교통 예측을 위한 분리형 동적 공간-시간 그래프 신경망

모든 사람은 이동성에 의존하며, 차량 운송은 대부분의 사람들의 일상생활에 직접적인 영향을 미친다. 따라서 도로 네트워크 내 교통 상태를 예측할 수 있는 능력은 중요한 기능이자 도전적인 과제이다. 교통 데이터는 일반적으로 도로 네트워크에 배치된 센서를 통해 수집된다. 최근 제안된 공간-시간 그래프 신경망은 교통 데이터를 확산 과정으로 모델링함으로써 복잡한 공간-시간 상관관계를 효과적으로 학습하는 데 큰 진전을 이루었다. 그러나 직관적으로 교통 데이터에는 두 가지 다른 종류의 은닉 시계열 신호가 포함되어 있다. 즉, 확산 신호와 고유 신호이다. 그러나 거의 모든 이전 연구들은 교통 신호를 단순히 확산의 결과로만 간주하며, 고유 신호를 간과함으로써 모델 성능에 부정적인 영향을 미쳤다. 성능 향상을 위해, 본 연구는 데이터 주도적으로 확산 정보와 고유 정보를 분리하는 새로운 분리형 공간-시간 프레임워크(DSTF: Decoupled Spatial-Temporal Framework)를 제안한다. 이 프레임워크는 고유한 추정 게이트(estimate gate)와 잔차 분해 메커니즘을 포함하고 있으며, 분리된 신호는 각각 확산 모듈과 고유 모듈에서 별도로 처리할 수 있다. 또한 DSTF의 구체적 구현으로, 공간-시간 상관관계를 효과적으로 포착하고 동적 그래프 학습 모듈을 갖춘 분리형 동적 공간-시간 그래프 신경망(D2STGNN: Decoupled Dynamic Spatial-Temporal Graph Neural Network)을 제안한다. 이 모듈은 교통 네트워크의 동적 특성을 학습하는 데 초점을 맞추고 있다. 네 개의 실세계 교통 데이터셋을 이용한 광범위한 실험을 통해, 제안된 프레임워크가 기존 최고 수준의 성능을 크게 초월함을 입증하였다.