Transport demand forecasting is essential when designing public transportation systems and introducing commercial transport modes. Although recent studies achieved high performances, they rely on a large number of datasets. In the real world situation, the acquisition of large data is often not easy. In extreme situations, it is impossible to obtain the data of the desired mode at all. In this study, we propose a method of synthesizing data of the desired transport mode using information learned from other modes which can be further used to predict the demand for transport modes without collected data. The proposed method learns the correlation between modes from multiple cities. We also utilize meta-learning techniques so that the model is trained to easily adapt to new tasks. We conducted extensive experiments using the transport mode data of various cities. Experiment results demonstrate that our model improves the performance by 1.93∼93.62% compared with existing methods.
교통 수단 수요 예측은 도시에서의 대중 교통 시스템 설계 및 상업적인 교통 수단을 도입할 때 꼭 필요한 중요한 문제이다. 교통 수단 수요를 정확하게 예측하기 위해 많은 연구가 진행되었지만, 예측의 정확도를 높이기 위해서는 많은 학습 데이터가 필요하다는 한계가 있다. 실제 환경에서 충분한 양의 학습 데이터를 구하는 것은 어려운 일이며, 극단적인 상황에서는 예측하고자 하는 교통수단의 데이터를 아예 구할 수 없다. 본 연구에서는 수집 데이터가 없는 교통 수단의 수요를 예측하기 위해 다른 교통 수단 데이터로부터 학습한 정보를 이용하여 원하는 교통 수단의 데이터를 합성하는 방법을 제안한다. 합성된 데이터를 학습에 사용하면 수요 예측을 구현할 수 있다. 제안하는 방법론은 여러 도시로부터 교통 수단 간의 상관 관계를 학습한다. 따라서 모델이 도시 내의 한 교통 수단의 데이터를 통해 다른 교통 수단의 데이터를 생성할 수 있다. 또한 메타 러닝 기법을 활용하여 학습 과정에서 모델이 새로운 과제에 쉽게 적응할 수 있도록 한다. 실제 여러 도시의 교통 수단 데이터를 이용한 교통 수요 데이터 합성 실험에서 제안한 방법론이 기존의 방법론들보다 1.93%에서 93.62%의 성능 향상을 보였다.
