다변량 시계열 예측을 위한 스펙트럴 타임스탬프 그래프 신경망

다변량 시계열 예측은 다양한 실제 응용 분야에서 핵심적인 역할을 한다. 이 문제는 각 시계열 내부의 시간적 상관관계(내시계열 상관관계)와 시계열 간의 상관관계(간시계열 상관관계)를 동시에 고려해야 한다는 점에서 도전적인 과제이다. 최근에는 이러한 두 가지 상관관계를 동시에 포착하려는 연구가 여러 가지 제안되었지만, 대부분의 기존 방법들은 시간 도메인에서의 시간적 상관관계만을 다루고, 간시계열 상관관계에 대해서는 사전에 정의된 사전 지식(prior)에 의존하고 있다.본 논문에서는 다변량 시계열 예측의 정확도를 더욱 향상시키기 위해 스펙트럴 시간 그래프 신경망(Spectral Temporal Graph Neural Network, StemGNN)을 제안한다. StemGNN은 간시계열 상관관계와 시간적 의존성을 스펙트럴 도메인(spectral domain) 에서 통합적으로 모델링한다. 이는 그래프 푸리에 변환(Graph Fourier Transform, GFT)을 통해 간시계열 상관관계를, 이산 푸리에 변환(Discrete Fourier Transform, DFT)을 통해 시간적 의존성을 각각 모델링한 후, 엔드 투 엔드(end-to-end) 아키텍처에서 통합하는 방식이다. GFT와 DFT를 거친 후의 스펙트럴 표현은 명확한 패턴을 가지며, 이를 합성곱(Convolution)과 시퀀스 학습 모듈을 통해 효과적으로 예측할 수 있다. 또한 StemGNN은 사전 정의된 사전 지식 없이 데이터로부터 간시계열 상관관계를 자동으로 학습한다. 다양한 실세계 데이터셋 10개를 대상으로 광범위한 실험을 수행하여 StemGNN의 효과성을 입증하였다. 코드는 다음 링크에서 공개되어 있다: https://github.com/microsoft/StemGNN/