본 논문은 도시 이동성 및 기상 패턴과 같은 동적 시스템에 대한 정확한 시공간(ST) 예측을 위한 새로운 방법인 BiDepth Multimodal Neural Network (BDMNN)을 제안합니다. BDMNN은 장기 추세와 단기 변동을 동시에 모델링하는 어려움과 복잡한 시공간 상관관계로 인한 기존 방법의 한계를 극복하기 위해 고안되었습니다. 핵심 혁신으로는, 장기 계절성과 단기 사건을 포괄적으로 포착하기 위해 네트워크 깊이를 동적으로 조정하는 양방향 깊이 변조 메커니즘과 공간 관계를 유지하면서 시간적 의존성을 동시에 포착하는 새로운 합성곱 자기 주의 셀(CSAC)을 제시합니다. 실제 도시 교통 및 강수량 데이터셋에 대한 평가 결과, BDMNN은 ConvLSTM과 같은 최첨단 심층 학습 기준 모델에 비해 도시 교통 예측에서 12%의 평균 제곱 오차(MSE) 감소, 강수량 예측에서 15%의 개선을 달성하여 성능 향상을 입증했습니다.
