본 논문은 지능형 교통 시스템에서 교통량 예측과 같은 다양한 응용 프로그램을 지원하는 데 필수적인 교통 데이터 보정 문제를 다룹니다. 기존의 시공간 순차적 방법들은 블록 단위 누락 데이터 시나리오에서 특징을 효과적으로 추출하는 데 어려움을 겪고, 정적 그래프 구조는 비정상적인 교통 데이터의 분포 변화 문제를 처리하는 데 있어 모델의 유연성을 크게 제한합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 교통 데이터 보정을 위한 SpatioTemporal Attention Mixture of Experts 네트워크인 STAMImputer를 제안합니다. 특히, 잠재적인 시공간적 특징과 그 영향 가중치를 포착하여 블록 누락 데이터를 효과적으로 보정하는 Mixture of Experts (MoE) 프레임워크를 도입합니다. 또한, 도로 네트워크 전반의 지역적 및 전역적 상관관계를 동적으로 조절하는 새로운 Low-rank guided Sampling Graph ATtention (LrSGAT) 메커니즘을 설계하여, 샘플링된 어텐션 벡터를 이용해 실시간 공간적 상관관계를 포착하는 동적 그래프를 생성합니다. 네 개의 교통 데이터 세트에 대한 광범위한 실험을 통해 STAMImputer가 기존 최첨단 방법보다 성능이 크게 향상됨을 보여줍니다. 소스 코드는 https://github.com/RingBDStack/STAMImupter 에서 확인할 수 있습니다.
