グラフ畳み込みと多チャネルニューラルネットワークを活用した正確でロバストな時空間交通流予測

交通システムの複雑さと変動性により、交通予測は非常に求められている研究領域となっています。交通流の予測精度を向上させるために、交通データにおける時空間動的相関を活用したグラフ畳み込みと多チャネルニューラルネットワーク（GCMNN）モデルを提案します。まず、グラフ畳み込みネットワークを使用して交通ネットワークの空間構造を抽出し、これを時空間相関と組み合わせて交通条件の動的相関特徴を導出します。次に、過去の交通条件の異なる組み合わせが将来の交通条件にどのように影響するかを学習するために、複数の1次元畳み込みニューラルネットワークからなるAコンポーネントを採用します。その後、重み付け特徴を計算することによって交通路ネットワークの時空間動的相関を抽出し、時間埋め込み注意を予測します。空間モジュールと時間モジュールからの出力はゲートフュージョン機構を使用して融合され、最終的な予測結果は線形レイヤーマッピングを通じて得られます。高速道路交通データを使用して交通予測実験を行い、GCMNNが他のベースラインより優れていることが示されました。さらに、このモデルは短期の都市空気質予測や他の時空間予測にも応用可能であり、政府の管理に貴重な洞察を提供し、人々の生活を改善します。