다중 헤드 시공간 주의 그래프 컨볼루션 네트워크를 통한 교통 예측

지능형 교통 시스템(ITS)은 현대 글로벌 기술 발전의 필수적인 구성 요소로 자리 잡았으며, 특정 시점에 특정 교통 시설을 이용하는 차량 또는 개인의 정확한 통계적 추정에 막대한 기여를 하고 있다. 이는 교통 분석을 위한 적절한 인프라 용량을 설계하고 공학적으로 구현하는 데 이상적인 기반을 제공한다. 그러나 도로 네트워크의 비유클리드적이고 복잡한 분포, 그리고 도시화된 도로 네트워크의 위상적 제약으로 인해 교통 예측은 여전히 도전적인 과제로 남아 있다. 이 문제를 해결하기 위해 본 논문은 그래프 컨볼루션 네트워크(GCN), 게이트형 순환 단위(GRU), 다중 헤드 어텐션 메커니즘을 결합한 교통 예측 모델을 제안한다. 이 모델은 교통 데이터의 공간-시간적 의존성과 위상적 시퀀스의 동적 변화를 동시에 효과적으로 포착하고 통합할 수 있다. 로스앤젤레스 고속도로 교통 데이터(Los-loop)를 대상으로 한 15분 단위 예측에서 91.8%의 정확도를 달성했으며, 선전시 교통 데이터(SZ-taxi)를 대상으로 한 15분 및 30분 예측에서는 R² 점수가 85%에 달했다. 이러한 성과는 제안된 모델이 시간이 지남에 따라 교통 데이터의 전역적 공간적 변동성과 동적 시간적 시퀀스를 효과적으로 학습할 수 있음을 입증한다. 결과적으로 본 모델은 SZ-taxi 및 Los-loop 데이터셋에서 최신 기술 수준의 교통 예측 성능을 달성하였다.