Traffic forecasting has garnered research interest as a crucial technical component of adaptive traffic management over the last four decades. Since 2014, deep learning models have been actively proposed in this field of research, and graph neural networks have recently taken the major portion. Most studies, however, focus only on the accuracy of the models, and the robustness on various transportation networks and geospatial complexities is often neglected. To this end, this dissertation focuses on ensuring both the accuracy and robustness of traffic forecasting models based on graph neural networks. Techniques to effectively incorporate static structural characteristics depending on the geospatial complexity, and to reflect dynamic time-varying spatial correlation through online traffic data are studied. Also, a comprehensive assessment has been conducted to evaluate robustness and generalization capability of traffic forecasting models.
교통 예측 연구는 1980년대부터 adaptive traffic management의 핵심 기술 요소로 활발한 연구가 이뤄지던 분야이다. 2014년부터 심층학습에 기반한 연구가 진행되기 시작하였으며, 최근에는 그래프 인공신경망이 많은 연구에서 공간적 특성을 추출하기 위해 활용되고 있다. 하지만 대부분의 연구에서는 새로운 모델이 어느 정도의 정확도만을 보이는 지에 대한 결론만을 주장하고 있으며 서로 다른 교통 네트워크 및 지리환경적 특성에서 어떠한 차이를 보이는지에 대한 고민은 부족한 상황이다. 이에 본 학위논문에서는 그래프 인공신경망에 기반한 교통 예측 연구의 정확도에 더하여 다양한 환경 및 상황에서의 일반화 및 강건성을 확보하는 연구를 진행하고자 한다. 이를 위해 교통 네트워크의 구조적 특성을 실험 지역의 지리환경적 특성에 적합하게 반영하는 방법론 및 교통 데이터에 기반해 시간에 따라 변화하는 공간적 특성을 추출하는 기법을 연구한다. 또한, 교통 예측 모델 간의 비교분석을 통해 지역과 상황에 따른 일반화 역량 및 강건성을 분석하고자 한다.
