공간-시간 주의력 웨이브넷: 공간-시간 종속성을 고려한 교통 예측을 위한 딥러닝 프레임워크

도로 네트워크에서의 교통량 예측은 교통 시스템의 복잡성으로 인해 매우 도전적인 과제이며, 성공적인 지능형 교통 시스템 응용을 위한 핵심 과제이다. 기존의 접근 방식들은 주로 그래프 구조에 대한 사전 지식에 의존하여 정적 공간적 종속성을 추출한다. 그러나 공간적 종속성은 동적으로 변화할 수 있으며, 때로는 물리적 구조가 도로 간 진정한 관계를 반영하지 못할 수도 있다. 도로 네트워크에서 복잡한 시간-공간적 종속성을 보다 효과적으로 포착하고 교통 상태를 예측하기 위해, 본 연구에서는 공간-시간 주의력 웨이브넷(Spatial-Temporal Attention Wavenet, STAWnet)이라는 다단계 예측 모델을 제안한다. 시간적 컨볼루션을 통해 긴 시간 시계열을 처리하고, 자기 주의망(self-attention network)을 활용하여 서로 다른 노드 간의 동적 공간적 종속성을 모델링한다. 기존 모델들과 달리, STAWnet은 그래프 구조에 대한 사전 지식 없이도 작동할 수 있도록 자체 학습된 노드 임베딩(node embedding)을 개발하였다. 이러한 구성 요소들은 엔드투엔드(end-to-end) 프레임워크에 통합되어, 효과적인 예측 성능을 달성한다. METR-LA, PEMS-BAY, PEMS07 등 세 가지 공개 교통량 예측 데이터셋을 대상으로 한 실험 결과는 본 모델의 우수성을 입증한다. 특히, 1시간 전 예측의 경우, 네트워크에 대한 사전 지식 없이도 최신 기술(SOTA) 수준의 모델들을 능가하는 성능을 보였다.