교통 네트워크에서 나타나는 복잡한 시공간 상관관계는 교통 예측 문제를 어렵게 만든다. 교통 시스템은 본질적으로 그래프 구조를 가지므로, 많은 연구가 그래프 신경망에 주목해 왔다. 최근에는 단일한 정적 그래프 구조에 의존하는 모델보다, 데이터에 적응하는 적응형 그래프를 구성하는 접근이 유망한 결과를 보였다. 그러나 이러한 그래프 적응은 학습 단계에서만 적용되며, 테스트 단계에서 사용되는 데이터까지 반영하지 못한다. 이러한 한계는 교통 예측에서 특히 문제가 될 수 있는데, 교통 데이터는 시간 시계열에서 예기치 않은 변화와 불규칙성을 겪는 경우가 흔하기 때문이다. 본 연구에서는 Progressive Graph Convolutional Network (PGCN)이라 불리는 새로운 교통 예측 프레임워크를 제안한다. PGCN은 학습 및 테스트 단계에서 온라인 입력 데이터에 점진적으로 적응함으로써 그래프들의 집합을 구성한다. 구체적으로, 우리는 그래프 노드 간의 추세 유사성을 학습하여 점진적 인접 행렬을 구성하도록 모델을 구현하였다. 이후 이 모델을 팽창(dilated)된 인과적 컨볼루션(dilated causal convolution)과 게이팅된 활성화 유닛(gated activation unit)과 결합하여 시간적 특징을 추출한다. 잔차(residual) 및 스킵(skip) 연결을 통해 PGCN은 교통 예측을 수행한다. 다양한 기하학적 특성을 지닌 7개의 실제 교통 데이터셋에 적용한 결과, 제안된 모델은 모든 데이터셋에서 일관된 성능으로 최첨단(state-of-the-art) 수준을 달성하였다. 결론적으로, PGCN이 입력 데이터에 점진적으로 적응하는 능력은 견고성을 바탕으로 서로 다른 연구 현장에서도 모델의 일반화를 가능하게 한다.

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