주목할 만하게도, 현재의 지능형 교통시스템은 시의적절한 의사결정을 위해 정확한 교통 예측과 신속한 추론 제공에 크게 의존한다. 그래프 합성곱 신경망(Graph Convolutional Networks, GCNs)은 복잡한 교통 의존성 모델링에서 이점을 보였으나, 기존의 GCN 기반 접근법은 다양한 공간 및 시간 규모에 걸쳐 다중 입자(다중-과립) 시공간 특징을 충분히 완전하게 추출하고 융합하지 못하여, 결과적으로 정확도가 낮아지는 것으로 입증되었다. 규모 전반에서 다중 입자 특징을 추출하는 것은 컴퓨터 비전, 자연어 처리, 시계열 예측과 같은 여러 분야에서 유망한 전략으로 알려져 있어, 시공간 교통 데이터 마이닝에도 유사한 메커니즘을 활용하려는 선행 연구들이 있었다. 그러나 기존 연구에서 도입된 추가 특징 추출 분기는 모델 복잡성을 비판적으로 증가시키고 추론 시간을 연장시켜, 신속한 예측을 제공하기 어렵게 만들었다. 본 논문에서는 생성된 동적 교통 그래프에 대해 다중 입자 시공간 특징 융합을 활용하여 교통의 상호 의존적 역학을 완전히 포착하는 새로운 교통 예측 모델을 채택한 효율적인 포그(fog) 분산 추론 시스템 MultiGran-STGCNFog를 제안한다. 층 실행 순서와 층-디바이스 스케줄링 방식을 동시에 최적화하는 스케줄링 알고리즘 GA-DPHDS는 파이프라인 방식으로 이질적인 포그 디바이스를 조율함으로써 추론 처리량을 상당히 향상시키는 데 기여한다. 실제 데이터셋에 대한 광범위한 실험 결과, 제안 방법이 선택된 GCN 기반 기초모형들보다 우수함을 보여주었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.