공간-시간 텐서 그래프 컨볼루션 네트워크를 이용한 교통 예측

정확한 교통 예측은 도시 교통의 안내 및 관리에 있어 핵심적인 요소이다. 그러나 기존의 대부분의 교통 예측 모델은 교통 데이터 간의 공간-시간적 종속성을 모델링할 때 계산 부담과 메모리 공간 사용량을 고려하지 않고 있다. 본 연구에서는 교통 속도 예측을 위한 인자 분해된 공간-시간 텐서 그래프 컨볼루션 네트워크(Factorized Spatial-Temporal Tensor Graph Convolutional Network)를 제안한다. 교통 네트워크는 공간적 정보와 시간적 정보를 동시에 통합한 그래프로 모델링되고 통합된다. 또한 그래프 컨볼루션을 텐서 공간으로 확장하여, 공간-시간 그래프 데이터로부터 보다 구분력 있는 특징을 추출할 수 있는 텐서 그래프 컨볼루션 네트워크를 제안한다. 계산 부담을 줄이기 위해 터커 텐서 분해(Tucker tensor decomposition)를 활용하여 인자 분해된 텐서 컨볼루션을 도출하였으며, 이는 소규모의 공간, 시간, 특징 모드에서 별도로 필터링을 수행한다. 더불어, 텐서 분해 과정에서 의미 없는 성분을 제거함으로써 교통 데이터의 노이즈 억제 효과를 얻을 수 있다. 두 개의 실제 교통 속도 데이터셋에 대한 광범위한 실험을 통해 제안된 방법이 기존 전통적인 교통 예측 방법보다 더 효과적이며, 동시에 최신 기술 수준(SOTA, state-of-the-art)의 성능을 달성함을 입증하였다.