딥 메타 학습을 통한 공간-시간 데이터에서의 도시 교통 예측

도시 교통 예측은 지능형 교통 시스템과 공공 안전에 매우 중요하지만, 두 가지 측면 때문에 매우 도전적입니다: 1) 도시 교통의 복잡한 공간-시간 상관관계로, 위치 간의 공간적 상관관계와 타임스탬프 간의 시간적 상관관계가 포함됩니다; 2) 장소에 따라 다양하고 주변 지리 정보, 예를 들어 관심 지점과 도로 네트워크에 따라 달라지는 이런 공간-시간 상관관계의 다양성. 이러한 도전에 대응하기 위해, 우리는 모든 위치에서 교통을 동시에 예측하기 위한 깊은 메타 학습 기반의 모델인 ST-MetaNet을 제안했습니다. ST-MetaNet은 과거 정보를 학습하기 위한 인코더와 단계적으로 예측을 수행하는 디코더로 구성된 순차-순차 아키텍처를 사용합니다. 특히, 인코더와 디코더는 교통을 인코딩하는 순환 신경망, 다양한 공간적 상관관계를 포착하는 메타 그래프 주의 네트워크, 다양한 시간적 상관관계를 고려하는 메타 순환 신경망으로 구성된 동일한 네트워크 구조를 가지고 있습니다. ST-MetaNet의 효율성을 보여주기 위해 두 개의 실제 데이터셋을 기반으로 광범위한 실험이 수행되었으며, 여러 최첨단 방법을 초월한 효과를 확인했습니다.