본 논문은 분산된 교통 데이터를 활용한 교통량 예측을 위한 연합 학습(Federated Learning, FL) 프레임워크인 FedTPS를 제안한다. 기존의 중앙 집중식 교통량 예측 모델은 데이터 프라이버시 및 상업적 민감성 문제를 야기하지만, FedTPS는 여러 이해관계자의 분산된 데이터를 활용하여 이러한 문제를 해결한다. FedTPS는 확산 기반 경로 생성 모델을 이용하여 각 클라이언트의 로컬 데이터셋을 보강하는 합성 데이터를 생성한다. 또한, 시간 및 그래프 어텐션 메커니즘을 활용하여 공간-시간적 의존성을 학습하는 새로운 예측 모델을 제시한다. 실험 결과, FedTPS는 다양한 FL 기준 모델들에 비해 전반적인 모델 성능이 우수함을 보였다.
