Yuting Huang Ziquan Fang Zhihao Zeng Lu Chen Yunjun Gao

초록

공간-시계열 예측은 지능형 교통 시스템, 기상 예보 및 도시 계획 분야에서 핵심적인 역할을 한다. 다중 모달 데이터 통합은 예측 정확도 향상에 잠재력을 보여주고 있으나, 여전히 세 가지 주요 과제가 존재한다. 첫째, 다중 모달 정보의 부족한 융합, 둘째, 인과 관계를 왜곡하는 혼란 요인의 존재, 셋째, 예측 모델의 높은 계산 복잡도이다. 이러한 문제를 해결하기 위해, 본 연구에서는 효과적이고 효율적인 다중 모달 공간-시계열 예측 프레임워크인 E²-CSTP(Efficient and Effective Causal multi-modal Spatio-Temporal Prediction)를 제안한다. E²-CSTP는 교차 모달 주의(attention) 및 게이팅 메커니즘을 활용하여 다중 모달 데이터를 효과적으로 융합한다. 이를 기반으로, 이중 분기 인과 추론 기법을 설계하였다. 주 분기(branch)는 공간-시계열 예측에 집중하고, 보조 분기(branch)는 추가 모달을 모델링하고 인과 개입(causal intervention)을 적용함으로써 편향을 완화하며 진정한 인과 관계를 밝혀낸다. 모델 효율성을 높이기 위해, GCN(Graph Convolutional Network)을 Mamba 아키텍처와 결합하여 공간-시계열 정보의 고속 인코딩을 실현하였다. 4개의 실제 데이터셋을 대상으로 실시한 광범위한 실험 결과, E²-CSTP는 9개의 최첨단 기법보다 유의미하게 우수한 성능을 보였으며, 정확도는 최대 9.66% 향상되었고, 계산 부하는 최대 17.37%~56.11% 감소하는 결과를 얻었다.