グラフウェーブ適応型時空間グラフ畳み込みネットワークに基づく交通流予測

グラフに基づく交通流予測は交通システムに広く適用されており、関連する時間系列データから複雑な時空間相関モデルを構築することが、交通システムの動態を理解するためには不可欠です。グラフィカルデータから特徴を抽出し、時間系列データを統合することで、交通流予測の精度が向上します。さらに、実際の交通流データにはしばしば欠損値が含まれることが課題です。欠損データがあるシナリオで交通を予測することは困難であり、既存の交通流予測手法はそのようなギャップがある場合に動的な時空間相関をモデル化する能力に欠けていることが多く、満足のいく予測結果を得られません。本論文では、交通流予測に取り組むために、適応型時空間グラフウェーブネットベースのグラフ畳み込みネットワーク（AST-GW-GCN）を紹介します。AST-GW-GCNは、短期的、日次、週次の交通流の依存関係をモデル化する3つの独立したコンポーネントで構成されています。各コンポーネント内では、ゲート付き時系列畳み込みネットワーク（TCN）とグラフ畳み込みネットワーク（GCN）がエンコーダーとして機能し、空間的な畳み込みを行って空間相関を抽出し、時間的な畳み込みを行って時間相関をキャッチし、隠れた特徴を生成します。ゲート付きリカレントユニット（GRU）がこれらの隠れた特徴をデコードし、3つのコンポーネントの出力に重みを付け、最終的な予測結果を生成します。空間的畳み込みモジュールは、グラフ構造の物理的制約を克服するために適応型隣接行列を確立し、データ内の隠れた空間依存関係の抽出を改善します。さらに、さまざまなデータ欠損パターンと欠損比率の下で実験が行われます。PeMS08実データセットに基づく実験結果は、提案されたAST-GWGCNがデータ内の時空間相関を包括的に捉え、性能面でベースラインモデルを上回ることを示しています。