지속 가능한 스마트 도시에서 실시간 교통 속도 추정을 위한 그래프 신경망(GNN) 기반 접근법

효과적인 경로 계획과 차량 교통 모니터링은 지속 가능한 스마트 도시를 만드는 데 필수적입니다. 정확한 속도 예측은 이러한 노력의 핵심 요소로, 교통 혼잡을 완화하는 데 도움을 줍니다. 이 도로 구간의 물리적 근접성이 중요하지만, 이 도로 구간의 상호 연결이 교통 혼잡의 증가에 크게 기여합니다. 이러한 상호 연결성은 예측 정확도의 향상에 상당한 도전을 제기합니다. 이를 해결하기 위해, 우리는 도로 구간의 연결성을 그래프로 나타내는 심층 그래프 신경망(DGNN)을 기반으로 한 새로운 접근법을 제안합니다. 본 연구에서는 PeMSD4 및 PeMSD8 두 가지 실제 교통 데이터셋을 사용하여 실시간 교통 속도 추정을 위한 제안한 접근법(STGGAN)를 구현합니다. 실험 결과 PeMSD4 및 PeMSD8 데이터셋에 대한 예측 정확도 값은 각각 96.67% 및 98.75%로 검증되었습니다. 평균 제곱 오차(MSE), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 평균 절대 백분율 오차(MAPE)의 계산 또한 반복 횟수가 증가함에 따라 이러한 오차 값이 점진적으로 감소하는 것을 보여주어 제안 기술의 성공을 입증합니다. 제안한 STGGAN 기술의 실행 가능성, 신뢰성 및 적용 가능성을 확인하기 위해 여러 통계적, 분석적, 기계 학습 및 심층 학습 기반 접근법을 포함한 비교 분석도 수행합니다. 우리의 연구는 DGNN을 구현하여 도로 네트워크의 구조 및 특성을 고려한 교통 속도 추정 분야에 상당히 기여합니다. 제안된 기술은 전체 도로 네트워크의 데이터를 사용하여 교통 흐름을 정확하게 예측하기 위해 신경망을 훈련합니다. 또한, 우리는 Gated Graph Attention Network(GGAN) 블록을 통합하여 DGNN을 확장함으로써 입력 및 출력을 순차적 그래프로 수정할 수 있도록 합니다. DGNN을 기반으로 한 제안된 모델의 예측 정확도는 실제 데이터셋에 대한 광범위한 테스트를 통해 철저히 평가되며, 교통 흐름 예측에 대한 기존 최첨단 모델과 포괄적인 비교를 제공합니다.