순차성을 가진 전역정보 학습을 통한 장기 시계열 예측의 정확도 향상 기법

Abstract

기존의 장기 시계열 예측 모델들은 랜덤한 시간으로부터 시작하는 학습 데이터셋을 구성하지만, 이 경우 시계열 데이터의 시간적 요소가 충분히 반영되지 않을 수 있다. 본 논문에서는 기존의 랜덤한 시작 시간을 갖는 데이터 구성 방식 외에 시간 순서대로 시작 시점을 갖는 데이터셋을 추가로 구성하고 이를 장기 시계열 데이터 학습에 활용하는 방법을 제안한다. 또한 본 논문에서 구성된 시계열 데이터들은 순차적으로 이어져 있다는 특징을 활용해서 데이터의 time stamp 값을 시간 특징으로 생성하여 시간성 학습을위해 사용한다. 학습된 모델의 테스팅 시점에서는 학습된 시간성 네트워크에 테스트 데이터를 투영함으로써 시간성을 반영한 예측을 수행한다. 제안하는 방법을 기존의 Transformer 기반 시계열 예측 모델에 적용해본 결과 장기 시계열 예측의 에러 값이 최대 31.1% 감소하는 것을 확인하였다.