패턴을 기억하는 법: 교통 예측을 위한 패턴 매칭 메모리 네트워크

도로 네트워크의 복잡성과 도로 상의 다양한 사건으로 인한 급격한 속도 변화로 인해 교통 예측은 여전히 도전적인 문제로 남아 있다. 이러한 문제를 해결하기 위해 많은 모델들이 도로의 공간-시간적 의존성을 학습하는 데 초점을 맞추어 제안되어 왔다. 본 연구에서는 대량의 데이터가 일정한 패턴들의 집합으로 표현될 수 있다는 가정 아래, 교통 예측 문제를 패턴 매칭 문제로 재정의하는 새로운 관점을 제안한다. 이 새로운 관점의 타당성을 검증하기 위해, 키-값 메모리 구조를 활용하여 입력 데이터를 대표적인 패턴과 매칭하는 방식으로 학습하는 새로운 교통 예측 모델인 패턴 매칭 메모리 네트워크(Pattern-Matching Memory Networks, PM-MemNet)를 설계하였다. 먼저, 대표적인 교통 패턴을 추출하고 군집화하여 메모리 내의 키로 활용한다. 이후 추출된 키와 입력 데이터를 매칭함으로써 PM-MemNet은 메모리 내에 저장된 기존 교통 패턴의 필요 정보를 획득하고, 이를 예측에 활용한다. 공간-시간적 상관관계를 효과적으로 모델링하기 위해, 주의 메커니즘(attention)과 그래프 컨볼루션(graph convolution)을 통합한 새로운 메모리 아키텍처인 GCMem을 제안하였다. 실험 결과, PM-MemNet은 Graph WaveNet과 같은 최첨단 모델보다 더 높은 정확도를 보이며, 특히 도로 속도가 급격히 변화할 때 더 빠르고 민감한 반응을 보임을 확인하였다. 또한, PM-MemNet이 도로 속도 변화가 급격할 때 어떻게 작동하며 정확도를 높이는지에 대한 정성적 분석 결과를 제시하였다.