PHGNet: 프로토타입 기반 하이퍼그래프 구축을 통한 이질적인 시공간 예측

PHGNet: Prototype-Guided Hypergraph Construction for Heterogeneous Spatiotemporal Forecasting

지능형 교통 시스템의 핵심 과제인 교통 예측은 도시 교통 관리에 중요한 역할을 합니다. 정확한 교통 예측은 복잡한 시공간 의존성을 모델링하는 데 달려 있으며, 이는 교통 시스템 내 공간적 이질성으로 인해 본질적으로 어려운 문제입니다. 상당한 발전에도 불구하고, 대부분의 기존 방법은 여전히 쌍방향 공간적 의존성 모델링에만 국한되어 있어 유사한 교통 패턴을 가진 노드 간의 동적인 고차 상호작용을 포착하기 어렵습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 프로토타입 기반 하이퍼그래프 구축을 활용한 새로운 시공간 예측 프레임워크인 PHGNet을 제안합니다. PHGNet의 핵심은 패턴이 유사한 노드를 적응적으로 하이퍼에지로 할당하는 프로토타입 학습 메커니즘으로, 이를 통해 시간 변화적인 구조를 가진 고차 상호작용을 포착합니다. 또한, 동적 하이퍼그래프 구축의 신뢰성을 향상시키기 위해, 시간적으로 일관된 특징을 추출하는 글로벌-로컬 노드 표현 모듈을 추가 개발했습니다. 예측 성능 향상을 위해 반복적인 잔차 정제(Iterative Residual Refinement) 및 Temporal Query Attention 기법을 도입하여 예측 정확도를 높이고 효율적인 병렬 디코딩을 지원합니다. 다양한 실제 데이터셋에 대한 광범위한 실험 결과는 PHGNet이 최첨단 방법보다 우수한 예측 성능을 달성함을 보여줍니다.

As a core task in intelligent transportation systems, traffic forecasting plays a critical role in urban traffic management. Accurate traffic forecasting relies on modeling complex spatiotemporal dependencies, which is inherently challenging due to spatial heterogeneity in traffic systems.Despite significant progress, most existing methods are still limited to pairwise spatial dependency modeling, making it difficult to capture dynamic high-order interactions among nodes with similar traffic patterns. To address this issue, we propose PHGNet, a novel spatiotemporal forecasting framework based on prototype-guided hypergraph construction. At the core of PHGNet, a prototype learning mechanism is designed to adaptively assign pattern-similar nodes to hyperedges, thereby capturing high-order interactions with time-varying structures. To improve the reliability of dynamic hypergraph construction, we further develop a global-local node representation module to extract time-consistent features. For forecasting, iterative residual refinement and Temporal Query Attention are introduced to improve forecasting accuracy while supporting efficient parallel decoding. Extensive experiments on multiple real-world datasets demonstrate that PHGNet achieves superior predictive performance compared with state-of-the-art methods.