# Efficient Traffic Forecasting on Large-Scale Road Network by Regularized Adaptive Graph Convolution

### 저자

Kaiqi Wu, Weiyang Kong, Sen Zhang, Zitong Chen, Yubao Liu

### 💡 개요

본 논문은 대규모 도로망에서의 교통량 예측 정확도와 효율성을 높이기 위해 새로운 Regularized Adaptive Graph Convolution (RAGC) 모델을 제안한다. 기존 STGCN의 이차 복잡도 문제를 해결하기 위해 선형 시간 복잡도를 갖는 Efficient Cosine Operator(ECO)를 도입하고, Stochastic Shared Embedding(SSE)과 잔차 차이 메커니즘을 활용한 적응적 그래프 컨볼루션을 결합하여 노드 임베딩 품질을 향상시켰다. 이를 통해 계산 효율성을 유지하면서 예측 정확도를 높이는 데 성공했다.

### 🔑 시사점 및 한계

- 대규모 교통망에 대한 STGCN의 계산 효율성 문제를 해결할 수 있는 실용적인 방법론을 제시하였다.

- 노드 임베딩 품질 향상을 통해 예측 정확도를 높이는 새로운 접근 방식을 제안하였다.

- 제안된 RAGC 모델은 다양한 대규모 실제 교통 데이터셋에서 기존 최첨단 방법 대비 우수한 성능을 입증하였다.

- 향후 연구에서는 ECO 연산의 정확성 손실 가능성을 추가적으로 분석하거나, 다양한 교통 시계열 데이터 특성에 더 잘 적응하는 적응적 그래프 컨볼루션 메커니즘을 탐색할 수 있다.

---

[PDF 보기](https://arxiv.org/pdf/2506.07179)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).