Multi-Grained Temporal-Spatial Graph Learning for Stable Traffic Flow Forecasting
Created by
Haebom
저자
Zhenan Lin, Yuni Lai, Wai Lun Lo, Richard Tai-Chiu Hsung, Harris Sik-Ho Tsang, Xiaoyu Xue, Kai Zhou, Yulin Zhu
개요
본 논문은 지능형 교통 시스템 및 스마트 도시에서 중요한 역할을 하는 시간에 따라 변화하는 교통량 예측에 대해 다룹니다. 기존 방법들이 복잡한 교통 네트워크의 시간-공간 패턴을 추출하는 데 기여했지만, 전역적 시간-공간 패턴을 효과적으로 인코딩하지 못하고, 미리 정의된 지리적 상관관계에 과적합되는 경향이 있어 복잡한 교통 환경에서 모델의 강건성을 저해하는 문제점을 지적합니다. 이를 해결하기 위해, 본 논문에서는 다중 입도 시간-공간 그래프 학습 프레임워크를 제안합니다. 이 프레임워크는 그래프 트랜스포머 인코더로부터 얻은 전역적 시간-공간 패턴과 그래프 합성곱으로부터 얻은 지역적 패턴을 게이트 융합 유닛과 잔차 연결 기술을 사용하여 적응적으로 증강합니다. 제안된 모델은 각 관측소 간의 숨겨진 전역적 시간-공간 관계를 추출하고 지역적 및 전역적 시간-공간 패턴의 상대적 중요성을 균형 있게 고려합니다. 실험 결과는 제안된 방법의 강력한 표현 능력을 보여주며, 다양한 실제 교통 네트워크에서 다른 강력한 기준 모델들을 능가하는 성능을 보임을 입증합니다.
시사점, 한계점
•
시사점:
◦
다중 입도 시간-공간 그래프 학습 프레임워크를 통해 교통량 예측의 정확도 향상 가능성 제시.
