도시 공간-시간 역학의 정확한 예측은 도시 관리 및 의사결정 향상에 필수적입니다. 기존의 공간-시간 예측 모델은 주로 결정론적이며, 주요 공간-시간 패턴에 초점을 맞춥니다. 하지만 이러한 역학은 매우 복잡하며, 결정론적 모델이 포착하기 어려운 다중 모드 분포를 나타냅니다. 본 논문에서는 공간-시간 데이터에 내재된 불확실성과 복잡성을 포착하는 데 있어 확률적 예측의 중요한 역할을 강조합니다. 주류 확률적 모델은 불확실성을 포착할 수 있지만, 주요 패턴을 정확하게 학습하는 데 어려움을 겪고 종종 계산상 비효율적인 문제가 있습니다. 이러한 과제를 해결하기 위해, 본 논문에서는 결정론적 모델과 확률적 모델을 협력시켜 예측 정확도와 불확실성 처리 능력을 모두 향상시키는 CoST를 제안합니다. 이를 위해 평균-잔차 분해 프레임워크를 설계하여, 평균값은 결정론적 모델로 모델링하고, 잔차 변동은 확률적 모델(특히 확산 모델)로 학습합니다. 또한, 서로 다른 지역의 공간적으로 이질적인 역학을 더 잘 고려하는 규모 인식 확산 프로세스를 도입합니다. 8개의 실제 데이터 세트에 대한 광범위한 실험을 통해 CoST가 기존 방법보다 결정론적 및 확률적 지표 모두에서 상당히 뛰어나며, 낮은 계산 비용으로 20%의 성능 향상을 달성함을 보여줍니다. CoST는 결정론적 정밀도와 확률적 불확실성 간의 간극을 해소하여 도시 공간-시간 예측 분야에서 중요한 발전을 이루었습니다.
