교통 예측을 위한 동적 그래프 컨볼루션 순환 네트워크: 벤치마크 및 솔루션

교통 예측은 지능형 교통 시스템의 핵심 요소이다. 스마트 시티의 응용 분야인 지능형 교통 관리 및 도시 계획을 위해서는 정확한 교통 예측이 필수적이다. 다양한 시공간 모델링 기법이 제안되어 왔지만, 대부분 도로망 내 지점 간 상관관계의 동적 특성을 무시하고 있다. 한편, 대부분의 순환 신경망(RNN) 기반 연구들은 반복 연산 구조로 인해 효율성이 부족하다. 더불어, 동일한 데이터셋에서 다양한 방법 간 공정한 비교가 매우 부족한 실정이다. 이러한 문제를 해결하기 위해 본 논문에서는 새로운 교통 예측 프레임워크인 동적 그래프 컨볼루션 순환 네트워크(Dynamic Graph Convolutional Recurrent Network, DGCRN)를 제안한다. DGCRN에서는 하이퍼네트워크를 설계하여 노드 속성에서 동적 특성을 활용하고 추출하며, 각 시간 단계에서 동적 필터의 파라미터를 생성한다. 이를 통해 노드 임베딩을 필터링하고, 동적 그래프를 생성한 후 고정된 정적 그래프와 통합한다. 본 논문에서 제안하는 방식은, 각 시간 단계에서 동적 그래프의 세밀한 구조를 생성하는 방식을 최초로 도입한 것으로, 알려진 바에 따르면 가장 처음이다. 또한, 효율성과 성능을 향상시키기 위해 디코더의 전방 및 역방향 전파 과정에서 반복 횟수를 제한하는 학습 전략을 도입한다. 마지막으로, 공정한 비교와 추가 연구를 위해 재현 가능한 표준화 벤치마크와 새로운 대표적인 교통 데이터셋을 공개한다. 세 가지 데이터셋에서 실시한 광범위한 실험 결과, 제안한 모델이 15개의 기준 모델을 일관되게 초과함을 입증하였다.