거친 데이터에서 정밀한 예측으로: 시공간 데이터의 시간 해상도 관리를 통한 정밀 교통 예측

From Coarse to Fine: Managing Temporal Granularity in Spatio-Temporal Data for Fine-Grained Traffic Prediction

교통 데이터 관리에서 효율적인 수집, 저장 및 활용은 중요한 과제입니다. 대부분의 교통 데이터 시스템은 저장 및 계산 비용을 줄이기 위해 고정된, 거친 시간 간격으로 데이터를 수집하고 저장합니다. 그러나 이러한 거친 데이터는 더 미세한 시간 해상도로 예측이 필요한 하위 응용 프로그램을 심각하게 제한합니다. 모든 위치와 기간에 걸쳐 미세한 시간 해상도의 교통 데이터를 수집하고 유지하는 것은 데이터베이스 저장 및 전처리 파이프라인에 상당한 부담을 줄 것입니다. 이러한 시간 해상도 불일치를 해결하기 위해, 우리는 다음과 같은 새로운 문제를 제안합니다: 거친 샘플링된 데이터를 사용하여 미세한 시간 해상도의 미래 교통을 예측하는 것. 우리는 시공간 데이터 시스템을 위한 시간 해상도 인지 프레임워크인 Spatial-Temporal Refinement Predictor (STRP)를 제안합니다. STRP는 두 가지 구성 요소를 통합합니다: 효율적이고 해석 가능한 공간 의존성 모델링을 위한 Tree Convolution, 그리고 점진적인 시간 외삽화를 위한 Inverse Dilated Convolution. STRP는 다양한 형태의 시간 해상도 불일치를 처리하기 위해 window-based 및 duration-based 두 가지 실용적인 예측 설정을 지원합니다. 6개의 벤치마크 데이터 세트에 대한 실험 결과, STRP는 정확성과 효율성 모두에서 최첨단 기준 모델보다 훨씬 뛰어난 성능을 보였습니다. 본 연구는 시공간 교통 데이터 시스템에서 시간 해상도 불일치를 관리하는 실용적이고 해석 가능한 접근 방식을 제공합니다.

Efficient acquisition, storage, and utilization of traffic data are critical challenges in spatio-temporal data management. Most traffic data systems collect and store observations at fixed, coarse-grained temporal intervals to reduce storage and computation costs. However, such coarse-grained data severely limits downstream applications that require predictions at a finer temporal granularity. Collecting and maintaining fine-grained traffic data across all locations and time periods would impose a substantial burden on database storage and preprocessing pipelines. To address this temporal granularity mismatch, we formulate a novel problem: predicting fine-grained future traffic using coarse-grained sampled data. We propose the Spatial-Temporal Refinement Predictor (STRP), a granularity-aware framework for spatio-temporal data systems. STRP integrates two components: Tree Convolution for efficient and interpretable spatial dependency modeling, and Inverse Dilated Convolution for progressive temporal extrapolation. STRP supports two practical prediction settings: window-based and duration-based, to handle different forms of granularity mismatch. Experiments on six benchmark datasets show that STRP significantly outperforms state-of-the-art baselines in both accuracy and efficiency. Our work offers a practical and interpretable approach to managing granularity mismatches in spatio-temporal traffic data systems.