Spatio-temporal prediction using various spatio-temporal data collected in cities has a problem in that performance is greatly degraded with insufficient data. In order to solve this problem, transfer learning has been studied, which uses a model learned in a data-rich city, but these studies also rely on a certain amount of auxiliary data that weakens the assumption of insufficient data. In this dissertation, we propose MRT(Multi-Region-Used Transfer Learning) that does not use such auxiliary data at all. We first propose a method of selecting similar regions between a data-rich city and a data-poor city without utilizing auxiliary data. In the process of selecting similar regions, several regions can be selected according to the degree of similarity between regions, and it is shown that the method of selecting multiple similar regions without using auxiliary data is more effective for transfer learning than the method of selecting one similar region with using auxiliary data. Next, we propose a method of performing fine-tuning after freezing some layers during transfer learning according to the degree of similarity of the entire city. MRT improved RMSE by up to 7.8% in performing the traffic volume prediction on the New York - Beijing data set compared to the existing method. Finally, we propose STG-Trans(Spatio-Temporal Graph Transfer Learning), a transfer learning method that can perform spatio-temporal prediction not only in cities composed of grid-shaped regular regions but also in cities composed of irregularly shaped regions. Compared with the existing method, STG-Trans improved RMSE by up to 5.3% in predicting the inflow and outflow of the stations in the Seoul - Busan subway data set represented as a graph structure. Overall, we expect that this study will be essentially used for urban planning in the cities where data is scarce.
도시에서 수집되는 다양한 시공간 데이터를 활용한 시공간 예측은 데이터가 부족한 도시에서 성능이 크게 저하되는 문제가 있다. 위 문제를 해결하기 위해 데이터가 풍부한 도시에서 학습한 모델을 활용하는 전이 학습이 연구되고 있지만, 이들 연구에서는 상당량의 보조 데이터를 활용하여 데이터가 부족한 도시라는 가정을 약화시키고 있다. 본 연구에서는 이러한 보조 데이터를 전혀 사용하지 않는 전이 학습 방법인 MRT(Multi-Region-Used Transfer Learning)를 제안한다. 우선, 보조 데이터를 활용하지 않고 데이터가 풍부한 도시와 데이터가 부족한 도시 사이의 유사 지역들을 선택하는 방법을 제안한다. 유사 지역을 선택하는 과정에서 지역 간의 유사도에 따라 여러 지역이 선택될 수 있으며, 보조 데이터를 활용하여 하나의 유사 지역을 선택하는 방식보다 보조 데이터를 활용하지 않고도 여러 개의 유사 지역을 선택하는 방식이 전이 학습에 효과적임을 보인다. 다음으로, 본 연구는 도시 전체의 유사도에 따라서 전이 학습 동안 일부 레이어를 동결하여 미세 조정을 수행하는 방법을 제안한다. 제안 방법은 기존 방법에 비해 뉴욕 - 베이징 택시 데이터 셋에서 교통량 예측을 수행함에 있어 최대 7.8%의 RMSE를 향상하였다. 마지막으로, 본 연구는 격자 모양의 규칙적인 지역으로 구성된 도시 뿐만 아니라 불규칙한 모양의 지역으로 구성된 도시에서도 시공간 예측을 수행할 수 있는 전이 학습 방법인 STG-Trans(Spatio-Temporal Graph Transfer Learning)를 제안한다. 이 방법은 기존 방법에 비해 그래프 형태인 서울 - 부산 지하철 데이터 셋에서 승하차 예측을 수행함에 있어 최대 5.3%의 RMSE를 향상하였다. 종합적으로 본 연구는 데이터가 부족한 도시에서의 도시 계획 수립 등에 유용하게 사용될 수 있을 것이라 기대한다.
