데이터가 부족한 도시를 위한 전이 학습 기반의 지역 단위 시공간 예측

Abstract

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.