본 논문은 도시 주차 문제 해결을 위해 다양한 교통 수단(지하철, 버스, 온라인 호출택시, 일반 택시)의 수요 특징을 통합하여 주차 가능 여부를 예측하는 새로운 방법론인 SST-iTransformer를 제안합니다. K-means 클러스터링을 사용하여 주차 클러스터 영역(PCZ)을 설정하고, 기존 iTransformer를 개선하여 마스크-재구성 기반의 자기 지도 학습과 시계열 의존성을 포착하는 Series Attention, 변수 간 상호 작용을 모델링하는 Channel Attention을 포함하는 이중 분기 어텐션 메커니즘을 도입했습니다. 중국 청두시의 실제 데이터를 사용한 실험 결과, SST-iTransformer는 기존의 딥러닝 모델들(Informer, Autoformer, Crossformer, iTransformer)보다 우수한 성능을 보이며, 가장 낮은 MSE와 경쟁력 있는 MAE를 달성했습니다. 추가적으로, 다양한 데이터 소스의 상대적 중요성을 정량적으로 분석하여 호출택시 데이터가 가장 큰 성능 향상을 가져오고, 공간적 의존성 모델링의 중요성을 확인했습니다.
