HAGCN: 트래픽 신호 예측을 위한 네트워크 탈중앙화 주의 기반 이질성 인지 스파티오토르말 그래프 컨볼루션 네트워크

시간-공간 네트워크를 그래프 컨볼루션 네트워크(GCN)를 활용하여 구축하는 것은 교통 신호 예측 분야에서 가장 널리 사용되는 방법 중 하나가 되었다. 그러나 GCN을 교통 속도 예측에 적용할 때 기존의 접근 방식은 센서 간의 관계를 동질적 그래프로 가정하고, 센서가 누적한 데이터를 기반으로 인접 행렬을 학습한다. 그러나 센서 간의 공간적 상관관계는 하나의 형태로 정의되는 것이 아니라 다양한 관점에서 다르게 정의될 수 있다. 이러한 문제를 해결하기 위해, 본 연구는 교통 신호 데이터 내재의 비동질적 특성을 탐구하여 센서 간의 은닉된 관계를 다양한 방식으로 학습하는 것을 목표로 한다. 구체적으로, 센서 간 공간적 관계를 정적 모듈과 동적 모듈로 분할하여 각 모듈별로 비동질적 그래프를 구성하는 방법을 제안한다. 또한, 비동질적 그래프에서 각 채널의 중요도를 고려하여 인접 노드의 은닉 상태를 집계하는 네트워크 분산형 주의 기반의 비동질성 인지 그래프 컨볼루션 네트워크(HAGCN)를 제안한다. 실제 교통 데이터셋을 대상으로 한 실험 결과, 제안한 방법이 기존 모델 대비 6.35%의 성능 향상을 달성하며 최신 기술 수준의 예측 성능을 실현함을 입증하였다.