본 논문은 차량 공유 플랫폼의 효과적인 정책 설계를 위해 네트워크 기반 여행자 요청의 정확한 시공간 예측의 중요성을 강조합니다. 향후 시간대의 다양한 위치 간 총 수요를 예측하면 플랫폼은 적절한 공급을 사전에 준비하여 여행자 요청 충족 가능성을 높이고, 유휴 운전자를 잠재적 수요가 높은 지역으로 재분배하여 전반적인 수요-공급 균형을 최적화할 수 있습니다. 특히 광범위한 지역을 다룰 때의 미시적 수준의 Origin-Destination (OD) 수요 예측에 초점을 맞추고 있으며, 이는 실용적 가치가 매우 크지만 연구 분야에서는 상대적으로 덜 연구된 영역입니다. 이러한 간극을 해소하기 위해, 본 논문은 데이터 부족 문제를 완화하기 위한 비지도 공간 조정 기법과 의미 및 지리적 의존성을 포착하기 위한 인코더-디코더 아키텍처로 구성된 새로운 예측 모델인 OD-CED를 제시합니다. 실험 결과, OD-CED는 기존 통계적 방법보다 최대 45%의 RMSE 감소와 90% 이상의 희소성을 보이는 OD 행렬 처리 시 가중 평균 절대 백분율 오차에서 60% 감소라는 놀라운 결과를 달성했습니다.
