Transformers를 활용한 효율적인 대규모 교통 예측: 공간 데이터 관리 관점에서

도로 교통 예측은 도시 관리 및 개인 이동과 같은 실제 지능형 교통 시나리오에서 교통 배차 및 경로 계획 등에 있어 핵심적인 역할을 한다. 이러한 과제에서 공간-시간 그래프 신경망(STGNN)은 주류 솔루션으로 부상하고 있다. 그러나 주목할 만한 동적 공간 모델링 기반 STGNN의 이차 복잡도는 대규모 교통 데이터 처리 시 성능 저하의 주요한 걸림돌이 되고 있다. 공간 데이터 관리 관점에서, 본 연구는 해석 가능성과 정확도를 동시에 확보하면서 대규모 교통 예측에 대해 효율적이고 동적으로 공간 상관관계를 모델링할 수 있는 새로운 Transformer 프레임워크인 PatchSTG를 제안한다. 구체적으로, Transformer의 동적 계산에 참여하는 점의 수를 줄이기 위해 비정형 공간 패치 기법을 도입하였다. 비정형 공간 패치는 먼저 교통 점들이 비정형으로 분포된 상태에서 K차원 트리(KDTree)를 이용해 용량이 작은 리프 노드로 반복적으로 분할하고, 동일한 하위 트리에 속한 리프 노드들을 패딩과 백트래킹을 통해 용량이 동일하고 겹치지 않는 패치로 통합한다. 패치화된 데이터를 기반으로 인코더에서는 깊이 및 폭에 따른 어텐션을 교차하여 패치 내 점들과 동일한 인덱스를 가진 패치의 점들로부터 지역적 및 전역적 공간 지식을 동적으로 학습한다. 네 가지 실제 대규모 교통 데이터셋에 대한 실험 결과, PatchSTG는 최신 기술 대비 학습 속도에서 최대 10배, 메모리 사용량에서 최대 4배의 개선을 달성하면서도 최고 수준의 성능을 유지함을 입증하였다.