미래 시간 단계 간의 직접적인 관계를 모델링함으로써 예측 시간 단계 간의 오차 전파 문제를 완화하는 데 기여한다. 두 가지 실세계 교통 예측 작업(즉, 교통량 예측 및 교통속도 예측)에 대한 실험 결과를 통해 GMAN의 우수성을 입증하였다. 특히 1시간 전 예측에서 GMAN은 최신 기술(SOTA) 방법들에 비해 MAE 측정 기준으로 최대 4%의 성능 향상을 달성하였다. 소스 코드는 https://github.com/zhengchuanpan/GMAN 에서 공개되어 있다.