초록
교통 흐름의 공간-시간 데이터 예측은 서로 다른 도로 간에 복잡한 공간적 종속성과 시간 패턴의 동적 변화를 고려해야 하므로 도전적인 과제이다. 기존의 프레임워크는 일반적으로 주어진 공간적 인접성 그래프와 복잡한 메커니즘을 활용하여 공간적 및 시간적 상관관계를 모델링한다. 그러나 주어진 공간 그래프 구조의 표현이 제한적이며, 인접 연결이 완전하지 못할 경우 이러한 모델의 효과적인 공간-시간 종속성 학습이 제약받을 수 있다. 이러한 한계를 극복하기 위해 본 논문은 교통 흐름 예측을 위한 공간-시간 융합 그래프 신경망(Spatial-Temporal Fusion Graph Neural Networks, STFGNN)을 제안한다. STFGNN은 데이터 기반 방법으로 생성된 다양한 공간적 및 시간적 그래프를 새로운 융합 연산을 통해 효과적으로 활용함으로써 은닉된 공간-시간 종속성을 학습할 수 있다. 동시에, 이 융합 그래프 모듈과 새로운 게이트(convolution) 모듈을 통합한 유일한 레이어 구조를 도입함으로써 긴 시계열 데이터 처리도 가능하게 한다. 여러 공개 교통 데이터셋에 대한 실험 결과를 통해 제안한 방법이 다른 기준 모델들에 비해 일관되게 최상의 성능을 달성함을 입증하였다.