TESTAM: 전문가 혼합을 통한 시간 증강 시공간 주의 모델

정확한 교통 예측은 도로 네트워크에 대한 복잡한 의존성, 다양한 유형의 도로, 사건으로 인한 급격한 속도 변화 때문에 도전적입니다. 최근 연구는 주로 적응형 그래프 임베딩 또는 그래프 주의를 이용한 동적 공간 모델링에 중점을 두었으며, 시간적 특성과 현장 모델링에 대한 고려는 적었습니다. 본 논문에서는 TESTAM이라는 새로운 딥 러닝 모델을 제안합니다. 이 모델은 세 가지 전문가(시간 모델링, 정적 그래프를 통한 시공간 모델링, 동적 그래프를 통한 동적 시공간 의존성 모델링)를 사용하여 반복적 및 비반복적 교통 패턴을 개별적으로 모델링합니다. 다른 전문가를 도입하고 적절하게 라우팅함으로써 TESTAM은 공간적으로 분리된 노드, 밀접하게 관련된 노드, 반복적 및 비반복적 사건을 포함한 다양한 상황을 더 잘 모델링할 수 있습니다. 적절한 라우팅을 위해 우리는 게이팅 문제를 의사 레이블을 사용한 분류 문제로 재구성합니다. METR-LA, PEMS-BAY, EXPY-TKY의 세 가지 공공 교통 네트워크 데이터셋에 대한 실험 결과는 TESTAM이 반복적 및 비반복적 교통에 대한 더 나은 지표와 모델링을 달성했음을 보여줍니다. 공식 코드는 https://github.com/HyunWookL/TESTAM에서 공개했습니다.