교통 예측을 위한 시공간 그래프 구조 학습

지능형 교통 시스템(ITS)의 필수 구성 요소로, 교통 예측 작업은 다음과 같은 세 가지 도전적인 측면에 자연스럽게 직면한다. 첫째, 교통 데이터는 도로망과 물리적으로 연관되어 있어, 일반적인 격자형 텐서 형태가 아니라 교통 그래프 형태로 표현되어야 한다. 둘째, 교통 데이터는 강한 공간적 종속성을 보이며, 이는 교통 그래프 내 노드 간에 복잡하고 동적 변화하는 관계가 존재함을 의미한다. 셋째, 교통 데이터는 강한 시간적 종속성을 나타내며, 이는 교통 시계열 모델링에 있어 핵심적인 요소이다. 이러한 문제들을 해결하기 위해, 기존의 합성곱 신경망(CNN)을 그래프 영역으로 확장하고 교통 예측을 위한 그래프 구조를 학습할 수 있도록 하는 새로운 프레임워크인 구조 학습 합성곱(SL: Structure Learning Convolution)을 제안한다. 기술적으로 SLC는 합성곱 연산에 구조 정보를 명시적으로 통합한다. 이 프레임워크 하에서, 다양한 비유클리드형 CNN 방법들이 본 연구의 수식화에 대한 특수한 사례로 간주될 수 있으며, 그래프 상에서의 학습을 위한 유연한 메커니즘을 제공한다. 이러한 기술적 접근을 기반으로, 전역 구조와 국소 구조를 각각 포착하기 위한 두 가지 SLC 모듈을 제안하고, 이를 통합하여 교통 예측을 위한 엔드투엔드 네트워크를 구축한다. 또한, 이 과정에서 시간적 종속성을 효과적으로 포착하기 위해 Pseudo 3차원 합성곱(P3D) 네트워크를 SLC와 결합한다. 실-world 데이터셋 6개에 걸친 광범위한 비교 실험을 통해 제안된 방법이 최신 기술 대비 유의미하게 우수한 성능을 보임을 입증하였다.