초록
다변량 시계열 예측은 변수들이 시간과 공간에서 서로 얽혀 있는 경우, 예를 들어 교통 신호와 같은 상황에서 도전 과제를 안고 있다. 그래프 위에 신호를 정의함으로써, 열 확산 커널과 같은 관련 그래프 커널을 활용해 공간적 변화를 표현함으로써 이러한 복잡성을 완화할 수 있다. 그러나 이 커널만으로는 데이터의 실제 동역학을 충분히 포착하지 못하며, 그래프 구조에만 의존하기 때문이다. 이러한 격차는 역사적 데이터를 활용하는 데이터 기반 모델과 그래프 커널 표현을 결합함으로써 메울 수 있다. 본 논문에서는 다수의 열 확산 커널을 데이터 기반 예측 모델에 통합하여 교통 신호를 예측하는 교통 전파 모델을 제안한다. 우리는 베이지안 추론을 사용하여 모델 파라미터를 최적화함으로써 예측 오차를 최소화하고, 두 접근 방식의 혼합 비율을 결정한다. 이러한 혼합 비율은 훈련 데이터 크기와 데이터 이상(일반적으로 교통 데이터의 정점 시간대에 해당)에 크게 의존한다. 제안된 모델은 계산 비용이 낮은 반면, 최신의 딥 뉴럴 네트워크 수준의 예측 정확도를 달성한다. 특히 데이터 기반 모델이 주기성 모델링을 계승함으로써 장기 예측에서도 뛰어난 성능을 발휘한다.