시공간 만남 웨이블릿: 효율적인 스펙트럴 그래프 어텐션 네트워크를 통한 분리형 교통 예측

교통 예측은 공공 안전과 자원 최적화에 핵심적인 역할을 하며, 교통 데이터의 시간적 변화와 동적 공간 상관관계로 인해 매우 도전적인 과제이다. 이러한 복잡한 종속성을 포착하기 위해, 그래프 컨볼루션 네트워크를 갖춘 순환 신경망, 시간 컨볼루션 네트워크를 갖춘 그래프 컨볼루션 네트워크, 그리고 전체 그래프 어텐션 네트워크를 갖춘 시간 어텐션 네트워크와 같은 공간-시간 네트워크가 활용되고 있다. 그러나 기존의 공간-시간 네트워크는 엔드 투 엔드 학습 기반으로 설계되어 비정상적인 교통 시계열에서 발생하는 분포 이동(distribution shift) 문제를 효과적으로 다루지 못한다. 한편, 기존 네트워크에서는 공간 상관관계를 효율적이고 효과적으로 모델링할 수 있는 알고리즘이 여전히 부족한 실정이다. 본 논문에서는 새로운 엔드 투 엔드 모델을 제안하는 대신, 분포 이동 문제를 완화할 수 있는 새로운 분리-융합 프레임워크인 STWave를 제안한다. 이 프레임워크는 먼저 복잡한 교통 데이터를 안정적인 추세와 변동성 있는 이벤트로 분리한 후, 이중 채널 공간-시간 네트워크를 통해 각각 추세와 이벤트를 독립적으로 모델링한다. 이후 추세와 이벤트를 적절히 융합함으로써 합리적인 미래 교통량을 예측할 수 있다. 더불어, 전체 그래프 어텐션 네트워크에 새로운 쿼리 샘플링 전략과 그래프 웨이블릿 기반의 그래프 위치 인코딩을 도입하여, 동적 공간 상관관계를 효율적이고 효과적으로 모델링한다. 여섯 개의 교통 데이터셋에 대한 광범위한 실험 결과는 제안하는 방법이 더 높은 예측 정확도를 달성하면서도 낮은 계산 비용을 갖는다는 점에서 기존 방법 대비 우수함을 입증한다.