본 논문은 공간-시간 예측 문제에서 기존 Graph Attention Networks (GATs)의 한계를 극복하기 위해 InterGAT을 제안합니다. InterGAT는 고정된 인접 구조와 동적인 어텐션 점수에 의존하는 GAT와 달리, 완전히 학습 가능한 대칭적인 노드 상호작용 행렬을 사용하여 잠재적인 공간 관계를 포착합니다. GRU 기반의 시간 디코더를 통합한 InterGAT-GRU는 GAT-GRU 기준 모델보다 SZ-Taxi 데이터셋에서 최소 21%, Los-Loop 데이터셋에서 6% 이상의 예측 정확도 향상을 달성했습니다. 또한, 학습 시간을 60-70% 단축했습니다. 학습된 상호작용 행렬은 지역 사회 구조와 일치하는 희소하고 위상 의식적인 어텐션 패턴을 드러내어 해석 가능성을 제공합니다. 스펙트럼 및 클러스터링 분석을 통해 모델이 지역적 및 전역적 역학을 모두 포착하여 예측을 주도하는 기능적 위상에 대한 통찰력을 제공함을 보여줍니다.
