A2TTA: 확장 가능하고 유연한 테스트 시간 적응 방식 - 변화하는 교통 센서 네트워크를 위한 방법

A2TTA: Anchored-and-Agile Test-Time Adaptation for Evolving Traffic Sensor Networks

교통 예측은 스마트 시티에서 효율적인 교통 관리 및 경로 계획에 매우 중요합니다. 기존의 교통 예측 연구는 일반적으로 고정된 센서 그래프를 가정하며, 실제 교통 네트워크의 지속적인 변화 (예: 진행 중인 도로 건설 및 진화하는 인간 이동 패턴)를 간과합니다. 이러한 동적 변화는 기존 예측 모델의 성능을 크게 저하시킬 수 있으며, 따라서 배포 중에 사전 학습된 모델을 효율적으로 적응시키는 테스트 시간 적응(TTA)이 필요합니다. 그러나 변화하는 교통 센서 네트워크에 TTA를 적용하는 것은 다음과 같은 두 가지 측면에서 여전히 어려운 과제입니다. 첫째, 토폴로지 확장은 새로운 센서와 연결을 도입하여 지속적으로 센서 그래프의 형태를 변화시킵니다. 둘째, 시간적인 변화는 다양한 크기와 안정성을 가지므로 장기 및 단기 변화에 대한 차등적 적응이 필요합니다. 본 연구에서는 이러한 과제를 해결하기 위해 A2TTA라는 확장 가능하고 유연한 테스트 시간 적응 프레임워크를 제안합니다. 이는 토폴로지 변화로 인한 예측 오류를 확장 가능한 출력 보정 문제로 변환하고, 시간적 적응을 지속적인 글로벌 수정과 민첩한 컨텍스트별 전문화로 분리합니다. A2TTA는 토폴로지 진화와 다중 스케일의 시간적 변화를 동시에 해결하여 지속적으로 변화하는 교통 환경에 대한 효율적이고 강력한 적응을 가능하게 합니다. 열 개의 실제 교통 네트워크에 대한 광범위한 실험 결과, A2TTA는 다양한 모델 구조, 데이터 세트 및 예측 시점에서 일관되게 예측 성능을 향상시키는 것으로 나타났습니다. 저희의 코드는 https://github.com/lixus7/A2TTA 에서 확인할 수 있습니다.

Traffic forecasting is important for efficient traffic management and route planning in smart cities. Existing traffic forecasting studies typically assume fixed sensor graphs, overlooking the continuous evolution of real-world traffic networks, e.g., ongoing road network construction and evolving human mobility patterns. These dynamic changes can substantially degrade conventional forecasting models, motivating test-time adaptation (TTA) to efficiently adapt pretrained models during deployment. However, applying TTA to evolving traffic sensor networks remains challenging in two aspects. First, topology expansion introduces new sensors and connections, continuously reshaping the sensor graph. Second, tem- poral shifts vary in time scale and stability, requiring differentiated adaptation to long-term and short-term shifts. In this study, we address these challenges by proposing A2TTA, an Anchored-and-Agile Test-Time Adaptation framework for evolving traffic sensor networks, which transforms topology-induced forecasting errors into an expandable output calibration problem and separates tem- poral adaptation into persistent global correction and agile context-specific specialization. By jointly addressing topology evolution and multi-scale temporal shifts, A2TTA enables efficient and robust adaptation to continuously evolving traffic environments. Extensive experiments on ten real-world traffic networks demonstrate that A2TTA consistently improves forecasting performance across different backbones, datasets, and prediction horizons. Our code is available in https://github.com/lixus7/A2TTA.