Modeling Inter Series Dependency via Latent Alignment for Multivariate Time Series Forecasting = 잠재 공간 정렬을 통한 다변량 시계열 예측에서의 변수 간 의존성 모델링

다국어 초록 (Multilingual Abstract)

Time series forecasting has been extensively studied for decades and remains fundamental across diverse real-world domains. Recent advances in deep learning have
enabled models to capture complex and non-stationary temporal patterns more effectively. However, deep learning rely on normalization for training stability and on large-scale data, which amplify multimodality in time series and introduce a trade-off between generalization and precise pattern modeling. In this paper, we propose Latent Aligned Dependent Model (AlignDep), which models inter series dependency by aligning entangled information in input time series within a latent space before incorporating relational information. Moreover, we design a Subspace-Aware Feed-Forward Block to mitigate structural limitations of window embedding models in capturing local temporal patterns. Across widely used benchmark datasets, our approach consistently reduces forecasting error compared to existing window embedding baselines. Comprehensive analyses further validate the structural strengths and model behavior of the proposed architecture.

국문 초록 (Abstract)

다변량 시계열 예측은 오랜 역사를 가진 연구 분야로, 현실의 다양한 도메인에 널리 적용되고 있다. 최근 딥러닝의 발전과 이에 대한 활발한 연구로 복잡하고 비정상적인 시계열 데이터의 패턴을 포착하고 예측하는 능력이 크게 향상되었다. 그러나 딥러닝 신경망의 발전은 정규화를 통한 학습 안정성 확보와 대규모 데이터 기반의 학습에 크게 의존하고, 이는 시계열 데이터에서 다중 모드(multimodality)를 야기하고 일반화 성능과 정교한 패턴 학습 간의 상충을 야기한다. 특히 다변량 간의 관계를 어떻게 활용해야 하는지에 대해서는 여전히 다양한 접근이 공존하고 있다. 본 연구에서는 시계열 간의 관계를 활용할 필요성을 전제로, 입력 시계열에 내재된 얽힌 정보를 잠재 공간에서 시계열별로 정렬한 후 관계성을 반영하는 AlignDep(Latent Aligned Dependent Model) 모델을 제안한다. 또한 window embedding 기반 모델이 지역적 특성을 놓치기 쉬운 한계를 보완하기 위해 저차원 표현을 함께 활용하는 Subspace-Aware Feed-Forward Network를 설계하였다. 벤치마크 데이터셋 전반에 걸친 실험을 통해 제안하는 방법론이 일관된 오류의 감소를 달성함을 확인하였으며, 추가적인 모델 분석을 통해 구조적 강점과 동작 메커니즘을 심층적으로 검증하였다.

목차 (Table of Contents)

• Abstract i
• Contents iii
• List of Tables iv
• List of Figures v
• Chapter 1 Introduction 1
• 1.1 Problem Description 1
• 1.2 Research Motivation and Contribution 3
• 1.3 Organization of the Thesis 7
• Chapter 2 Literature Review 8
• 2.1 Review on Time Series Forecasting Models 8
• 2.2 Review on Multivariate Modeling 10
• 2.3 Review on Loss Functions 12
• Chapter 3 Method 14
• 3.1 Overview 14
• 3.2 AlignDep 16
• 3.2.1 Subspace-Aware Feed-Forward Block 17
• Chapter 4 Experiments 20
• 4.1 Datasets 20
• 4.2 Evaluation Metric 21
• 4.3 Baselines 22
• 4.4 Implementation Details 22
• 4.5 Experimental Results 23
• 4.5.1 Main Results 23
• 4.5.2 Architecture Analysis 26
• Chapter 5 Conclusion 33
• 5.1 Conclusion 33
• 5.2 Future Direction 34
• Bibliography 35
• 국문초록 41
• 감사의 글 42