A Similarity-driven Time?Frequency Integrated Token Clustering Handler for Time Series Forecasting = 유사도 기반 시간-주파수 통합 토큰 클러스터링 모듈을 활용한 시계열 예측|RISS 상세보기

다국어 초록 (Multilingual Abstract)

How can we design time-series representations that better capture the underlying dynamics essential for accurate forecasting? Long-term time-series forecasting has recently benefited from patch-based representation learning, where input sequences are divided into fixed-length patches and processed by Transformer-style architectures. However, fixed segmentation often fails to reflect the heterogeneous temporal dynamics of real-world signals. Adjacent patches with highly similar behaviors may be arbitrarily separated, while structurally different patterns may be forced into the same patch, disrupting temporal continuity and limiting representation quality. Furthermore, value-level similarity is insufficient to capture coarse structural cues such as periodicity or shape that are more evident in the frequency domain.
In this paper, we propose STITCH, a lightweight refinement framework that adaptively groups semantically coherent patches before they are encoded by downstream forecasting models. STITCH combines time-domain embeddings with i frequency-domain features derived from the Fast Fourier Transform to compute a unified similarity measure between adjacent patches. Leveraging this similarity, STITCH forms variable-length, continuity-preserving segments without introducing any additional learnable parameters, resulting in more stable and expressive patch representations.
Extensive experiments across multiple long-term forecasting benchmarks demonstrate that STITCH consistently improves prediction performance over strong existing baselines in most forecasting horizons. These results show that integrating time–frequency similarity into patch clustering provides a robust enhancement to modern time-series forecasting pipelines

번역하기

국문 초록 (Abstract)

시계열의 주요 패턴을 더 정확하게 반영하여 예측 성능을 향상시킬 수 있는 표현은 어떻게 설계할 수 있을까? 최근 장기 시계열 예측에서는 입력 시퀀스를 고정 길이 패치로 분할한 뒤 Transformer 기반 구조로 처리하는 패치 기반 표현 방식이 널리 사용되고 있다. 그러나 이러한 고정적 분할 방식은 실제 시계열이 지닌 비균질적 변화 특성을 충분히 포착하지 못한다. 서로 유사한 패치가 인위적인 경계에 의해 분 리되거나, 상이한 패치가 동일한 단위로 묶이는 현상이 발생하여 시간적 연속성이 저해되는 문제가 존재한다. 또한 값 기반 유사도만으로는 주기성이나 형태와 같은 더 상위 수준의 구조적 특징을 포착하기 어렵다는 한계가 있다. 이러한 특징은 주파수 영역에서 더 명확하게 드러나지만, 기존 패치 기반 방법들은 이를 활용하지 못한다. 본 연구에서는 의미적으로 연관된 구간을 능동적으로 구성하는 경량화된 패치 정제 프레임워크인 STITCH를 제안한다. STITCH는 시점 기반 임베딩과 FFT를 통해 얻은 주파수 기반 특징을 결합하여 인접 패치 간 통합 유사도를 계산하고, 이 유사 도에 기반하여 가변 길이의 연속적 패치 세그먼트를 형성한다. 본 방법은 추가적인 학습 파라미터 없이 기존 예측 모델과 완전히 호환되며, 시간적 일관성이 보존된 표 현을 생성함으로써 입력 패치의 품질을 향상시킨다. 다양한 장기 시계열 예측 벤치마크에 대한 실험 결과, STITCH는 대부분의 예 측 구간에서 기존 강력한 베이스라인 대비 일관적인 성능 향상을 보였다. 이는 시 간–주파수 기반 유사도를 활용한 패치 클러스터링이 시계열 예측 모델의 표현력을 강화하는 효과적인 전략임을 확인시킨다.

번역하기

시계열의 주요 패턴을 더 정확하게 반영하여 예측 성능을 향상시킬 수 있는 표현은 어떻게 설계할 수 있을까? 최근 장기 시계열 예측에서는 입력 시퀀스를 고정 길이 패치로 분할한 뒤 Transfo...

목차 (Table of Contents)