Towards Continual Traffic Forecasting: Online Adaptation of Graph Structures for Evolving Traffic Patterns = 지속적인 교통 예측을 향하여: 동적 교통 패턴을 위한 그래프 구조의 온라인 적응

다국어 초록 (Multilingual Abstract)

Traffic forecasting remains a fundamental yet challenging task in intelligent transportation systems, as it demands models capable of capturing complex and rapidly evolving spatiotemporal dynamics.
While existing approaches advanced the modeling of inter-sensor relationships and addressed structural shifts through continual learning, they often incur high computational costs and struggle to respond effectively to sudden changes, limiting real-world applicability.
To overcome these issues, we introduce an online forecasting framework for traffic prediction and propose the Rank-one Adjacency Adapter (RoAA), a lightweight module designed for efficient, real-time edge-level adaptation.
RoAA is instantiated with two update mechanisms, exponential and softplus, yielding RoAA-Exp and RoAA-SP, respectively.
We further develop RoAA-Base, a compact traffic prediction model incorporating these adapters to support scalable online learning.
Empirical results on standard benchmark datasets demonstrate that RoAA-Base consistently outperforms existing models, achieving comparable or superior accuracy while requiring significantly fewer parameters and reduced online training time.
Comprehensive ablation studies and diagnostic analyses further confirm the contribution of each component to the overall performance.

국문 초록 (Abstract)

교통 예측은 지능형 교통 시스템에서 핵심적이면서도 여전히 도전적인 과제로, 복잡하고 빠르게 변화하는 시공간적 패턴을 효과적으로 포착할 수 있는 모델이 요구됩니다.
기존 연구들은 센서 간 관계를 정교하게 모델링하고, 구조적 변화에 대응하기 위해 연속 학습(continual learning)을 도입하는 등 다양한 진전을 이루었지만, 높은 계산 비용과 급격한 교통 변화에 대한 낮은 적응력이라는 한계로 인해 실제 환경에서의 적용에는 어려움이 존재합니다.
이러한 문제를 해결하기 위해, 본 연구에서는 온라인 교통 예측 프레임워크를 제안하고, 효율적인 실시간 엣지 수준 적응을 가능하게 하는 경량 모듈인 RoAA(Rank-one Adjacency Adapter, 일차원 인접행렬 어댑터)를 소개합니다.
RoAA는 지수 함수 기반의 RoAA-Exp와 소프트플러스 함수 기반의 RoAA-SP라는 두 가지 업데이트 방식으로 구현됩니다.
또한, 이들 어댑터를 통합하여 확장 가능한 온라인 학습을 수행할 수 있는 경량 예측 모델인 RoAA-Base를 제안합니다.
표준 벤치마크 데이터셋에 대한 실험 결과, RoAA-Base는 기존 모델 대비 높은 예측 정확도를 유지하면서도 파라미터 수와 온라인 학습 시간 면에서 현저한 효율성을 달성하였습니다.
마지막으로, 다양한 제거 실험(ablation study)과 분석을 통해 각 구성 요소의 기여도를 정량적으로 검증하였습니다.

목차 (Table of Contents)

• Abstract i
• 1 Introduction 1
• 2 Related work 4
• 2.1 Traffic Prediction 4
• 2.2 Continual Learning and Online Learning 5
• 3 Method 8
• 3.1 Problem definition and assumptions 8
• 3.1.1 Traffic forecasting as a graph-based time series problem 8
• 3.1.2 Online learning with streaming graphs 9
• 3.2 RoAA: Rank-one Adjacency Adapter 9
• 3.2.1 Adjacency adapter for online learning 9
• 3.2.2 Rank-one adjacency adapter 10
• 3.2.3 RoAA-combined model (RoAA-Base) 13
• 4 Experiments 14
• 4.1 Experimental setup 14
• 4.1.1 Datasets 14
• 4.1.2 Baselines 15
• 4.1.3 Training strategies 15
• 4.1.4 Implementation details 16
• 4.2 Main results 17
• 4.2.1 Benchmark performance on METR-LA and PEMS-BAY 17
• 4.2.2 Scalability evaluation on large-scale dataset 19
• 4.3 Ablation study 19
• 4.3.1 Necessity and performance of RoAA 19
• 4.3.2 Training backbone while online phase 20
• 4.3.3 Depth of GCN layers 20
• 5 Analysis 22
• 5.1 Training epochs during the warmup phase 22
• 5.2 Edge weights dynamics 23
• 5.3 Effects of RoAA on the parameter space 25
• 6 Conclusion and future work 28
• 7 Appendix 30
• 7.1 Proofs 30
• 7.1.1 Proof of Theorem 3.2.3 30
• 7.1.2 Proof of Theorem 3.2.4 30
• 7.1.3 Proof of Proposition 3.2.5 31
• 7.1.4 Proof of Theorem 3.2.6 31
• 7.2 Additional Experimental Details 32
• 7.2.1 Benchmark datasets 32
• 7.2.2 Implementation details 33
• 7.2.3 Hyperparameter configurations 34
• 7.2.4 Synthetic dataset 35
• 7.2.5 Licenses of external resources 37
• 7.3 Additional numerical results 39
• 7.4 Qualitative evaluation 51
• Abstract (in Korean) 68