그래프 웨이브 적응 시공간 그래프 컨볼루션 네트워크 기반 교통 흐름 예측

그래프 기반 교통 흐름 예측은 교통 시스템에 널리 적용되며, 관련 시계열 데이터로부터 복잡한 시공간 상관 모델을 구축하는 것이 교통 시스템의 역학을 이해하는 데 필수적입니다. 그래픽 데이터에서 특징을 추출하고 시계열 데이터를 통합함으로써 교통 흐름 예측의 정확성을 향상시키는 역할을 합니다. 또한, 실제 교통 흐름 데이터는 종종 결측값을 포함하고 있어 문제를 발생시킵니다. 결측 데이터가 있는 상황에서 교통 예측은 도전적입니다. 기존의 교통 흐름 예측 방법은 이러한 격차가 있는 상황에서 동적 시공간 상관관계를 모델링할 수 있는 능력이 부족하여 불만족스러운 예측 결과를 초래합니다. 이 논문은 교통 흐름 예측 문제를 해결하기 위해 적응형 시공간 그래프 웨이브넷 기반 그래프 컨볼루션 네트워크(AST-GW-GCN)를 소개합니다. AST-GW-GCN은 각각 교통 흐름의 단기, 일일 및 주간 의존성을 모델링하는 세 개의 독립적인 구성 요소로 구성됩니다. 각 구성 요소 내에서 게이트가 있는 시계열 컨볼루션 네트워크(TCN)와 그래프 컨볼루션 네트워크(GCN)가 인코더 역할을 수행하며, 공간적 컨볼루션을 통해 공간적 상관관계를 추출하고 시간적 컨볼루션을 통해 시간적 상관관계를 캡처하여 숨겨진 특성을 생성합니다. 게이트가 있는 순환 유닛(GRU)을 사용하여 이러한 숨겨진 특성을 디코딩하고 세 개의 구성 요소의 출력을 가중하여 최종 예측 결과를 생성합니다. 공간 컨볼루션 모듈은 그래프 구조의 물리적 제약을 극복하기 위해 적응형 인접 행렬을 설정하여 데이터 내의 숨겨진 공간적 의존성을 개선하는 데 기여합니다. 또한, 다양한 데이터 결측 패턴과 결측 비율 하에서 실험이 수행됩니다. PeMS08 실제 데이터셋을 기반으로 한 실험 결과는 제안된 AST-GW-GCN이 데이터 내의 시공간 상관관계를 포괄적으로 캡처하며, 성능 면에서 기준 모델을 초과함을 보여줍니다.