본 논문은 도시 환경의 성장에 따라 복잡해지는 교통 시스템 모델링 문제를 해결하기 위해, 고급 그래프 신경망(GNN) 아키텍처를 대리 모델로 도입하는 연구를 제시합니다. 기존의 그래프 합성곱 네트워크(GCN) 기반 연구를 발전시켜, 잔차 연결을 통해 과할당 문제를 완화하는 새로운 그래프 어텐션 네트워크(GAT) 변형인 GATv3를 제안합니다. 또한, 예측 안정성을 향상시키면서 회귀와 비교할 만한 수치적 정밀도를 달성하는 세분화된 분류 프레임워크를 제안하여 해석력과 효율성을 높였습니다. 모델 성능 향상을 위해 과적합 없이 증강된 훈련 데이터셋을 확장하는 합성 데이터 생성 전략도 개발하였습니다. 실험 결과, GATv3는 분류 성능을 크게 향상시켰으며, GCN 모델은 추가 훈련 데이터를 사용했을 때 세분화된 분류에서 예상치 못한 우수성을 보였습니다. 교통 수요 모델링 작업에서 회귀보다 세분화된 분류의 장점을 강조하고, 복잡한 교통 시나리오에 GAT 기반 아키텍처를 확장하는 데 있어 새로운 과제를 제시합니다. 특히 GATv3는 인접 링크 간의 더 높은 차별화가 필요한 구간 제어 및 혼잡 경고 시스템과 같은 분류 기반 교통 응용 프로그램에 적합한 것으로 나타났습니다. 본 연구 결과는 GNN 기반 대리 모델을 개선하고, 더 넓은 교통 문제에 GATv3와 세분화된 분류를 적용할 수 있는 새로운 가능성을 제공합니다.
