초록
교통 예측 분야에서, 시간과 공간적 특성을 갖는 교통 흐름을 그래프로 모델링하는 그래프 컨볼루션 네트워크(GCN)는 뛰어난 성능을 달성해왔다. 그러나 기존의 GCN 기반 방법들은 그래프 구조를 도로망의 물리적 토폴로지로 수동적으로 정의하며, 교통 데이터에 대한 그래프 구조의 잠재적 의존성을 간과하고 있다. 또한 정의된 그래프 구조는 결정론적(deterministic)이기 때문에 불확실성에 대한 탐색이 부족하다. 본 논문에서는 교통 예측을 위한 베이지안 시공간 그래프 컨볼루션 네트워크(BSTGCN)를 제안한다. 제안하는 네트워크에서 그래프 구조는 도로망의 물리적 토폴로지와 교통 데이터로부터 엔드투엔드(end-to-end) 방식으로 학습되며, 교통 흐름 간의 관계를 더 정확하게 묘사할 수 있다. 더불어, 그래프 구조를 표현하기 위해 파라미터 기반의 생성 모델을 제안하여 GCN의 일반화 능력을 향상시켰다. 제안한 방법은 두 개의 실세계 데이터셋을 활용하여 검증되었으며, 실험 결과는 기존 최첨단 방법들과 비교해 BSTGCN이 우수한 성능을 보임을 입증하였다.