초록
일반적인 교통 모니터링 센서를 통해 수집된 속도, 교통량, 이동 시간 등의 교통 상태 데이터는 예측 및 중요한 교통 패턴을 식별하기 위해 고도화된 네트워크 수준 분석 기술이 필요하다. 본 연구는 오픈 벤치마크에 호스팅된 캘리포니아 교통국(CALTRANS)의 성능 측정 시스템(PeMS)에서 제공하는 다양한 교통 상태 데이터셋을 활용하여, 잘 알려진 공간-시간 모델들과 비교해 뛰어난 성능을 달성하였다. 다양한 인공지능(AI) 작업에서 계층적 아키텍처의 성공 사례에 영감을 받아, 인간의 인지 시스템과 유사한 어텐션 풀링 메커니즘을 사용하여 저수준에서 고수준으로까지 Long Short-Term Memory(LSTM) 네트워크의 셀 상태와 은닉 상태를 통합한 구조를 제안하였다. 개발된 계층적 구조는 다양한 시간 스케일 간의 의존성을 고려하도록 설계되어, 네트워크 수준의 교통 상태에 대한 공간-시간 상관관계를 효과적으로 포착할 수 있으며, 단일 링크나 경로가 아닌 전체 코리도의 교통 상태 예측이 가능하게 한다. 제안된 어텐션 기반 LSTM의 효율성은 제거 실험(ablation study)을 통해 분석되었으며, 기준 LSTM 모델들과의 비교 결과, 계층적 어텐션 LSTM(HierAttnLSTM) 모델이 더 높은 예측 정확도를 제공함과 동시에 비정상적인 혼잡 패턴을 효과적으로 예측함을 입증하였다. 본 연구의 데이터 및 코드는 재현 가능한 과학 연구를 지원하기 위해 공개되었다.