GMAN: 교통 예측을 위한 그래프 다중 주의 네트워크

장기적인 교통 예측은 교통 시스템의 복잡성과 다수의 영향을 미치는 요인의 끊임없이 변화하는 특성 때문에 매우 도전적입니다. 본 논문에서는 시공간 요인에 초점을 맞추고 도로 네트워크 그래프의 서로 다른 위치에 대한 시간 단계 앞서의 교통 상태를 예측하기 위해 그래프 다중 주의 네트워크(GMAN)를 제안합니다. GMAN은 인코더와 디코더가 모두 시공간 주의 블록으로 구성되어 시공간 요인이 교통 상태에 미치는 영향을 모델링하는 인코더-디코더 아키텍처를 채택합니다. 인코더는 입력 교통 특성을 인코딩하고 디코더는 출력 시퀀스를 예측합니다. 인코더와 디코더 사이에는 변환 주의 층이 적용되어 인코딩된 교통 특성을 변환하여 디코더의 입력으로서 미래 시간 단계의 시퀀스 표현을 생성합니다. 변환 주의 메커니즘은 예측 시간 단계 간의 오류 전파 문제를 완화하는 데 도움을 주는 역사적 시간 단계와 미래 시간 단계 간의 직접적인 관계를 모델링합니다. 두 개의 실제 교통 예측 작업(즉, 교통량 예측 및 교통 속도 예측)에 대한 실험 결과는 GMAN의 우수성을 입증합니다. 특히, 1시간 앞 예측에서 GMAN은 MAE 측정에서 최대 4% 개선으로 최신 방법들을 능가합니다. 소스 코드는 https://github.com/zhengchuanpan/GMAN에서 이용 가능합니다.