DeTime : 변형 가능한 주의 메커니즘 기반 다변량 시계열 예측 모델

국문 초록 (Abstract)

다변량 시계열 예측은 여러 변수의 시간에 따른 변화를 분석해 미래를 예측하는 연구로, 금융, 에너지 수요, 기후 예측, 교통 관리 등 다양한 실제 응용 분야에서 핵심적인 역할을 한다. 그러나 기존의 다변량 시계열 예측 모델은 시간적 의존성과 변수 간 의존성을 별도로 처리하기 때문에 두 축 간의 복잡한 상호작용과 선행-지연(Lead-Lag) 관계를 제대로 반영하지 못하는 한계가 있다. 따라서 시간적 의존성과 변수 간 의존성을 동시에 포착하는 것은 여전히 도전 과제로 남아 있다.
이러한 문제를 해결하기 위해 본 연구에서는 시간적 의존성 및 변수 간 관계를 동시에 포착하는 새로운 딥러닝 기반 아키텍처인 DeTime을 제안한다. DeTime 은 시간적 및 변수 간 복잡한 관계를 효과적으로 학습하기 위해 입력 데이터를 트렌드와 계절성 요소로 나누는 시계열 분해, 시계열 데이터의 국소적 특징을 추출하는 패칭, 각 입력 쿼리에 대해 중요한 오프셋 포인트를 동적으로 추출하는 DeTime-Attention 블록으로 구성되어 시계열 데이터의 복잡한 관계를 학습한다.
실험 결과, DeTime은 다양한 실제 데이터셋에서 뛰어난 성능을 보였으며, 기존 State-of-the-Art (SoTA) 모델들을 능가하거나 이에 필적하는 성과를 달성하였다. 이러한 결과는 DeTime이 복잡한 다변량 시계열 예측에서 새로운 기준을 제시하는 모델임을 입증한다.

다국어 초록 (Multilingual Abstract)

Multivariate time-series forecasting analyzes the changes of multiple variables over time to predict future trends. It plays a crucial role in fields such as finance, energy demand, climate forecasting, and traffic management. However, existing models often handle temporal dependencies and inter-variable dependencies separately, failing to capture the complex interactions and lead-lag relationships between these two axes.

To address this challenge, this study proposes a novel deep learning-based architecture called DeTime. DeTime captures both temporal and inter-variable dependencies simultaneously through key components such as time-series decomposition which separates input data into trend and seasonality, patching which extracts local features, and the DeTime-Attention block dynamically extracts important offset points for each input query.

Experimental results show that DeTime achieves superior or comparable performance to existing State-of-the-Art models across various real-world datasets. These findings demonstrate that DeTime sets a new benchmark for complex multivariate time-series forecasting.

목차 (Table of Contents)

• 차 례
• 표 차례 ii
• 그림 차례 iii
• 수식 차례 iv
• 국 문 요 약 v
• 1. 서론 1
• 2. 연구 배경 지식 및 선행 연구 4
• 2.1. 시계열 예측 4
• 2.2. 채널 독립 모델 6
• 2.3. 채널 종속 모델 7
• 3. 연구 방법론 8
• 3.1. Season-Trend (ST) 분해 9
• 3.2. 패칭 10
• 3.3. DeTime-Attention 블록 11
• 3.4. 시계열 예측을 위한 투영층 15
• 4. 실험 15
• 4.1. 실험 설정 15
• 4.1.1 데이터셋 16
• 4.1.2 베이스 라인 18
• 4.2. 실험 결과 20
• 4.3. 메모리 효율성 비교 22
• 4.4. 동적 랜덤 샘플링의 효과 분석 23
• 4.5. 오프셋 포인트 개수에 대한 분석 25
• 4.6. 학습률(lr)에 따른 DeTime 성능 분석 26
• 4.7. 다변량 시계열 예측 결과 시각화 및 분석 27
• 5. 결론 29
• 참고 문헌 31
• ABSTRACT 35