본 논문은 교통량 예측을 위한 효율적인 순수 합성곱 신경망인 STEI-PCN(Spatial-Temporal Encoding and Inferring-Pure Convolutional Network)을 제안한다. STEI-PCN은 공간, 시간, 공간-시간 상관관계를 동시에 고려하여 기존 모델들의 한계를 극복하고자 한다. 절대 및 상대 공간-시간 좌표를 이용한 동적 인접 행렬 추론 모듈과 그래프 합성곱 신경망, 게이팅 메커니즘을 통해 국소 동시 공간-시간 상관관계를 포착하고, 시간 팽창 인과 합성곱 신경망을 통해 장기 시간 상관관계를 학습한다. 마지막으로 다중 관점 협업 예측 모듈을 통해 다양한 특징들을 통합하여 예측한다. PeMS 데이터셋을 이용한 실험 결과, STEI-PCN은 경쟁력 있는 계산 효율을 보이며, 대부분의 평가 지표에서 SOTA 모델과 비슷하거나 우수한 성능을 달성했다.
