패턴 매칭 동적 메모리 네트워크를 활용한 이중 모드 교통 예측

최근 몇 년간 딥러닝은 교통 예측 분야에서 점점 더 많은 주목을 받고 있다. 기존의 교통 예측 모델은 일반적으로 O(N²) 복잡도를 가지는 GCN(Graph Convolutional Network)이나 어텐션 메커니즘을 활용하여 교통 노드의 특징을 동적으로 추출하는 방식을 사용하는데, 이는 효율성이 낮고 경량화되지 않은 문제를 안고 있다. 또한 이러한 모델들은 보통 예측에 역사적 데이터만을 활용하며, 예측 대상 자체의 정보가 예측에 미치는 영향을 고려하지 않는다. 이러한 문제를 해결하기 위해 우리는 패턴 매칭 동적 메모리 네트워크(Pattern-Matching Dynamic Memory Network, PM-DMNet)를 제안한다. PM-DMNet은 새로운 동적 메모리 네트워크를 도입하여 O(N) 복잡도로 교통 패턴 특징을 효과적으로 포착함으로써 계산 부담을 크게 줄이면서도 뛰어난 성능을 달성한다. 또한 PM-DMNet은 재귀적 다단계 예측(Recursive Multi-step Prediction, RMP)과 병렬적 다단계 예측(Parallel Multi-step Prediction, PMP)이라는 두 가지 예측 방식을 도입하여 예측 대상의 시계열 특징을 활용해 예측 과정을 보조한다. 더불어 PMP에 전이 어텐션 메커니즘(transfer attention mechanism)을 통합하여 역사적 데이터의 특징을 예측 대상 상태와 더 잘 일치하도록 변환함으로써 추세 변화를 보다 정확히 포착하고 오차를 감소시킨다. 광범위한 실험을 통해 제안된 모델이 기존 벤치마크 대비 우수한 성능을 보임을 입증하였다. 소스 코드는 다음 링크에서 확인할 수 있다: https://github.com/wengwenchao123/PM-DMNet.