자전거 공유 시스템처럼 도시 내 마이크로 모빌리티(Micro Mobility) 수요를 정확하게 예측하는 것은 운영 효율성을 극대화하는 데 필수적입니다. 하지만 도시 네트워크의 방대한 규모와 복잡한 공간-시간(spatio-temporal) 의존성 때문에 정확한 예측은 늘 난제로 꼽혀왔습니다. 최근 발표된 STAGformer(Spatio-Temporal Agent Graph Transformer)는 이러한 문제 해결을 위한 새로운 접근 방식을 제시하며, 기존 모델 대비 뛰어난 성능을 보여주었습니다.
STAGformer는 효율적인 전역 모델링(global modeling)을 위해 선형 계산 복잡도(linear computational complexity)를 달성한 것이 특징입니다. 핵심은 '두 단계 에이전트 어텐션(two-step agent attention)' 메커니즘입니다. 이 메커니즘은 소수의 학습 가능한 공간 및 시간 에이전트 토큰(agent token)을 활용하여 먼저 전역 정보를 집계한 다음, 이 정보를 개별 스테이션과 시간 단계로 다시 브로드캐스트합니다. 이를 통해 표준 셀프-어텐션(self-attention)의 2차 비용을 O(NT)로 줄이면서도 장거리 상호작용을 효과적으로 포착할 수 있습니다. STAGformer는 동적 노드 특징과 외부 맥락 요인(날씨, 시간, 관심 지점 등)을 융합하는 공간-시간 인코더, 공간 이웃 집계를 위한 그래프 전파 모듈, 지역 패턴 추출을 위한 시간 컨볼루션 모듈, 그리고 전역 의존성 모델링을 위한 에이전트 어텐션 모듈 등 네 가지 핵심 모듈로 구성됩니다.
이 모델은 뉴욕 시티-바이크(NYC Citi-Bike)와 시카고 디비-바이크(Chicago Divvy-Bike) 두 가지 실제 데이터셋에 대한 광범위한 실험을 통해 여러 예측 기간에 걸쳐 최첨단 기준선(state-of-the-art baselines)을 지속적으로 능가하는 성능을 입증했습니다. 이는 RMSE(평균 제곱근 오차)와 MAE(평균 절대 오차) 모두에서 상당한 개선을 의미합니다. 특히 에이전트 어텐션 메커니즘이 전역 공간-시간 의존성을 모델링하는 데 결정적인 역할을 한다는 것이 검증되었습니다. STAGformer는 복잡한 도시 환경에서 마이크로 모빌리티 시스템의 운영 효율성을 높이고, 나아가 스마트 도시 계획 및 교통 관리 분야에 중요한 기여를 할 잠재력을 가지고 있습니다.