딥 뉴럴 네트워크(DNN)는 교통 데이터의 시공간 패턴을 효과적으로 캡쳐하여 교통 예측 연구에 중요한 역할을 한다. 일반적으로 평균 제곱 오차(MSE)를 사용하여 예측 모델을 훈련할 때 시간 단계와 공간 위치에 걸쳐 오류가 상관관계가 없다고 가정하지만, 교통 데이터의 시공간적 자기상관성으로 인해 이 가정이 실제로 성립하지 않는다. 본 논문은 이러한 간극을 해결하기 위해 교통 예측에서 자기상관된 예측 오류를 체계적으로 조정하도록 설계된 새로운 일반 프레임워크인 Spatiotemporally Autocorrelated Error Adjustment (SAEA)를 제안한다. SAEA는 예측 오류를 임의적인 가우시안 노이즈 분포를 따른다고 가정하는 기존 접근 방식과 달리, 이러한 오류를 고유한 종속성을 캡처하기 위해 시공간 벡터 자기 회귀(VAR) 프로세스로 모델링한다.
