From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks

기술 요약: XXLTraffic 에서 EvoXXLTraffic 로의 확장: 센서 진화 네트워크를 위한 교통 예측의 확장

문제 제기
기존 교통 예측 벤치마크는 주로 고정된 센서 세트와 짧은 시간 범위 (일반적으로 몇 개월에서 몇 년) 를 가진 데이터셋에 의존합니다. 이러한 가정은 도로 네트워크가 지속적으로 진화하는 실제 지능형 교통 시스템 (ITS) 을 반영하지 못합니다. 실제로는 새로운 감지기가 설치되고 오래된 감지기가 비활성화됨에 따라 센서 네트워크가 매년 성장하며, 이로 인해 그래프 위상이 변화하고 새로운 센서에 대해 '콜드스타트 (cold-start)' 시나리오가 발생합니다. 또한, 고속도로 계획과 같은 실제 응용 분야는 관측과 예측 사이에 상당한 간격이 있는 매우 긴 시간 범위 (수년) 에 걸쳐 예측을 요구하며, 이는 연속적인 시간 창을 가정하는 현재 벤치마크에서는 지원되지 않는 설정입니다. 본 논문은 정적 그래프와 단기 의존성에 최적화된 경우가 많은 최신 (State-of-the-Art, SOTA) 모델들이 초장기 시간적 분포 변화와 동적이고 확장되는 공간 구조라는 이중적 도전을 처리하는 데 부적합하다고 주장합니다.

방법론 및 데이터셋 구성
저자들은 캘리포니아 PeMS 및 뉴사우스웨일스 교통국 (TfNSW) 시스템의 27 년간 데이터 (2001~2024/2025) 로부터 구축된 XXLTraffic 데이터셋 패밀리와 그 센서 진화 확장판인 EvoXXLTraffic을 소개합니다.

1. XXLTraffic (고정 센서 하위 집합): 초장기 예측을 해결하기 위해 저자들은 2000 년대 초부터 지속적으로 활성화된 센서들의 하위 집합을 선별했습니다. 이를 통해 다음을 가능하게 합니다:

   • 간격 기반 예측 (Gap-based Forecasting): 관측 창과 예측 지평선 사이에 비연속적인 시간 간격 ($g \in \{1, 1.5, 2\}$년) 을 두고 교통 흐름을 예측합니다.
   • 장기 예측 (Long-Horizon Forecasting): 수년에 걸친 시간 범위에 대해 시간별 및 일별 집계 데이터를 사용한 표준 인접 창 예측입니다.

2. EvoXXLTraffic (센서 진화 하위 집합): 실제 네트워크의 동적 특성을 모델링하기 위해 데이터셋은 연도별 스냅샷으로 재구성되었습니다. 각 캘린더 연도와 지구 (district) 에 대해 데이터셋은 다음을 제공합니다:

   • 해당 연도의 활성 센서 특정 세트.
   • 연도별 교통 흐름 행렬 및 그래프 인접 스냅샷.
   • 기존 센서, 새로 추가된 센서 (콜드스타트), 비활성 센서를 식별하는 명시적 매핑.
   • 다양한 지구에서 +305% 에서 +10,000% 이상에 이르는 성장 비율 (예: PEMS05 는 약 6 개에서 약 572 개 센서로 성장).

3. 벤치마크 프로토콜:

   • 간격 프로토콜 (Gap Protocol): 장기 분포 변화에 대한 견고성을 테스트하기 위해 큰 시간 간격을 가진 고정 센서 하위 집합에서 모델을 평가합니다.
   • 연간 스트리밍 프로토콜 (Yearly Streaming Protocol): 각 캘린더 연도를 별도의 작업으로 하는 지속 학습 (continual learning) 설정입니다. 모델은 이전 연도들의 지식을 유지하면서 해당 연도의 새로운 센서 세트와 그래프 위상에 적응해야 합니다. 평가는 '전체 센서' 성능과 '신규 센서 (콜드스타트)' 성능으로 나뉩니다.

주요 기여

• 데이터셋 공개: 최대 27 년과 수천 개의 센서를 포함하는 현재까지 가장 크고 기간이 긴 공개 교통 벤치마크인 XXLTraffic 과 EvoXXLTraffic 의 공개.
• 문제 분류 체계: 고정 센서 (간격/장기) 와 센서 진화 (스트리밍/콜드스타트) 시나리오를 구분하는 교통 예측 설정의 공식적 정의.
• 종합 벤치마킹: 정적 시공간 그래프 신경망 (STGNN), 단순 온라인 방식, 진화 그래프 지속 학습 방법 (예: TrafficStream, PECPM, EAC), 그리고 검색/테스트 시간 적응 방법을 포함한 13 개의 대표적인 베이스라인에 대한 광범위한 평가.

실험 결과

• 간격 예측: 극단적인 시간 간격 (1~2 년) 하에서 대부분의 SOTA 모델은 성능이 저하되어 현재 아키텍처가 장기 분포 변화에 어려움을 겪고 있음을 시사합니다. 특히, 내재적 데이터 상관관계에 초점을 맞춘 MICN은 많은 복잡한 Transformer 기반 및 GNN 기반 모델보다 우수한 성능을 보였으며, 이는 이 특정 도전 과제에서 아키텍처의 복잡성보다 내재적 데이터 구조를 활용하는 것이 더 중요함을 시사합니다.
• 센서 진화 스트리밍:
  • 전체 센서 성능: 매년 모든 현재 활성 센서로 백본을 미세 조정하는 단순한 Online-AN 전략이 거의 모든 지구에서 가장 강력한 베이스라인으로 등장했습니다. 정교한 진화 그래프 방법 (예: EAC, TrafficStream) 과 검색 기반 방법 (STRAP) 은 Online-AN 을 능가하지 못했으며, 종종 더 나쁜 성능을 보였습니다.
  • 콜드스타트 성능: 새로 추가된 센서에 대해 엄격하게 평가할 때, 새로운 센서 행에만 미세 조정을 수행하는 Online-NN이 대부분의 지구에서 최상위 성능을 보였습니다. 파라미터가 묶인 정적 백본 (예: DCRNN, TGCN) 은 보지 못한 노드 인덱스에 일반화하지 못해 새로운 센서에서 붕괴된 반면, 어텐션 기반 모델 (ASTGCN) 은 경쟁력을 유지했습니다.
  • 실패 모드: 본 논문은 현재 진화 그래프 방법들의 치명적인 실패 영역을 식별합니다: "작은 초기 그래프"(초기 연도에 백본을 과소 훈련시킴) 와 "큰 연간 델타"(대규모 센서 성장) 의 조합입니다. 새로운 노드의 비율이 작다고 가정하는 방법들은 성장이 극단적일 때 (예: PEMS04, PEMS05, PEMS06) 치명적으로 실패합니다.
• 효율성: 학습 효율성 측면에서 단순한 Online-AN 전략은 중간 정도의 계산 비용으로 최소 평균 절대 오차 (MAE) 를 달성하여 파레토 최적 균형을 제공했으며, 반면 더 복잡한 지속 학습 방법들은 정확도 향상 없이 더 높은 비용을 발생시켰습니다.

의의 및 주장
본 논문은 XXLTraffic 패밀리가 초장기 진화 도로 네트워크 하에서 현실적인 평가를 가능하게 함으로써 기존 벤치마크를 보완한다고 주장합니다. 주요 의의는 실제 진화 인프라에 적용될 때 현재 SOTA 방법들의 한계를 드러내는 데 있습니다. 저자들은 다음과 같이 결론 내립니다:

1. 정적 벤치마크에서의 현재 최첨단 결과는 센서 진화 네트워크로 전환되지 않습니다.
2. 센서 진화 예측의 주요 병목 현상은 그래프의 원시적 성장이 아니라 초기 (종종 작은) 그래프에서 훈련된 백본 모델의 용량입니다.
3. 단순한 미세 조정 전략 (Online-AN/Online-NN) 이 현재 고성장 영역에서 복잡한 지속 학습 및 테스트 시간 적응 메커니즘보다 우수한 성능을 발휘합니다.
4. 향후 연구는 정적이거나 느리게 변화하는 그래프를 위해 설계된 기존 귀납적 편향에 의존하기보다는, "작은 초기 그래프 + 큰 연간 델타" 영역을 처리할 수 있는 용량 적응형 아키텍처와 강력한 콜드스타트 표현을 설계하는 데 초점을 맞춰야 합니다.