공간-시간 교통 흐름 예측의 정확도는 교통 관리자가 통제 조치를 시행하는 데 도움을 주고, 운전자들이 최적의 경로를 선택하는 데 기여하는 데 있어 핵심적인 역할을 한다. 기존의 딥러닝 기반 교통 흐름 예측 방법은 일반적으로 과거 데이터를 활용하여 모델을 학습한 후, 미래 데이터에 대해 예측을 수행한다. 그러나 과거 데이터와 미래 데이터 사이의 시계열 왜곡(temporal drift)으로 인해 학습된 모델의 성능이 일반적으로 저하된다. 과거 데이터로 학습된 모델이 테스트 단계에서 완전한 온라인 방식으로 미래 데이터에 더 잘 적응할 수 있도록 하기 위해, 본 논문은 공간-시간 교통 흐름 예측 문제에 대한 온라인 테스트 시기 적응(online test-time adaptation) 기법에 대한 최초의 연구를 수행한다. 이를 위해, 학습된 모델의 출력을 계절성 및 추세-순환성 부분으로 분해한 후, 최신 관측 데이터를 하나씩 입력받는 과정에서 두 개의 별도 모듈을 이용해 각각 보정하는, 시계열 분해 기반의 적응형 이중 보정(Adaptive Double Correction by Series Decomposition, ADCSD) 방법을 제안한다. 제안된 ADCSD 방법에서는 테스트 단계에서 전체 학습된 모델을 재조정(fine-tuning)하는 대신, 학습된 모델 뒤에 경량 네트워크(lite network)를 추가하고, 데이터 입력 하나당 해당 경량 네트워크만을 재조정한다. 또한, 서로 다른 시계열 변수들이 서로 다른 수준의 시계열 왜곡을 가질 수 있음을 고려하여, 각 변수에 대해 다른 가중치를 부여할 수 있도록 두 개의 적응형 벡터(adaptive vectors)를 도입한다. 네 개의 실제 교통 흐름 예측 데이터셋을 대상으로 수행한 광범위한 실험을 통해 제안된 ADCSD 방법의 효과성을 입증하였다. 코드는 https://github.com/Pengxin-Guo/ADCSD 에 공개되어 있다.