메모리 증강 그래프 액체 시간 상수 네트워크를 통한 연속적 교차 도메인 교통 상태 예측

교통 상태 예측 (Traffic state prediction)은 지능형 교통 시스템 (intelligent transportation systems)에서 필수적인 과업입니다. 실제 응용 분야에서는 센싱 인프라의 부족으로 인해 일부 지역이 제한된 교통 관측 데이터로 어려움을 겪고 있으며, 이는 데이터가 부족한 교통 예측 상황에서 교차 도메인 지식 전이 (cross-domain knowledge transfer)를 중요한 해결책으로 만듭니다. 그러나 기존의 교차 도메인 교통 예측 방법들은 거친 입도 (coarse-grained)의 소스-타겟 적응, 보지 못한 타겟 도메인 패턴을 처리하는 제한된 능력, 그리고 불규칙하거나 이질적인 시간 조건 하에서의 연속적인 교통 역학 (traffic dynamics) 모델링 부족을 포함한 몇 가지 한계에 직면해 있습니다. 이러한 문제를 해결하기 위해, 본 논문은 메모리 증강 그래프 액체 시간 상수 네트워크 (Memory-Augmented Graph Liquid Time-Constant Network, MA-GLTC)라고 명명된 연속적 교차 도메인 교통 예측 프레임워크를 제안합니다. 구체적으로, 우리는 먼저 교통 네트워크를 전이 가능한 로컬 단위로 분해하기 위해 시공간 단위 (spatio-temporal units, STUs)를 구축하여 도메인 간의 미세한 지식 정렬 (fine-grained knowledge alignment)을 가능하게 합니다. 그다음, 연속적인 시간 속에서 그래프 결합형 교통 진화를 모델링하기 위해 그래프 액체 시간 상수 네트워크 (graph liquid time-constant network, GLTC)를 개발합니다. 일반적인 그래프 신경 ODE (graph neural ODE) 기반 모델과 달리, GLTC는 액체 시간 상수 역학 (liquid time-constant dynamics)에 그래프 결합형 순환 전도도 (graph-coupled recurrent conductance)를 도입하여, 노드 상태가 누설 (leakage), 적응형 시간 상수 (adaptive time constants), 그리고 이웃 인식 피드백 (neighborhood-aware feedback)과 함께 진화할 수 있도록 합니다. 또한, 소스 도메인 지식을 보존하고, 일치하는 교통 패턴을 검색하며, 보지 못한 상태가 나타날 때 신뢰할 수 있는 타겟 도메인 패턴을 업데이트하기 위해 메모리 기반 전이 저장 (Memory-based Transfer Storage, MTS) 메커니즘을 설계합니다. 5개의 공개 교통 데이터셋에 대한 실험을 통해 MA-GLTC가 단기 및 장기 예측 작업 모두에서 대표적인 도메인 내 (inner-domain) 및 교차 도메인 (cross-domain) 베이스라인 모델들을 지속적으로 능가함을 입증합니다. 두 번째로 우수한 방법과 비교했을 때, MA-GLTC는 평균 예측 오차를 각각 3.02%, 0.33%, 8.92%, 10.09%, 2.11% 감소시켰습니다.