본 연구는 정확한 교통 흐름 예측을 위해 계절성-추세 분해 기법(STL)과 세 가지 예측 모델(LSTM, ARIMA, XGBoost)을 통합하는 분해 기반 하이브리드 프레임워크를 제안합니다. STL은 시계열 데이터를 추세, 계절성, 잔차 성분으로 분해하고, LSTM은 장기 추세를, ARIMA는 계절성을, XGBoost는 비선형 잔차 변동을 예측합니다. 뉴욕시 교차로의 교통 흐름 데이터를 사용하여 제안된 하이브리드 모델이 LSTM, ARIMA, XGBoost 단독 모델보다 우수한 성능을 보였습니다.
