주목 기반 공간-시간 그래프 컨볼루션 네트워크를 이용한 교통 흐름 예측

교통 흐름 예측은 교통 분야의 연구자와 실무자들에게 핵심적인 과제이다. 그러나 교통 흐름은 일반적으로 높은 비선형성과 복잡한 패턴을 보이기 때문에 예측이 매우 어렵다. 기존의 대부분의 교통 흐름 예측 방법은 교통 데이터의 동적 공간-시간 상관관계를 모델링하는 능력이 부족하여 만족스러운 예측 성과를 얻지 못하고 있다. 본 논문에서는 교통 흐름 예측 문제를 해결하기 위해 주목력 기반의 공간-시간 그래프 컨볼루션 네트워크(Attention-based Spatial-Temporal Graph Convolutional Network, ASTGCN) 모델을 제안한다. ASTGCN는 교통 흐름의 세 가지 시간적 특성—최근 의존성, 일주기적 의존성, 주간 주기적 의존성—을 각각 모델링하기 위해 세 가지 독립적인 구성 요소로 구성된다. 구체적으로, 각 구성 요소는 두 가지 주요 부분으로 이루어져 있다. 첫째, 교통 데이터 내의 동적 공간-시간 상관관계를 효과적으로 포착하는 공간-시간 주목력 메커니즘이고, 둘째, 그래프 컨볼루션을 활용하여 공간적 패턴을 추출하고 일반적인 표준 컨볼루션을 사용하여 시간적 특징을 기술하는 공간-시간 컨볼루션이다. 이 세 구성 요소의 출력은 가중치를 부여하여 융합되어 최종 예측 결과를 생성한다. 캘리포니아 교통국 성과 측정 시스템(Caltrans Performance Measurement System, PeMS)에서 수집한 두 가지 실세계 데이터셋을 이용한 실험 결과, 제안하는 ASTGCN 모델이 기존 최첨단 기법들을 모두 상회하는 성능을 보였다.