Performance Comparison between Deep Learning-based Hybrid Models and DLinear in Time Series Forecasting = 딥러닝 기반 하이브리드 모델과 DLinear의 시계열 예측 성능 비교

다국어 초록 (Multilingual Abstract)

This study investigates whether model complexity necessarily correlates with forecasting performance by comparing the DLinear, which is structurally simple, against Informer and ARIMA-hybrid models. To validate this, we utilized simulation data reflecting seven distinct statistical properties, as well as real-world datasets. The experimental results demonstrate that DLinear outperformed complex deep learning and hybrid models in real-world data analysis. However, the effectiveness of hybrid models was partially observed in specific simulation scenarios where non-linearity was dominant. In conclusion, this study suggests that it is critical to identify the characteristics of the target data and select an appropriate model accordingly. Furthermore, it implies that in certain cases, a parsimonious approach—structurally decomposing the data and employing a direct forecasting strategy—can be a more efficient alternative.

국문 초록 (Abstract)

본 연구는 모델의 구조적 복잡도가 실제 예측 성능과 비례하는지를 검증하기 위해, 단순한 선형 구조에 기반한 DLinear 모형과 최신 Informer 및 ARIMA 하이브리드 모형의 성능을 비교 분석하였다. 검증을 위해 7가지의 다양한 통계적 특성을 반영한 시뮬레이션 데이터와 실제 데이터를 활용하였다. 실험 결과, 실제 데이터 환경에서는 DLinear가 복잡한 딥러닝 및 하이브리드 모델들을 압도하는 성능을 기록하였다. 비선형성이 두드러지는 특정 시뮬레이션 시나리오에서는 하이브리드 모델의 유효성이 일부 확인되었다. 결론적으로 본 연구는 맹목적인 모델 고도화보다는 시계열의 고유 특성에 부합하는 적절한 모델 선택이 중요하며, 실전에서는 데이터를 구조적으로 분해하고 직접 예측하는 단순한 접근법이 더 효율적인 대안이 될 수 있음을 시사한다.

목차 (Table of Contents)

• Abstract i
• 1 Introduction 1
• 2 Methodology 3
• 2.1 ARIMA 3
• 2.2 LSTM 4
• 2.3 Transformer 5
• 2.4 Informer 6
• 2.5 Hybrid Model 7
• 2.6 DLinear 8
• 3 Simulation study 10
• 3.1 Data Description 10
• 3.2 Model Implementation and Details 12
• 3.3 Results and Discussion 13
• 4 Real Data Analysis 17
• 5 Conclusion 20
• 국문초록 24