지능형 교통 시스템의 핵심 과제인 교통량 예측은 도시 교통 관리에서 결정적인 역할을 수행합니다. 정확한 교통량 예측은 복잡한 시공간적 의존성을 모델링하는 데 의존하지만, 교통 시스템 고유의 공간적 이질성으로 인해 이는 본질적으로 어려운 문제입니다. 상당한 발전에도 불구하고, 대부분의 기존 방법들은 여전히 쌍별(pairwise) 공간 의존성 모델링에 국한되어 있어 유사한 교통 패턴을 가진 노드 간의 동적인 고차 상호작용을 포착하기 어렵습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 프로토타입 기반 초그래프(hypergraph) 구축에 기반한 새로운 시공간 예측 프레임워크인 PHGNet을 제안합니다. PHGNet의 핵심에서는 패턴이 유사한 노드들을 하이퍼에지에 적응적으로 할당하여 시간에 따라 변하는 구조를 가진 고차 상호작용을 포착하도록 프로토타입 학습 메커니즘을 설계했습니다. 동적 초그래프 구축의 신뢰성을 향상시키기 위해, 시간 일관적인 특징을 추출하는 글로벌-로컬 노드 표현 모듈을 추가로 개발했습니다. 예측 단계에서는 효율적인 병렬 디코딩을 지원하면서도 예측 정확도를 높이기 위해 반복적 잔차 정제(iterative residual refinement)와 시간 쿼리 어텐션(Temporal Query Attention)을 도입했습니다. 여러 실제 데이터셋을 활용한 광범위한 실험을 통해 PHGNet이 최신 기법들(state-of-the-art)에 비해 우수한 예측 성능을 달성함을 입증했습니다.
시공간 교통 예측은 지능형 교통 시스템의 핵심 구성 요소로서, 신호 제어 및 네트워크 수준의 교통 관리와 같은 다양한 다운스트림 작업을 지원합니다. 실제 배포 환경에서 예측 모델은 구조적 및 관측적 불확실성 하에서 작동해야 하지만, 이러한 조건은 모델 설계 시 거의 고려되지 않습니다. 최근의 접근 방식들은 공간 및 시간 모델링을 긴밀하게 결합하여 우수한 단기 예측 성능을 달성하지만, 종종 복잡성이 증가하고 모듈성이 제한되는 대가를 치릅니다. 반면, 효율적인 시계열 모델은 명시적인 네트워크 구조에 의존하지 않고도 장기 시간적 의존성을 포착합니다. 본 논문에서는 먼저 시간 모델링을 공간 표현 학습과 분리한 후 적응형 표현 수준 융합을 통해 둘을 통합하는 시공간 예측 프레임워크인 UniST-Pred를 제안합니다. 제안된 접근 방식의 강건성을 평가하기 위해 에이전트(agent) 기반 미시적 교통 시뮬레이터(MATSim)를 기반으로 데이터셋을 구축하고 심각한 네트워크 단절 시나리오에서 UniST-Pred를 평가합니다. 또한 표준 교통 예측 데이터셋에서 UniST-Pred를 벤치마킹하여 경량화된 설계에도 불구하고 기존의 잘 확립된 모델 대비 경쟁력 있는 성능을 입증합니다. 결과는 UniST-Pred가 실제 데이터셋과 시뮬레이션 데이터셋 모두에서 강력한 예측 성능을 유지하는 동시에, 인프라 장애 상황에서도 해석 가능한 시공간 표현을 생성함을 보여줍니다. 소스 코드와 생성된 데이터셋은 https://anonymous.4open.science/r/UniST-Pred-EF27 에서 확인할 수 있습니다.
교통 상황은 변화합니다. 즉, 배포 수명 주기 동안 수요 패턴, 사고 역학 및 센서 동작이 이동하므로, 학습(training) 시 한 번 적합되고 정적으로 유지된 결합 불확실성 추정치는 조건이 바뀜에 따라 오보정(miscalibrate)됩니다. 본 논문에서는 재학습이 아닌 닫힌 형식의 업데이트(closed-form update)를 통해 테스트 시점에 예측 모델(forecaster)의 결합 예측 불확실성을 최신 상태로 유지하는 잔차 공분산 모델인 TEGER를 제시합니다. 고정된 센서 그래프는 어떤 센서의 오류가 함께 움직이는지를 인코딩하는 저차원 공간 정밀도(precision) 인자를 제공합니다. 추론(inference) 시, 가우시안 조건화(Gaussian conditioning)는 가장 최근에 관측된 잔차만을 기반으로 다음 예측의 평균과 공분산을 보정하며, 지수 이동 평균 변동성 항은 학습된 상관 구조를 보존하면서 국소적 변화(local drift)를 추적하도록 한계 불확실성의 크기를 재조정합니다. 두 업데이트 모두 예측 백본의 가중치를 건드리지 않으므로, 동일한 메커니즘을 동결된 시계열 파운데이션 모델에 결합할 수 있습니다. 즉, 그래디언트(gradient)가 모델을 통과하지 않으면서도 거의 무시할 수 있는 추가 비용으로 정적 점 예측을 지속적으로 갱신되는 상관된 불확실성을 가진 예측으로 변환합니다. 4개의 교통 데이터셋에서 고정 그래프 공분산은 백본 및 데이터셋의 다양한 구성 전반에 걸쳐 시간 전용 기준선(baseline) 대비 60분 $CRPS_{sum}$을 개선합니다. 동결된 시계열 파운데이션 모델인 Chronos에 사후(post hoc) 적용했을 때, 동일한 테스트 시점 보정은 파운데이션 모델 미세조정(fine-tuning) 없이도 $CRPS_{sum}$을 0.1798에서 0.1736으로 감소시킵니다. 이러한 결과는 학습 시 한 번 고정되는 공분산보다 닫힌 형식의 테스트 시점 잔차 보정을 뒷받침합니다.
교통 센서 네트워크는 센서가 추가되고 교통 분포가 변화함에 따라 진화하지만, 대부분의 예측 모델은 고정된 노드(node) 집합을 가정하고 사용 가능한 모든 데이터에 대해 반복적으로 재학습(retraining)을 수행합니다. 본 논문에서는 진화하는 교통 센서 네트워크에서 효율적인 예측을 수행하기 위한 지속 메모리 네트워크(Continual Memory Network)인 CoMemNet을 제안합니다. CoMemNet은 현재 주기에 적응하기 위한 온라인(Online) 브랜치와 안정적인 특징(feature) 참조 역할을 하는 지수 이동 평균 타깃(Target) 브랜치를 사용합니다. 바서슈타인(Wasserstein) 기반 드리프트 샘플러는 노드별 온라인-타깃 특징 분포를 비교하고 업데이트할 제한된 드리프트 민감 노드 집합을 선택합니다. 또한 경량의 노드 적응형 시간 메모리 재생 버퍼(TMRB-N)는 모든 과거 학습 데이터를 반복해서 순회하지 않고도 압축된 시간 상태를 유지합니다. 예측 백본은 인접 행렬(adjacency matrix)을 직접 사용하지 않으며, 센서 인접성은 데이터를 구성하고 선택된 업데이트 집합을 제한된 이웃으로 선택적으로 확장하는 데에만 사용됩니다. 3개의 다중 주기 PeMS 데이터셋을 대상으로 한 실험에는 3개의 시드 평가, 강력한 정적 재학습 및 지속 학습(continual learning) 베이스라인, 통제된 샘플링 전략, 지속 학습 평가 지표, 강건성 테스트, 자원 사용량 분석이 포함됩니다. 실험 결과는 CoMemNet이 제한된 공유 노드 선택 조건에서도 안정적인 예측 정확도와 효율적인 적응력을 유지하며, 과거 지식 보존과 현재 주기 예측 성능 간에 더 우수한 균형을 달성함을 보여줍니다. 아울러 진화하는 네트워크가 확장됨에 따라 CoMemNet은 현재 주기 재학습 베이스라인 대비 정확도와 누적 학습 시간 측면에서 더욱 뚜렷한 이점을 보입니다. 코드는 https://meiwu5.github.io/CoMemNet 에서 확인할 수 있습니다.
교통 흐름 예측은 지능형 교통 시스템에 필수적이다. 대규모 교통 예측은 국소 공간적 의존성과 지역 간 컨텍스트를 공동으로 모델링해야 한다. 지리적으로 인접한 노드 간 공간적 의존성은 도로 유형과 이동 방향의 차이로 인해 이질적이며, 모든 노드 쌍 상호작용을 통해 전역 정보를 획득하는 것은 상당한 계산 비용을 초래한다. 따라서 국소 이질성을 포착하면서 장거리 컨텍스트를 효율적으로 획득하는 것은 대규모 교통 예측에서 여전히 중요한 과제로 남아 있다. 이러한 과제를 해결하기 위해, 우리는 노드 이웃과 도로 네트워크 지역이라는 두 가지 상보적 세분성에서 공간적 의존성을 모델링하는 Local-Region Spatial Temporal(LoReST) 네트워크를 제안한다. 구체적으로, 관계 인지 국소 집계는 도로 및 방향별 특징 변환을 통해 지리적 이웃 내 이질적 의존성을 포착한다. 지역 간 상호작용은 평균 풀링을 통해 지역 표현을 구성하고, 지역 간 어텐션을 통해 장거리 컨텍스트를 교환한 뒤 이를 노드로 다시 전파한다. 국소 정보 집계와 지역 간 상호작용을 통합함으로써 LoReST는 대규모 도로 네트워크에서 공간적 의존성 학습을 효과적으로 수행할 수 있다. LargeST 벤치마크의 네 개 데이터셋에 대한 실험은 MAE, RMSE, MAPE에서 각각 평균 상대 감소율 4.78%, 3.60%, 5.75%를 보여준다.
교통량 예측은 복잡하고 비선형적인 공간적·시간적 의존성으로 인해 매우 어려운 문제이다. 셀프-어텐션(self-attention) 메커니즘은 동적이고 장거리 의존성을 모델링하는 데 널리 채택되어 최첨단 성능을 달성해 왔지만, 이차(quadratic) 계산 및 메모리 복잡도로 인해 확장성이 제한된다. 이를 해결하기 위해, 빠른 고차원 가우시안 필터링 이론에서 영감을 받아 공간적 어텐션 메커니즘 자체를 선형화하는 효율적 다중-어텐션 그래프 네트워크(EMAGN)를 제안한다. 두 개의 학습된 클러스터링 행렬 C_k와 C_v가 키(key) 및 밸류(value) 벡터를 M개의 슈퍼-클러스터(super-cluster)로 적응적으로 묶어, 동적 의존성 모델링을 위한 어텐션의 유연성을 희생하지 않으면서 복잡도를 O(N^2 d)에서 O(NMd)로 줄인다. PEMS-BAY와 METR-LA에 대한 실험 결과, EMAGN은 전체-어텐션(full-attention) GMAN 대비 MAE 2.7–3.2% 이내의 정확도를 달성하면서 학습 시간을 32%, 추론 시간을 38%, GPU 메모리를 58% 줄인다. 특히 K=16 어텐션 헤드(attention head)에서 전체-어텐션 GMAN은 표준 11GB GPU에서 완전히 메모리가 부족해지지만 EMAGN은 계속 동작하며, 이는 실행 가능한 모델 구성의 질적 확장을 보여준다. EMAGN은 교통 네트워크 인식(traffic-network-aware) 적응형 클러스터링 덕분에 동일 백본(backbone) 내에서 Linformer와 Performer를 정확도와 효율성 모두에서 능가한다.
실제 교통 데이터는 이질적인 공간 상관관계와 비선형 시간 역학을 보이며, 정확한 시공간 예측에 상당한 어려움을 초래한다. 기존 접근법들은 점점 더 정교한 그래프, 어텐션, 분해(decomposition) 아키텍처를 발전시켜 왔지만, 기반 비선형 함수 근사기의 영향은 상대적으로 덜 주목받아 왔다. 본 연구에서는 공간 및 시간 토큰 혼합에 Taylor 다항식 Kolmogorov-Arnold Network 모듈을 도입한 시공간 예측 아키텍처인 STKAN을 제안한다. STKAN은 먼저 학습 가능한 소프트 노드-그룹 할당 메커니즘을 통해 고수준 공간 표현을 구성하고, 그룹별 공간 혼합을 적용한 뒤 압축된 시퀀스에 대한 시간적 의존성을 모델링한다. 장거리 상호작용을 포착하기 위해 공간 및 시간 자기 어텐션(self-attention) 레이어도 추가로 사용한다. 5개의 교통 예측 벤치마크에 대한 실험에서 STKAN은 경쟁력 있는 성능을 달성하며, 테스트된 설정에서 평가된 MLP 기반 변형보다 우수한 성능을 보인다. 이러한 결과는 시공간 예측에서 비선형 함수 근사기 설계가 아키텍처 설계에 대한 유용한 보완이 될 수 있음을 시사한다.
교통 흐름과 대중교통 등 다중 모달리티 교통 데이터의 예측에서 모달리티별 스펙트럼 특성 차이와 주파수 간 불균등 상호작용 문제를 해결하기 위해, 주파수 도메인에서 적응적 스펙트럼 정제(MFF)와 선택적 교차 모달리티 시너지(FSI)를 수행하는 경량 프레임워크 FreMo를 제안한다. FreMo는 기존 시계열 백본에 플러그앤플레이 방식으로 통합 가능하며, 실세계 데이터셋 실험에서 최신 기준 모델들을 일관되게 능가하는 성능을 보였다.
시계열 파운데이션 모델(TSFM)의 집계 벤치마크는 자유 흐름(free-flow) 관측이 지배해 교통 체제 전환 구간의 정확도·예측 구간 커버리지 급락(전환 MAE 11mph, 90% 구간 커버리지 55%)을 숨긴다는 점을 체제 층화 평가로 보여준다. TSFM 예측과 과거 분포 지식을 결합하는 사후적 이봉 혼합 증강(BMA)은 전환 구간 커버리지를 개선하면서 TSFM의 전체 정확도를 유지하므로, TSFM 벤치마크에는 체제 인식 평가가 필요하다.
트래픽 행렬(TM)은 네트워크 전역의 출발지-목적지(origin-destination) 수요를 포착하며 트래픽 엔지니어링의 핵심이지만, 온라인 네트워크 제어의 메모리, 갱신, 학습 예산 제약 하에서 예측을 수행해야 할 때 정확한 전체 행렬 예측은 여전히 어렵다. 본 논문은 전용 그래프, 트랜스포머, 또는 확산(diffusion) 모듈에 의존하지 않고도 소형 양자 영감 순환 모델이 효과적인 TM 예측을 제공할 수 있는지 조사한다. 우리는 게이트드(gated) 양자 영감 Kolmogorov-Arnold 네트워크 고속 가중치 프로그래머(QKAN-FWP)를 다단계 Abilene TM 예측에 직접 적용하며, 각 모델은 2시간 이력으로부터 144채널 출발지-목적지(OD) 행렬의 향후 20개 5분 프레임을 예측한다. 공유된 고정 예산 학습 프로토콜 하에서 세 가지 QKAN 배치 변형을 동일 크기 장단기 기억(LSTM) 네트워크, 더 큰 LSTM, 그리고 고전적 게이트드 고속 가중치 프로그래머와 벤치마크한다. 평가된 순환 모델 중 G-QKANFWP는 더 큰 LSTM의 22.4%만 사용하면서 최고의 풀링 루트 평균 제곱 오차(RMSE)를 달성한다. 또한 동일 크기 LSTM과 고전적 G-FWP 기준선 모두를 능가하여, 성능 향상이 게이트드 고속 가중치 프레임워크만으로 인한 것이 아님을 보여준다. 수렴 및 채널별 분석은 추가로 양자 영감 변형이 동일 크기 순환 기준선보다 낮은 검증 손실 학습 곡선 하 면적(AULC)을 얻음을 보여주며, G-QKANFWP와 GQKAN-FWP는 훨씬 더 많은 OD 채널에서 우수한 성능을 달성한다. 이러한 결과는 고전적 느린 프로그래머와 양자 영감 고속 프로그래머의 조합이 자원에 민감한 네트워크 트래픽 행렬 예측을 위한 유망한 정확도-효율 설계임을 밝힌다.