RGDAN: 교통 예측을 위한 랜덤 그래프 확산 주의망

그래프 구조를 기반으로 한 교통량 예측은 도로망이 일반적으로 복잡한 구조를 가지며, 분석 대상 데이터가 다양한 시간적 특성을 포함하고 있어 도전적인 과제이다. 또한, 공간적 특징 추출의 품질은 그래프 구조의 가중치 설정에 매우 의존적이다. 교통 분야에서는 현재 이러한 그래프 구조의 가중치가 도로 간 거리 등의 요인에 기반하여 계산되고 있으나, 이들 방법은 도로 자체의 특성이나 서로 다른 교통 흐름 간의 상관관계를 고려하지 못한다. 기존의 접근 방식은 일반적으로 국소적인 공간적 종속성 추출에 더 초점을 맞추고 있으며, 전역적인 공간적 종속성은 간과하는 경향이 있다. 또 다른 주요 문제는 그래프 구조의 깊이가 제한된 상황에서 충분한 정보를 효과적으로 추출하는 것이다. 이러한 도전 과제를 해결하기 위해 우리는 교통량 예측을 위한 랜덤 그래프 확산 주의망(Random Graph Diffusion Attention Network, RGDAN)을 제안한다. RGDAN은 그래프 확산 주의 모듈과 시계열 주의 모듈로 구성된다. 그래프 확산 주의 모듈은 CNN과 유사하게 데이터로부터 학습을 통해 가중치를 조정함으로써 더 현실적인 공간적 종속성을 포착할 수 있다. 시계열 주의 모듈은 시간적 상관관계를 모델링한다. 세 개의 대규모 공개 데이터셋을 활용한 실험 결과, RGDAN은 최신 기술 대비 2%~5% 더 높은 정확도를 달성함을 입증하였다.