본 연구는 교통량 예측의 주요 과제를 해결하기 위해 Transformer 기반의 하이브리드 모델인 MSCMHMST를 제안합니다. 기존의 단일 방법 접근 방식은 교통량 예측 작업에서 한계를 보이는 반면, 하이브리드 방법은 서로 다른 모델의 강점을 통합하여 더 정확하고 견고한 예측을 제공할 수 있습니다. MSCMHMST 모델은 다중 헤드, 다중 스케일 어텐션 메커니즘을 도입하여 데이터의 여러 부분을 병렬 처리하고 다양한 관점에서 고유한 표현을 학습함으로써 복잡한 상황을 처리하는 모델의 능력을 향상시킵니다. 이 메커니즘을 통해 모델은 단기 변화와 장기 추세를 모두 이해하면서 다양한 규모의 특징을 효과적으로 포착할 수 있습니다. PeMS04/08 데이터셋에 대한 실험을 통해 MSCMHMST 모델은 장, 중, 단기 교통량 예측에서 뛰어난 견고성과 정확성을 입증했습니다. 결과는 이 모델이 교통량 예측 분야에 대한 새롭고 효과적인 솔루션을 제공하는 상당한 잠재력을 가지고 있음을 나타냅니다.
