공간-시간 동기화 그래프 컨볼루션 네트워크: 공간-시간 네트워크 데이터 예측을 위한 새로운 프레임워크

공간-시간 네트워크 데이터 예측은 교통 관리 및 도시 계획 등 다양한 응용 분야에서 매우 중요한 역할을 한다. 그러나 복잡한 공간-시간 상관관계와 이질성의 존재로 인해 이 문제는 여전히 도전 과제로 남아 있다. 기존의 방법들은 일반적으로 공간적 상관관계와 시간적 상관관계를 별도의 구성 요소를 통해 모델링하며, 공간-시간 데이터 내의 이질성에 대한 고려를 소홀히 한다. 본 논문에서는 공간-시간 동기 그래프 컨볼루션 네트워크(Spatial-Temporal Synchronous Graph Convolutional Networks, STSGCN)라는 새로운 모델을 제안한다. 이 모델은 정교하게 설계된 공간-시간 동기 모델링 메커니즘을 통해 복잡한 국소적 공간-시간 상관관계를 효과적으로 포착할 수 있다. 동시에, 다양한 시간 구간에 대응하는 다수의 모듈을 설계하여 국소적 공간-시간 그래프 내의 이질성을 효과적으로 반영한다. 네 가지 실-world 데이터셋을 대상으로 실시한 광범위한 실험 결과, 제안하는 방법이 최신 기술 수준의 성능을 달성하며, 다른 기존 대안들보다 일관되게 우수한 성능을 보임을 입증하였다.