ESTGCN交通予測、長期予測に向けたロードマップを再構築

ESTGCN交通予測は、有用な交通マップは固定されたままであるべきではないという基本前提を変えることで、2つの公開ベンチマークにおける12ステップ先の精度を改善した。このモデルは、交通パターンの変化に応じて、どの地域が相互に影響を及ぼすかを学習する。報告された優位性は、PEMS08においてST-SSDL比で平均絶対誤差を最大6.93％改善した。

この結果が重要なのは、小さなモデリング誤差が蓄積しやすいのが長期予測だからだ。直近の状況がなお支配的である間は、モデルは次の数回の測定値を追跡できる。さらに先を見通すには、通勤パターン、渋滞、事故、地域間の移動に伴って変化する関係を追う必要がある。

大連海事大学の研究者らは、査読付きの交通予測研究でESTGCNを説明している。このモデルはグラフベースの予測を捨てるのではない。むしろ、地域の交通挙動を中心にグラフを再構成し、学習中に接続関係を更新する。

したがって中心となる競争は、ESTGCNと特定の企業や商用プラットフォームの対立ではない。適応的な地域グラフ学習と、多くの交通予測システムの基盤であり続ける固定的な道路グラフとの対比である。公表されたベンチマークでは、複数の長期予測設定で適応的手法が有利だったが、実際の都市道路での運用性能を実証するものではない。

ESTGCN交通予測は、マップが表すものを変える

ESTGCNは交通グラフを、物理的な道路接続の恒久的な複製ではなく、地域間の影響を学習したモデルとして扱う。

交通予測システムでは通常、道路網をグラフとして表現する。センサーや道路区間がノードとなり、それらを結ぶ関係がエッジとなる。グラフ畳み込みネットワークは、こうした関係を用いてネットワーク内に情報を伝播させる。

この構成により、モデルは有用な空間的文脈を得られる。交通の減速は、1台の検知器だけに属するものではほとんどない。上流道路、隣接する幹線、近隣のインターチェンジの状況が、数分後に別のセンサーが記録する値へ影響することがある。

難しさは、設計者が学習前にこれらの関係を定義する場合に始まる。近接している、あるいは同じ道路を共有しているセンサーを接続することがある。結果として得られるグラフは物理的構造を捉える一方、変化する機能的な関係を見逃す可能性がある。

2つの地域は、直接の隣接地でなくても朝の通勤時間帯には連動して動くことがある。その関係はラッシュアワー後には弱まるかもしれない。特別イベント、道路閉鎖、繰り返し発生するボトルネックも、ネットワーク全体における交通影響の流れを変えうる。

Enhanced Spatio-Temporal Graph Convolutional Networkの略称であるESTGCNは、段階的なアーキテクチャによってこの不一致に対処する。まずセンサーレベルの観測値を地域表現へ変換する。次に時間的特徴を強化し、グラフ関係を調整し、その結果得られた情報を融合して複数ステップ先を予測する。

最初の段階はParticle Size Adjustment Moduleと呼ばれる。やや変わった名称ではあるが、その役割は理解しやすい。ネットワークの後段で使う空間単位を変更するものだ。

各測定値を独立したセンサーレベルの信号として維持する代わりに、このモジュールは交通流を集約して地域レベルの表現を作る。この処理によりネットワークをより粗い視点で捉えられ、個々の測定値に含まれるノイズの影響を抑えられる可能性がある。

地域集約は、グラフ学習問題のスケールも変える。モデルは、何千もの個別の点対点相互作用だけに依存するのではなく、より広範な交通地域間の関係を調べられる。

このステップは単なるデータ圧縮ではない。モデルが意味のある場所と見なす対象を決定する。地域は、単独のセンサーでは捉えられない集合的な交通パターンを表現できる。

第2段階のSimplified Linear Attentionは、時間軸に沿って機能する。これは、将来の目標値を見ずに過去の観測値を処理するゲート付き因果畳み込みを用いる。ゲートは、どの時間的信号をモデル内で継続させるかを制御する。

信頼できる予測には、この因果性の制約が不可欠だ。学習時に誤って後の観測値がモデルに公開されると、ベンチマーク精度は優れて見えても、導入時には機能しないおそれがある。ESTGCNの設計は、時間的特徴抽出器を正しい方向に向けたままにする。

続いてアーキテクチャはAdaptive Graph Augmentation Moduleを適用する。このコンポーネントは、交通特徴を洗練しながら、地域間の予測に関係する関係性を学習する。観測された移動パターンで裏付けられる接続を強めたり、予測への寄与が小さい接続を弱めたりできる。

このモデルが文字どおり道路を変えるわけではない。グラフノードが相互にどの程度影響すべきかを記録する、内部の隣接構造を変えるのである。学習されたグラフは、ナビゲーション地図ではなく、機能的な交通関係を表す。

改善された時空間エンコーダーは、こうした空間的・時間的ストリームを組み合わせる。そこにはsqueeze-and-excitationチャネル注意機構が含まれ、特徴チャネルの有用性に応じて異なる重みを割り当てる。

最後のELA plus MLPコンポーネントは、位置に焦点を当てた注意機構と多層パーセプトロンを適用する。パーセプトロンは、洗練された表現を予測交通値の系列に変換する。

この系列性が重要だ。ESTGCNは最初に地域的な見方を確立し、その後で時間的パターンを抽出し、グラフ関係を更新し、結果を統合する。その貢献は、単独の注意機構ではなく、連携したパイプラインにある。

この違いは、「再配線」という見出しの短縮表現に注意が必要な理由でもある。ESTGCNが新しい物理的道路網を発見するわけではない。どの地域が有用な予測情報を提供するかについて、変化する計算上の記述を学習するのである。

より長い予測は、固定交通グラフに圧力をかける

報告された改善は、空間的影響が一日を通じて一定であると仮定する予測システムに疑問を投げかける。

短期の交通予測は勢いの恩恵を受ける。ある道路回廊が現在渋滞しているなら、次の数回の測定でも渋滞が続くことは多い。直近の速度と交通流が、予測の大部分を担える。

しかし、予測期間が延びるとこの利点は弱まる。交通パターンは通勤時間帯をまたぎ、他地域の状況と相互作用し、直近の方向性から外れることがある。モデルが複数の将来ステップを予測する際には、誤差も累積する。

ここで固定グラフは制約となる。観測がいつ発生したか、あるいはどの地域パターンが支配的かにかかわらず、すべての観測値を同じ事前定義済みの関係ネットワークに通すことになるからだ。

もちろん、基盤となる道路網が消えるわけではない。車両は依然として物理的な経路を走る。しかし、予測にとって最も有益な関係が、必ずしも最短の物理的接続に対応するとは限らない。

離れた流入路が、隣接センサーより先に中心道路回廊の渋滞を予測できることがある。2つの地区がある時間帯には強い通勤パターンを共有していても、別の時間帯にはほとんど関係しない場合がある。静的な近接性だけでは、こうした関係をすべて表現できない。

先行研究はすでに固定トポロジーに異議を唱えていた。2020年に発表されたAGCRNアーキテクチャは、モデルがノード固有のパターンを学習する一方で、事前定義済みグラフを避けられると論じた。他のシステムは、事前定義済み構造と適応的構造を組み合わせた。

その後のSTIDGCNモデルは、交通入力から動的な隣接情報を生成し、それを適応的グラフ構造と融合した。その著者らも変化する相関と、より長い予測期間に焦点を当てていた。

したがってESTGCNは、何もないところから適応的な交通グラフを生み出したのではなく、確立された技術的潮流に加わるものだ。その固有の主張は、地域構築、軽量な時間学習、グラフ拡張、注意機構が、段階的なシステムとして機能する方が優れるという点にある。

圧力は2つのグループにかかる。研究者は、複雑化を増す固定グラフシステムが、その硬直性を正当化できるかを示さなければならない。交通事業者は、適応的モデルが許容できない計算コストや保守コストを伴わずに、信頼できる改善をもたらすかを判断しなければならない。

その判断を1つの集計スコアに委ねることはできない。都市交通プラットフォームには、通常期間、祝日、工事、悪天候、スポーツイベント、センサー障害、突発的な事故を通じた一貫した予測が必要だ。

報告されたESTGCNの評価は、5つの公開データセットを対象としている。PEMS04、PEMS07、PEMS08には、カリフォルニア州の高速道路センサーネットワークから得られた交通測定値が含まれる。ShanghaiとBjTTは中国の都市圏データを加え、BjTTはより大規模なマルチモーダル環境を表す。

複数のデータセットを用いることで、結果が1つの道路網だけに完全に依存するリスクを減らせる。また、アーキテクチャが異なる規模や交通分布を扱えるかも検証できる。

最も強い見出しとなる結果は、12ステップ先の予測で得られた。PEMS08では、研究者らはST-SSDLと比べて平均絶対誤差が6.93％減少したと報告している。BjTTでは、最も近い比較手法に対して3.32％の減少を報告している。

平均絶対誤差は、正負の誤差が相殺されないようにしながら、予測誤差の大きさを平均する。値が低いほど、予測交通流が記録値に近かったことを示す。

この改善率は、ESTGCNが交通を93％または97％の精度で予測するという意味ではない。選定されたベースラインに対する、1つの誤差指標の削減を示すものだ。モデルの主張を評価する際には、この違いが重要になる。

この改善は、複数の長期予測比較で特に顕著だったと報告されている。このパターンは研究者らのメカニズムを支持する。すなわち、予測が直近の局所的な勢いを超えるほど、適応的な地域グラフはより有用になるはずだという考えである。

ただし、この結果はすべての固定グラフを無効にするものではない。物理的トポロジーには実際の因果的制約が含まれており、事前定義済み構造は有用な帰納バイアスを提供できる。データを見る前の段階で、どの関係がより妥当かをモデルに伝えられるからだ。

より難しい問いは、その物理的構造のどの程度を固定のまま残すべきかという点にある。完全に学習されたグラフは不安定な相関を捉えるリスクがある。完全に事前定義されたグラフは、実際の移動から生じる関係を無視するリスクがある。

ESTGCNは中間的な道を選ぶ。明示的なグラフモデリングを維持しつつ、データによって予測に関連する接続を再構成させる。このため、硬直したトポロジーとグラフなしの予測の間に位置づけられる。

適応的グラフ学習こそ、モデルの本当の賭けである

ESTGCNは、変化しない道路グラフに別の大規模な時間モデルを追加するよりも、地域間の影響を段階的に学習する方が有用だと見込んでいる。

交通予測研究には、複数の競合するアプローチがある。グラフ畳み込みを深くするシステムもあれば、再帰型ネットワーク、Transformers、分解手法、あるいはますます複雑な注意ブロックを追加するものもある。

別の研究潮流では、明示的なグラフが依然として必要なのかが問われている。グラフなしの多層パーセプトロンモデルは、より単純な計算を提供でき、隣接構造を構築・更新するコストを回避できる。

ESTGCNは両極端を退ける。道路と地域は依然として空間的につながっているためグラフを維持する一方、そのグラフを調整可能にする。また、大規模なTransformerだけに依存するのではなく、比較的簡潔な注意機構も用いる。

その設計は、適応的トポロジーへのより広範な移行を反映している。先行する適応型グラフモデルは、静的・動的の両方の道路ネットワーク構造を学習し、それらを組み合わせてマルチステップ予測を行った。

違いは、ESTGCNが処理をどのように編成するかにある。地域集約は適応型グラフ拡張に先行する。時間的強化も、最終的な特徴融合より前に実施される。

この順序付けは、役割の切り分けに役立つ可能性がある。地域モジュールが空間単位を定め、因果畳み込みが利用可能な過去のパターンを抽出する。グラフ拡張は、どの地域間で影響を交換すべきかを決める。続いてエンコーダがそれらの出力を融合する。

単一の統合レイヤーでも、理論上は類似のパターンを学習できるかもしれない。しかし実際には、タスクを分割することで最適化が容易になり、アブレーションテストの対象もより明確になる。

研究者らは、個別のモジュールを取り除き、その寄与を測定するためにアブレーション研究を用いたと報告している。この種の検証は不可欠だ。複数の要素を含むモデルは、目玉とされる革新とは無関係な理由で性能が向上する場合があるためである。

適応型グラフ拡張を取り除いた際に一貫した性能低下が生じるなら、学習された地域間接続の有効性を裏付けることになる。注意機構を取り除いた場合の低下の方が大きければ、「再配線された地図」という説明を強調しすぎるべきではない。

公表された報告書によれば、この研究には統計的検定、感度分析、効率性評価も含まれている。これらの検証は、スコア差が信頼できるものか、パラメータの選択が結果を支配していないか、アーキテクチャが不合理なコストを課していないかを検討するものだ。

交通予測は時間制約下で動作するため、効率性には特に注意を払う必要がある。制御判断が下された後に届く予測は、実用的価値が限られる。

このモデルの地域集約は、グラフの粒度を下げることで効率を改善する可能性がある。後段のモジュールは、あらゆる潜在的なセンサー関係をフル解像度で処理するのではなく、よりコンパクトな空間表現上で動作する。

ただし、適応型グラフ学習にはそれ自体の処理負荷がある。システムは有用な関係を推定し、学習中に表現を更新しなければならない。運用者は、自らの条件下で推論レイテンシ、メモリ消費量、再学習頻度、ハードウェア要件を測定する必要がある。

ESTGCNは、スケールを念頭に設計された近年の手法とも競合する。2026年の大規模交通モデルは、ネットワークを複数の部分グラフに分割し、8,600ノードを含む実験を報告している。

この比較は、未解決のトレードオフを浮き彫りにする。地域単位での粗視化は学習を扱いやすくする一方、過度な集約は局所的なボトルネックを隠しかねない。すべてのセンサーを保持すれば詳細さは保たれるが、計算コストとノイズは増大する。

適切な地域サイズは都市ごとに異なる可能性もある。高速道路の回廊、高密度な都心グリッド、複数交通モードを持つ大都市圏ネットワークには、共通する自然なグルーピングはない。

したがって、ESTGCNの粒度調整は単に入力を圧縮するだけでは不十分である。安定した地域パターンを生み出しつつ、重要な局所的特徴を維持しなければならない。公表されたベンチマーク結果は、テストされたデータセットにおいてこの均衡を達成できることを示唆している。

アーキテクチャの因果的時間モジュールも、実用的な選択である。畳み込みは、観測値を一つずつ処理する再帰型システムよりも、系列情報を効率的に処理できる。

ゲーティングはモデルによる情報フローの制御を可能にし、因果性は未来の情報漏洩を防ぐ。線形注意機構は、長い系列に標準的な注意機構を適用する場合に伴う完全な計算コストなしに、より広範な時間的依存関係を捉えることを目指す。

最終的な注意段階では、有用なチャネルと位置に優先順位を与える。この階層的な注意配分により、モデルは3つの異なる問いに答えられる。すなわち、どの時間的信号が重要か、どの特徴チャネルが重要か、どの局所パターンが重要か、である。

この仕組みにはもっともらしさがあるが、複雑性は欺瞞的になり得る。モジュールを追加すると、ベンチマーク性能は向上しがちだが、設定の選択肢、障害モード、保守の難しさも増える。

交通機関に必要なのは、最小のテスト誤差だけではない。状況が変化した際に、データエンジニアが監視、再調整、診断できるモデルが必要である。

そのため、適応型グラフこそがESTGCNの決定的な賭けである。学習された関係が検査可能なほど十分に安定し、遠方の予測を改善するほど有用であれば、追加の仕組みには明確な目的がある。

それらの関係が予測不能に変動するなら、このアーキテクチャは複雑なベンチマークの勝者に過ぎなくなる。どちらの解釈が残るかは、運用評価によって決まる。

ベンチマークでの改善が立証しないこと

5つの公開データセットは意味のある証拠を提供するが、実運用の交通ネットワークに伴う不確実性を再現することはできない。

ベンチマークテストは、統制された比較を生み出す。研究者は複数のシステムを同じ過去の入力で学習させ、同じ予測ホライズンを使用し、記録済みの観測値に対して標準的な指標を算出できる。

この統制は進歩を測定するために必要である。しかし、実運用と同じではない。

公開交通データセットには通常、特定のインフラ、サンプリング間隔、地域条件の下で収集された過去のセンサー測定値が含まれる。モデルは、学習期間とテスト期間を通じて安定している反復パターンを学習できる。

実運用システムは、データが学習時とは異なるパターンに従い始める分布シフトに直面する。新たな建設、リモートワークのスケジュール、公共交通機関の混乱、天候、政策変更、センサー交換はいずれも、こうしたシフトを生じさせ得る。

予期せぬイベントは特に重要である。主に通常時の交通で学習したモデルは、平均的には良好に動作しても、運用者が追加の先行時間を最も必要とする局面で失敗する可能性がある。

PEMSデータセットを用いた近年の研究も、同様の限界を認めている。あるエンコーダ・デコーダ研究は、PeMSD4およびPeMSD8での改善を報告した一方、悪天候や予期せぬイベント時に不安定となる可能性を指摘した。

ESTGCNの適応型グラフは変化に適しているように見えるが、学習中の適応は、導入後に再学習なしで行われるオンライン適応と必ずしも同じではない。入手可能な報告書は、このモデルがライブ観測から継続的に自らを再配線することを立証していない。

この区別は、読者が結果を解釈する際の指針となるべきだ。ESTGCNはデータからグラフ関係を学習する。しかし、本番環境で発生するあらゆる交通インシデントに自律的に対応できることは示されていない。

12ステップのホライズンにも文脈が必要である。ステップとは、データセットのサンプリング系列における位置を指す。その実世界での時間は、そのベンチマークで採用された収集間隔に依存する。

したがって、読者はデータセットの設定を確認せずに、すべての12ステップ結果を普遍的な分数へ換算すべきではない。技術的な成果は、この研究の評価設定におけるより優れたマルチステップ予測である。

集計誤差は、不均一な結果を隠すこともある。小幅な平均改善の中には、渋滞した回廊での大幅な改善と、他の場所でのほとんど変化が含まれているかもしれない。まれだが高コストなイベントでの低性能も隠され得る。

運用評価では、地域、時間帯、混雑度、インシデント状況、予測ホライズンごとに結果を分解すべきである。最も価値の高いモデルは、必ずしもネットワーク全体の平均性能が最良のモデルではない。

解釈可能性も、もう一つの未解決の問題を生む。学習された地域間接続は、どの地域が連動して動くかを明らかにし得るが、相関関係が自動的に交通上のメカニズムを確立するわけではない。

モデルは、実際の通勤流動によって地域を接続しているかもしれない。一方で、データセットに固有の反復パターンを利用しているだけかもしれない。分析者には、学習されたエッジが再学習をまたいでも妥当であるかを確認するためのツールが必要だ。

物理グラフは、エッジが道路や既知の近接性に対応するため、ある程度の理解可能性を備える。適応型グラフは、その明確さの一部を柔軟性と引き換えにする。

ESTGCNは地域レベルで動作し、グラフ構造を保持することで、このリスクを部分的に抑えている。それでも運用者は、学習された地図がいつ変化するのか、また、その変化が妥当かどうかを理解しなければならない。

再現可能性も決定的な試験となる。報告書によれば、研究者らはソースコードと前処理スクリプトを公開しており、他チームが実装を検査し、実験を再実行できるようになる。

独立した再現検証では、データ分割、正規化、ベースライン設定、乱数シード、ハードウェアを確認すべきである。交通予測パイプラインでは、小さな違いが比較結果に実質的な影響を及ぼし得る。

ベースラインの選定にも精査が必要だ。PEMS08における報告済みの6.93%削減は、特定のホライズンにおけるST-SSDLとの比較である。ESTGCNがあらゆる近年のアーキテクチャをその差で上回ることを意味するわけではない。

交通予測は急速に進展しており、新しいモデルは異なる目標を重視している。生の精度を目標とするものもあれば、不確実性、速度、スケーラビリティ、欠損データへの耐性、都市間転移を優先するものもある。

公正な導入研究では、同一の運用予算の下で、ESTGCNを複数の強力な代替手法と比較すべきである。これには、適応型グラフモデル、グラフを使わないシステム、効率的な蒸留手法、より単純な統計的ベースラインが含まれる。

都市に必要なのは点予測だけではなく、校正された不確実性でもある。信頼できる誤差範囲を伴わない予測交通量は、過度に自信を持った制御判断を促しかねない。

公表された要約は、確率的校正よりもMAEの改善を強調している。今後の研究では、ESTGCNが自身の長期予測が信頼できない時点を推定できるかを示すべきである。

ベンチマーク結果だけで、そのモデルが信号タイミング、経路案内、緊急対応を改善すると証明することはできない。こうした成果には、予測品質を実際の意思決定へ結びつける第2段階のテストが必要である。

より低い誤差スコアは、より有用な先行時間をもたらし得る。運用者がその先行時間をより良いモビリティへ転換できるかは、システム統合、ガバナンス、レイテンシ、人間の対応に左右される。

ESTGCNが研究室を超えて通用するかを示す3つのシグナル

再現検証、実運用試験、都市間転移によって、ESTGCNが再利用可能な予測手法となるのか、それとも強力なベンチマーク結果にとどまるのかが決まる。

最初のシグナルは、12ステップでの改善を独立して再現できるかどうかである。他の研究者も、公開された実装と文書化された前処理パイプラインから、同程度の結果を得られるべきだ。

アブレーションテストにより、地域調整とグラフ拡張が再び長期ホライズンでの改善を牽引することが示されれば、再現は報告された仕組みをより強く裏付ける。大きな乖離が生じれば、この主張は弱まり、注目は実験設定へ移る。

最も有用な再現研究では、すべての予測ステップにわたる完全な精度曲線を比較する。また、好ましい単一結果ではなく、複数回の学習実行結果を報告すべきである。

2つ目のシグナルは、実運用またはリプレイベースの運用試験である。信頼できる試験では、観測値を時系列順にストリーミングし、インシデント、欠損センサー、変化する天候、スケジュールの混乱を含める必要がある。

この試験では、推論レイテンシと分布シフト後の回復力を測定すべきである。また、一度だけ学習したグラフと、管理されたスケジュールで更新されるグラフを比較する必要もある。

ESTGCNが異常な条件下でも優位性を維持するなら、適応的な地域学習は静的トポロジーよりも実質的に有用に見えるだろう。通常時以外で優位性が消えるなら、ベンチマーク上の改善はより限定的な価値にとどまる。

3つ目のシグナルは、都市およびネットワーク規模をまたぐ転移である。ESTGCNは、その地域構築が、テストされた5つのデータセットの幾何学的特性やサンプリング慣行に大きく依存しないことを示す必要がある。

都市間の実験では、ある環境で学習し、限られた追加データで別の環境へ適応できるかを検証すべきです。学習された地域間の関係性が転移可能なのか、それともゼロから再構築する必要があるのかを明らかにします。

このテストは導入コストに直接影響します。都市ごとに大規模な調整を必要とするモデルにも価値はありますが、控えめなローカルキャリブレーションで適応できるアーキテクチャと比べると、再利用性は低くなります。

スケールも重要です。高密度な大都市圏のネットワークには、標準ベンチマークよりはるかに多くのセンサー、交通手段、相互作用する地域が含まれる可能性があります。ESTGCNの効率性に関する主張は、グラフが拡大した際にも検証されるべきです。

これら3つのシグナルは、主要な論点も明確にします。固定グラフは、既知のインフラを符号化し、解釈を容易にし、学習負荷を抑えられるため、依然として魅力的です。

適応型グラフが追加の複雑さに見合うのは、変化する関係性が運用条件下で信頼できる改善をもたらす場合に限られます。ESTGCNは、長期予測のベンチマークにおいて、それが可能であることを示す証拠を提示しています。

交通チームにとって、当面の教訓は本番環境の予測モデルを置き換えることではありません。むしろ、基盤となる交通関係が変化し続けるなかで、空間に関する前提が固定されたままになっていないかを検証することです。

慎重なパイロットでは、制御判断が出力に依存する前に、アーカイブ済みストリームを用いて両方のアプローチを比較できます。エンジニアは、予測ホライズン別の誤差、事故発生期間の性能、推論時間、学習されたグラフの安定性を記録すべきです。

研究者はハイブリッド設計も検討すべきです。物理的な接続性を制約として維持しつつ、適応型エッジによって、地理情報だけでは捉えきれない地域間相関を取り込めます。

この組み合わせは、完全に固定された地図や完全に制約のない地図のいずれよりも信頼性が高い可能性があります。ESTGCNは、グラフ推論を維持しながらエッジが表す意味を変えることで、すでにこの中間領域を示しています。

報告されたPEMS08での6.93％の改善は、再現検証を行う十分な根拠にはなりますが、導入判断を確定するには十分ではありません。より大きな貢献は、交通AIに対してより鋭い問いを投げかけたことです。予測は昨日の道路間関係を引き継ぐべきか、それとも今重要な地域を学習すべきか。

答えは、次の証拠によって明らかになるでしょう。再現された長期予測結果、時系列に沿った都市実証、大規模ネットワークでの転移テストに注目してください。ESTGCNによる交通予測がこの3つすべてで優位性を維持するなら、適応型道路グラフは魅力的な仕組みから実用的な計画ツールへと進化することになります。