시공간 자기지도 학습을 이용한 교통 흐름 예측

도시 전체 교통 흐름의 다양한 시간대 예측은 지능형 교통 시스템에서 중요한 역할을 합니다. 과거 연구들은 공간-시간 상관관계를 모델링하는 데 많은 노력을 기울였지만, 기존 방법들은 여전히 두 가지 주요 제한점을 가지고 있습니다: i) 대부분의 모델은 공간 이질성을 고려하지 않고 모든 지역의 흐름을 함께 예측하므로, 각 지역의 교통 흐름 분포가 왜곡될 수 있습니다. ii) 이러한 모델들은 일반적으로 모든 시간대에 대해 공유된 매개변수화된 공간으로 시간 상관관계를 모델링하기 때문에, 시간 변동성에 의해 유발되는 시간 이질성을 포착하지 못합니다. 이러한 문제를 해결하기 위해, 우리는 공간과 시간 이질성을 반영하면서 보조적 자기 감독 학습 패러다임을 통해 교통 패턴 표현을 강화하는 새로운 공간-시간 자기 감독 학습(Spatio-Temporal Self-Supervised Learning, ST-SSL) 교통 예측 프레임워크를 제안합니다. 구체적으로, 우리의 ST-SSL은 공간과 시간 정보를 인코딩하기 위한 시간 및 공간 컨볼루션 통합 모듈 위에 구축됩니다. 적응적인 공간-시간 자기 감독 학습을 달성하기 위해, 우리의 ST-SSL은 먼저 속성 및 구조 수준에서 교통 흐름 그래프 데이터에 대한 적응적 증강을 수행합니다. 증강된 교통 그래프 위에서 두 개의 SSL 보조 작업이 구성되어, 공간과 시간 이질성을 인식하는 증강을 통해 주요 교통 예측 작업을 보완합니다. 네 개의 벤치마크 데이터셋에 대한 실험 결과는 ST-SSL이 다양한 최신 기준모델들을 일관되게 능가함을 보여줍니다. 실제 데이터셋에서 널리 존재하는 공간-시간 이질성을 고려하면, 제안된 프레임워크는 다른 공간-시간 응용 분야에도 영감을 줄 수 있을 것입니다. 모델 구현은 https://github.com/Echo-Ji/ST-SSL 에서 제공됩니다.