주목할 만하게도, 현재의 지능형 교통 시스템은 적확한 교통 예측과 신속한 추론 제공에 크게 의존하여 적시에 의사결정을 내린다. 그래프 합성곱 신경망(Graph Convolutional Networks, GCNs)은 복잡한 교통 의존성을 모델링하는 데 이점을 보였으나, 기존의 GCN 기반 접근법은 다양한 공간 및 시간 척도에 걸쳐 다중-과립(spatiotemporal) 특징을 충분히 완전하게 추출하고 융합하지 못해, 정확도가 덜한 결과를 초래하는 것으로 입증되었다. 또한 척도 전반에 걸쳐 다중-과립 특징을 추출하는 것은 컴퓨터 비전, 자연어 처리, 시계열 예측 등 여러 분야에서 유망한 전략이었으므로, 선행 연구들에서는 시공간 교통 데이터 마이닝을 위해 유사한 메커니즘을 활용하려는 시도가 이루어졌다. 그러나 기존 연구에서 도입된 추가적인 특징 추출 분기(branch)는 모델 복잡성을 현저히 증가시키고 추론 시간을 연장하여, 빠른 예측을 제공하기 어렵게 만들었다. 본 논문에서는 생성된 동적 교통 그래프에 대해 다중-과립 시공간 특징 융합을 적용함으로써 상호 의존적인 교통 역학을 충분히 포착하는 새로운 교통 예측 모델을 활용하는, 효율적인 포그(fog) 분산 추론 시스템인 MultiGran-STGCNFog를 제안한다. 제안하는 스케줄링 알고리즘 GA-DPHDS는 계층 실행 순서와 계층-장치 스케줄링 방식을 동시에 최적화하며, 파이프라이닝 방식으로 이질적인 포그 장치를 조율함으로써 상당한 추론 처리량 향상에 기여한다. 실제 데이터셋에 대한 광범위한 실험 결과, 제안 방법은 선택된 GCN 기반 기준 모델들에 비해 우수함을 보여주었다.

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