본 논문은 스트리밍 방식으로 수집되는 공간-시간 데이터를 위한 예측 모델을 제안합니다. 기존의 공간-시간 그래프 신경망은 정적인 데이터에 효과적이지만, 지속적으로 증가하는 데이터와 새로운 센서 추가에 효율적으로 대응하지 못합니다. 이를 해결하기 위해, 논문에서는 '확장과 압축'이라는 두 가지 원칙에 기반한 프롬프트 튜닝 기반의 지속적 예측 방법을 제시합니다. 기존의 공간-시간 그래프 신경망에 연속적인 프롬프트 풀을 통합하여 메모리에 저장된 프롬프트(소량의 학습 가능한 파라미터)를 활용하고, 기존 네트워크와 함께 최적화함으로써, 모델이 공간-시간 데이터 스트림으로부터 순차적으로 학습하도록 합니다. 실험 결과, 여러 실제 데이터셋에서 기존 최고 성능 모델보다 효과성, 효율성, 일반성 등 여러 측면에서 우수한 성능을 보임을 확인했습니다.
