교통 예측을 위한 그래프 신경망 제어 미분 방정식

교통 예측은 머신러닝 분야에서 가장 대표적인 공간-시간 작업 중 하나이다. 이 분야에서 널리 사용되는 접근 방식은 공간-시간 처리를 위해 그래프 컨볼루션 네트워크(GCN)와 순환 신경망(RNN)을 결합하는 것이다. 최근에는 치열한 경쟁이 벌어지며 수많은 새로운 방법들이 제안되고 있다. 본 논문에서는 공간-시간 그래프 신경 컨트롤led 미분방정식(Spatio-Temporal Graph Neural Controlled Differential Equation, STG-NCDE)을 제안한다. 신경 컨트롤led 미분방정식(Neural Controlled Differential Equations, NCDEs)은 시계열 데이터 처리에 있어 획기적인 개념이다. 우리는 이 개념을 확장하여 시간 처리용과 공간 처리용으로 각각 두 가지 NCDE를 설계하였으며, 이후 이를 하나의 통합 프레임워크로 결합하였다. 6개의 벤치마크 데이터셋과 20개의 기준 모델을 대상으로 실험을 수행한 결과, STG-NCDE는 모든 경우에서 최고의 정확도를 보였으며, 모든 20개의 기준 모델을 유의미한 수준으로 상회하였다.