제한된 과거 데이터가 모델의 일반화 (generalisation)를 방해하는 도시 간, 데이터 부족 시나리오에서 정확한 교통 흐름 예측은 여전히 어려운 과제로 남아 있습니다. 교통 역학의 카오스적 (chaotic) 특성, 복잡한 시공간적 의존성 (spatio-temporal dependencies), 그리고 이질적인 도시 네트워크는 도시 간 퓨샷 학습 (few-shot learning)을 더욱 어렵게 만듭니다. 기존의 딥러닝 접근 방식은 교통을 순수하게 결정론적 (deterministic)인 것으로 취급하거나, 교차 체제(cross-regime) 교통 역학에 필수적인 파동 형태의 간섭 패턴을 모델링하는 메커니즘이 부족합니다. 이러한 한계를 해결하기 위해, 본 논문은 도시 간 지식 전이 (Cross-City Knowledge Transfer)를 포함하는 새로운 카오스 기반 파동 간섭 특징 융합 (Chaos-Informed Wave Interference Feature Fusion) 프레임워크인 CIWI-CKT를 제안합니다. 본 프레임워크는 세 가지 핵심 혁신을 도입합니다: 측정 가능한 카오스 불변량 (chaos invariants)을 추출하고 교통을 적응형 파동 성분으로 모델링하는 카오스 기반 파동 생성 (chaos-informed wave generation); 서포트(support)와 쿼리(query) 체제 간의 파동 상호작용을 포착하는 동시에 신뢰도 추정을 위한 예측 가능성 점수를 생성하는 메타 간섭 처리 (meta-interference processing); 그리고 카오스적 특성을 보존하면서 효율적인 도시 간 지식 전이를 가능하게 하는 카오스 인식 메타 학습 (chaos-aware meta-learning)입니다. 우리는 카오스-파동 안정성 (chaos-to-wave stability), 파동 유도 차원 축소 (wave-induced dimension reduction), 그리고 메타 학습 일반화 경계 (meta-learning generalisation bounds)를 포함한 이론적 보장을 확립합니다. 네 가지 실제 교통 데이터셋에 대한 광범위한 실험을 통해, CIWI-CKT가 최신 시공간 그래프 학습 (spatio-temporal graph learning), 전이 학습 (transfer learning), 프롬프트 기반 (prompt-based) 및 퓨샷 (few-shot) 방법론보다 성능이 현저히 뛰어남을 입증하였으며, 필요한 학습 데이터를 크게 줄이면서도 예측 정확도를 향상시켰습니다.