PDG2Seq: 교통 흐름 예측을 위한 주기적 동적 그래프에서 시퀀스로의 모델

교통 흐름 예측은 지능형 교통 관리 시스템의 기초를 이룬다. 기존의 방법들은 공간-시간 상관관계를 정밀하게 포착하기 위해 복잡한 모델을 개발하는 데 주력하지만, 교통 흐름 내 잠재적 특징의 활용을 간과하는 경향이 있다. 첫째, 다양한 도로 노드 간의 상관관계는 정적인 상태가 아니라 동적으로 변화한다. 둘째, 교통 데이터는 명확한 주기성을 보이지만, 현재의 연구는 이러한 주기적 특징의 탐색과 활용에 미흡하다. 셋째, 기존 모델들은 일반적으로 과거 데이터에만 의존하여 모델링을 수행함으로써, 교통 흐름의 미래 변화 추세를 정확히 포착하는 데 한계가 있다. 이러한 문제를 해결하기 위해 본 논문은 주기적 동적 그래프를 시퀀스로 변환하는 모델인 PDG2Seq(Periodic Dynamic Graph to Sequence Model)을 제안한다. PDG2Seq는 주기적 특징 선택 모듈(Periodic Feature Selection Module, PFSM)과 주기적 동적 그래프 컨볼루션 게이트드 순환 단위(Periodic Dynamic Graph Convolutional Gated Recurrent Unit, PDCGRU)로 구성되어, 실시간 동적 교통 흐름의 공간-시간 특징을 더욱 효과적으로 추출한다. PFSM은 시간 지점을 인덱스로 활용하여 학습된 주기적 특징을 추출하고, PDCGRU는 PFSM에서 추출한 주기적 특징과 교통 흐름의 동적 특징을 결합하여 주기적 동적 그래프를 생성함으로써 공간-시간 특징을 추출한다. 디코딩 단계에서는 예측 대상에 해당하는 주기적 특징을 활용하여 미래의 변화 추세를 보다 정확히 포착함으로써 예측 정확도를 향상시킨다. 네 개의 대규모 데이터셋을 대상으로 수행된 종합적인 실험을 통해 PDG2Seq가 기존 최신 기법들에 비해 우수한 성능을 보임을 입증하였다. 관련 코드는 다음 링크에서 확인할 수 있다: https://github.com/wengwenchao123/PDG2Seq.