시간-공간 메타그래프 학습을 통한 교통 예측

다변량 시계열 예측 분야에서 교통 예측은 대표적인 연구 과제로, 인공지능 분야에서 지속적으로 주목받아 왔다. 교통 흐름에 내재된 공간-시간 이질성과 비정상성 문제를 해결하기 위해 본 연구에서는 공간-시간 데이터에 대한 새로운 그래프 구조 학습 메커니즘으로 '공간-시간 메타그래프 학습(Spatio-Temporal Meta-Graph Learning)'을 제안한다. 구체적으로, 메타노드 백업(Meta-Node Bank)을 기반으로 동작하는 메타그래프 학습기(Meta-Graph Learner)를 GCRN 인코더-디코더에 통합하여 메타그래프 컨볼루션 순환 네트워크(Meta-Graph Convolutional Recurrent Network, MegaCRN)를 구현한다. 본 연구는 METR-LA 및 PEMS-BAY와 같은 기존 벤치마크 데이터셋과 도쿄의 1,843개 고속도로 노선을 포함하는 새로운 대규모 교통 속도 데이터셋(EXPY-TKY)을 대상으로 종합적인 평가를 수행하였다. 결과적으로 제안한 모델은 세 가지 데이터셋 모두에서 기존 최고 성능 모델들을 초월하는 성능을 보였다. 또한, 다양한 정성적 평가를 통해 본 모델이 서로 다른 패턴을 보이는 도로 구간과 시간 구간을 명확히 분리해내며, 다양한 비정상적인 교통 상황에도 견고하게 적응할 수 있음을 입증하였다. 코드 및 데이터셋은 https://github.com/deepkashiwa20/MegaCRN 에서 공개되어 있다.