초록
교통 예측은 머신러닝 분야에서 가장 인기 있는 공간-시간 작업 중 하나이다. 이 분야에서 일반적으로 사용되는 접근 방식은 공간-시간 처리를 위해 그래프 컨볼루션 네트워크(GCN)와 순환 신경망(RNN)을 결합하는 것이다. 최근에는 이 분야에서 치열한 경쟁이 벌어지며 수많은 새로운 방법들이 제안되고 있다. 본 논문에서는 공간-시간 그래프 신경 미분방정식(Spatio-Temporal Graph Neural Rough Differential Equation, STG-NRDE)을 제안한다. 신경 미분방정식(Neural Rough Differential Equations, NRDEs)은 시계열 데이터 처리를 위한 혁신적인 개념이다. 그 핵심 아이디어는 시계열 샘플을 로그-서명 변환(log-signature transform)을 이용해 비교적 짧은 특징 벡터 시리즈로 변환하는 것이다. 본 연구에서는 이 개념을 확장하여 시간적 처리를 위한 NRDE와 공간적 처리를 위한 NRDE 두 가지를 설계하였으며, 이후 이를 하나의 통합 프레임워크로 결합하였다. 6개의 벤치마크 데이터셋과 27개의 기준 모델을 대상으로 실험을 수행한 결과, STG-NRDE는 모든 경우에서 가장 높은 정확도를 기록하였으며, 제시된 27개의 기준 모델들을 유의미한 수준으로 초월하였다.