교통 예측을 위한 분해 동적 그래프 컨볼루션 순환 네트워크

우리의 일상생활은 교통 상황에 큰 영향을 받기 때문에 도로망 내 교통 흐름을 정확히 예측하는 것이 매우 중요하다. 교통 예측에 사용되는 신호는 일반적으로 도로에 설치된 센서로부터 생성되며, 이는 그래프의 노드로 표현될 수 있다. 이러한 센서들은 일반적으로 정상적인 교통 흐름을 나타내는 정상 신호와 알 수 없는 교통 장애를 의미하는 비정상 신호를 생성한다. 그래프 컨볼루션 네트워크(GCN)는 네트워크 노드 간의 상관관계를 효과적으로 포착할 수 있다는 장점으로 인해 교통 예측에 널리 사용되고 있다. 그러나 기존의 접근 방식들은 실제 신호 간의 관계를 정확히 반영하지 못하는 사전 정의되거나 적응형 인접 행렬을 사용한다. 이 문제를 해결하기 위해 본 연구에서는 분해 기반 동적 그래프 컨볼루션 순환 신경망(DDGCRN)을 제안한다. DDGCRN은 시간에 따라 변화하는 교통 신호를 기반으로 동적 그래프를 생성하는 RNN 기반 모델과 동적 그래프 컨볼루션 순환 네트워크를 결합하여 공간적 및 시간적 특징을 동시에 추출할 수 있도록 설계되었다. 또한 DDGCRN은 정상 교통 신호와 비정상 신호를 분리하고, 데이터 기반 접근 방식을 활용하여 비정상 신호를 모델링함으로써 예측 성능을 추가로 향상시킨다. 실제 6개의 데이터셋을 활용한 실험 결과, DDGCRN이 기존 최고 수준의 기법들보다 우수한 성능을 보임을 입증하였다. 소스 코드는 다음 링크에서 공개되어 있다: https://github.com/wengwenchao123/DDGCRN.