초록
상관관계가 있는 시계열 데이터 내에서 복잡한 공간적 및 시간적 상관관계를 모델링하는 것은 교통 시스템의 동역학을 이해하고 진화하는 교통 시스템의 미래 상태를 예측하는 데 필수적이다. 최근 연구들은 사전에 정의된 그래프를 활용하여 공유 패턴을 포착하기 위해 복잡한 그래프 신경망 아키텍처를 설계하는 데 주력해왔다. 본 논문에서는 사전에 정의된 그래프 없이도 노드별 특성 패턴을 학습하는 것이 교통 예측에 있어 필수적이라고 주장한다. 이를 위해, 그래프 컨볼루션 네트워크(GCN)에 새로운 능력을 부여하기 위한 두 가지 적응형 모듈을 제안한다. 첫째, 노드별 특성 패턴을 포착하기 위한 노드 적응형 파라미터 학습(NAPL) 모듈이며, 둘째, 서로 다른 교통 시계열 간의 상호의존성을 자동으로 추론하는 데이터 적응형 그래프 생성(DAGG) 모듈이다. 또한, 이 두 모듈과 순환 네트워크를 기반으로 하여 교통 시계열 내에서 세밀한 공간적 및 시간적 상관관계를 자동으로 포착할 수 있는 적응형 그래프 컨볼루션 순환 네트워크(AGCRN)를 제안한다. 실제 두 개의 교통 데이터셋에 대한 실험 결과, 사전에 정의된 공간적 연결 정보 없이도 AGCRN이 최첨단 기법들을 상당한 격차로 능가함을 입증하였다.