Applications of TGNet to spatiotemporal data

Abstract

시공간 데이터 분석은 공간 정보와 시간 정보를 모두 처리해야 하기 때문에 어려운 것으로 알려져 있다. TGNet은 시공간 예측을 위한 효율적인 모델로, 시공간 정보를 두 가지 측면에서 효과적으로 처리한다. 첫째, 공간 정보를 이미지 데이터로 간주하여 완전 컨볼루션 네트워크(fully convolutional network)로 모델링한다. 둘째, TGNet은 temporal-guided embedding을 통해 시간적 패턴을 효율적으로 학습한다. 본 논문에서는 서울 미세먼지 농도 데이터와 서울 유동인구 데이터를 사용하여 일반적인 시공간 데이터에 TGNet을 적용하기 위한 가이드라인을 제시한다. 또한, 단일 단계 예측 및 다단계 예측의 성능을 조사하고 최적의 모델 파라미터를 조정하는 것의 중요성을 다룬다.;Analysis of spatial-temporal data is known to be challenging due to its necessity to handle both spatial and temporal information. TGNet is an efficient model for spatiotemporal forecasting problems. By using TGNet, spatiotemporal information can be effectively handled in two main aspects. First, spatial information is regarded as image data and modeled with fully convolutional network. Second, TGNet captures the temporal patterns with few past values and temporal-guided embedding. In this paper, we suggest a guideline for applying TGNet to general spatiotemporal data using two real-world datasets, Seoul fine dust concentration data and Seoul floating population data. We also investigate the performances of both single-step and multi-step-ahead prediction. Furthermore, we address the importance of tuning the optimal model parameters.