GAMMA-Net：インタリーブド・グラフアテンションとマルチ軸Mambaによる適応的ロングホライズン交通スパイオ時間予測モデル

要旨: 正確な交通予測は、インテリジェント交通システムにとって極めて重要であり、効果的な交通管理、渋滞の削減、そして情報に基づく都市計画を支えます。しかし、従来のモデルはしばしば、交通データに存在する複雑な時空間依存関係を十分に捉えられません。こうした制約を克服するために、本論文では Graph Attention Networks（GAT）とマルチ軸 Selective State Space Models（Mamba）を統合した新しい手法である GAMMA-Net を提案します。GAT の構成要素は自己注意機構を用いて、交通ネットワーク内のノードの影響を動的に調整し、リアルタイムの条件に基づく適応的な空間依存性のモデリングを可能にします。同時に、Mamba モジュールは、従来のリカレント型アーキテクチャに比べて大きな計算コストをかけずに、長期的な時間的・空間的ダイナミクスを効率的にモデリングします。METR-LA、PEMS-BAY、PEMS03、PEMS04、PEMS07、PEMS08 を含む複数のベンチマーク交通データセットに対する大規模な実験の結果、GAMMA-Net は異なる予測ホライズンにおいて、一貫して既存の最先端モデルを上回ることが示され、ベースラインモデルと比較して Mean Absolute Error（MAE）を最大 16.25% 削減することを達成しました。アブレーション研究では、空間成分と時間成分の両方が重要な貢献をしていることが強調され、それらが予測精度を向上させる上で相補的な役割を果たすことを示しています。結論として、GAMMA-Net モデルは交通予測における新たな基準を確立し、次世代の交通管理および都市計画のための強力な手段を提供します。本研究のコードは https://github.com/hdy6438/GAMMA-Net で利用可能です